Construcción gobernada de conocimiento funcional desde la interfaz de un ERP para asistencia conversacional
DOI:
https://doi.org/10.59169/pentaciencias.v8i4.1921Palabras clave:
adquisición de conocimiento; planificación de recursos empresariales; recuperación híbrida; grafos de conocimiento; revisión humana en el cicloResumen
Los sistemas ERP guardan mucho conocimiento operativo que casi nadie documentó. Proponemos Chat-CBMM, un método que aprende de la interfaz del sistema, pasa su conocimiento por la revisión de un humano y solo usa lo aprobado para responder preguntas. Lo probamos en el Cuerpo de Bomberos Municipal de Machala con una campaña definida de antemano: un modelo de lenguaje hizo un primer análisis de las respuestas y los expertos lo confirmaron. El rastreador encontró las 57 rutas y los 14 módulos elegibles. La semántica generada se parecía solo en parte a la referencia (F1 entre 0,30 y 0,43); la diferencia entre ambas rondas se debió sobre todo a la adjudicación, no a la revisión humana. En 54 consultas, la semántica aprobada subió la exactitud conductual de 35,2 % a 44,4 %, aunque sin significación estadística. El redactor y el grafo aportaron diferencias pequeñas, y en las consultas que modifican datos todas las condiciones se mantuvieron seguras. Nuestra lectura es que el sistema funciona como apoyo supervisado, pero todavía no como asistente autónomo.
Descargas
Citas
Al-Hawari, F., & Barham, H. (2021). A machine learning based help desk system for IT service management. Journal of King Saud University - Computer and Information Sciences, 33(6), 702–718. https://doi.org/10.1016/j.jksuci.2019.04.001
Amado, A., & Belfo, F. P. (2021). Maintenance and support model within the ERP systems lifecycle: Action research in an implementer company. Procedia Computer Science, 181, 580–588. https://doi.org/10.1016/j.procs.2021.01.205
Arslan, M., Ghanem, H., Munawar, S., & Cruz, C. (2024). A survey on RAG with LLMs. Procedia Computer Science, 246, 3781–3790. https://doi.org/10.1016/j.procs.2024.09.178
Chou, H.-W., Chang, H.-H., Lin, Y.-H., & Chou, S.-B. (2014). Drivers and effects of post-implementation learning on ERP usage. Computers in Human Behavior, 35, 267–277. https://doi.org/10.1016/j.chb.2014.03.012
Cormack, G. V., Clarke, C. L. A., & Büttcher, S. (2009). Reciprocal rank fusion outperforms Condorcet and individual rank learning methods. In Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '09) (pp. 758–759). Association for Computing Machinery. https://doi.org/10.1145/1571941.1572114
Edge, D., Trinh, H., Cheng, N., Bradley, J., Chao, A., Mody, A., Truitt, S., & Larson, J. (2024). From local to global: A graph RAG approach to query-focused summarization. arXiv. https://doi.org/10.48550/arXiv.2404.16130
Fan, W., Ding, Y., Ning, L., Wang, S., Li, H., Yin, D., Chua, T.-S., & Li, Q. (2024). A survey on RAG meeting LLMs: Towards retrieval-augmented large language models. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '24) (pp. 6491–6501). Association for Computing Machinery. https://doi.org/10.1145/3637528.3671470
Han, H., Shomer, H., Wang, Y., Lei, Y., Guo, K., Hua, Z., Long, B., Liu, H., & Tang, J. (2025). RAG vs. GraphRAG: A systematic evaluation and key insights. arXiv. https://doi.org/10.48550/arXiv.2502.11371
Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75–105. https://doi.org/10.2307/25148625
Hilel, M., Karmim, Y., De Bodinat, J., Sarehane, R., & Gillon, A. (2025). Building specialized software-assistant chatbot with graph-based retrieval-augmented generation. arXiv. https://doi.org/10.48550/arXiv.2511.05297
Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248, 1–38. https://doi.org/10.1145/3571730
Landeta-López, P., García, J. M., Guevara-Vega, C., & Ruiz-Cortés, A. (2026). LLMs applied to web scraping and web crawling: A systematic review. Computing, 108, 78. https://doi.org/10.1007/s00607-026-01666-5
Lehnen, N. C., Kürsch, J., Wichtmann, B. D., Wolter, M., Bendella, Z., Bode, F. J., Zimmermann, H., Radbruch, A., Vollmuth, P., & Dorn, F. (2025). Llama 3.1 405B is comparable to GPT-4 for extraction of data from thrombectomy reports - a step towards secure data extraction. Clinical Neuroradiology, 35, 495–510. https://doi.org/10.1007/s00062-025-01500-z
Maiya, A. S. (2025). OnPrem.LLM: A privacy-conscious document intelligence toolkit. arXiv. https://doi.org/10.48550/arXiv.2505.07672
Mesbah, A., van Deursen, A., & Lenselink, S. (2012). Crawling Ajax-based web applications through dynamic analysis of user interface state changes. ACM Transactions on the Web, 6(1), 1–30. https://doi.org/10.1145/2109205.2109208
Mosqueira-Rey, E., Hernández-Pereira, E., Alonso-Ríos, D., Bobes-Bascarán, J., & Fernández-Leal, Á. (2023). Human-in-the-loop machine learning: A state of the art. Artificial Intelligence Review, 56(4), 3005–3054. https://doi.org/10.1007/s10462-022-10246-w
Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of Management Information Systems, 24(3), 45–77. https://doi.org/10.2753/MIS0742-1222240302
Peng, B., Zhu, Y., Liu, Y., Bo, X., Shi, H., Hong, C., Zhang, Y., & Tang, S. (2025). Graph retrieval-augmented generation: A survey. ACM Transactions on Information Systems. https://doi.org/10.1145/3777378
Tian, F., Wang, T., Liang, P., Wang, C., Khan, A. A., & Babar, M. A. (2021). The impact of traceability on software maintenance and evolution: A mapping study. arXiv. https://doi.org/10.48550/arXiv.2108.02133
Zheng, L., Chiang, W.-L., Sheng, Y., Zhuang, S., Wu, Z., Zhuang, Y., Lin, Z., Li, Z., Li, D., Xing, E. P., Zhang, H., Gonzalez, J. E., & Stoica, I. (2023). Judging LLM-as-a-judge with MT-Bench and Chatbot Arena. In Advances in Neural Information Processing Systems 36 (NeurIPS 2023), Datasets and Benchmarks Track. https://doi.org/10.48550/arXiv.2306.05685
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista Científica Arbitrada Multidisciplinaria PENTACIENCIAS
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
