Graph RAG aplicado a la interpretación y análisis de la cadena de suministro

Abstract

En el contexto de cadenas de suministro globales cada vez más complejas e interconectadas, el rápido acceso a información precisa y explicable es esencial para la eficiencia operativa y la gestión de riesgos. Las herramientas analíticas tradicionales tienen dificultades para abordar las relacionales complejas de los datos de la cadena de suministro, lo que a menudo obliga a los expertos en la materia a depender de especialistas técnicos para extraer conocimiento. Esta tesis presenta el desarrollo y la evaluación de un sistema conversacional basado en Graph Retrieval-Augmented Generation (Graph-RAG), diseñado para reducir esta brecha mediante la integración de un gran modelo de lenguaje (LLM) y una base de conocimiento sobre la cadena de suministro modelada mediante grafos.

El prototipo propuesto recibe consultas de los usuarios en lenguaje natural, las traduce en consultas Cypher sobre el grafo, recupera los datos relevantes de una base de datos Neo4j y genera respuestas fundamentadas en el contexto en inglés sencillo. La solución se desarrolló y probó utilizando un conjunto de datos anonimizado representativo de redes reales de cadenas de suministro y fue evaluada en un conjunto de casos de uso prácticos. Los análisis cuantitativos y cualitativos demuestran que los LLM de última generación pueden generar consultas sobre grafos precisas y respuestas coherentes incluso en escenarios complejos de cadena de suministro. El sistema reduce significativamente la barrera de entrada para que los usuarios no técnicos interactúen con grandes volúmenes de datos heterogéneos de la cadena de suministro, permitiendo así una toma de decisiones más eficiente y transparente.

In the context of increasingly complex and interconnected global supply chains, timely access to accurate and explainable insights is essential for operational efficiency and risk management. Traditional analytical tools struggle to address the relational intricacies of supply chain data, often leaving domain experts dependent on technical specialists to extract actionable knowledge. This thesis presents the development and evaluation of a conversational system based on Graph Retrieval-Augmented Generation (Graph-RAG), designed to bridge this gap by integrating a large language model (LLM) with a graph-structured supply chain knowledge base.

The proposed prototype receives user queries in natural language, translates them into Cypher graph queries, retrieves relevant data from a Neo4j database, and generates contextually grounded answers in plain English. The solution was developed and tested using an anonymized dataset representative of real-world supply chain networks and evaluated on a suite of practical use cases. Quantitative and qualitative analyses demonstrate that state-of-the-art LLMs can generate accurate graph queries and coherent responses for complex supply chain scenarios. The system significantly lowers the barrier for non-technical users to interact with large, heterogeneous supply chain datasets, enabling more efficient and transparent decision-making.