Resumen: Las redes de la cadena de suministro son sistemas complejos que son difíciles de analizar; Este problema se exacerba cuando hay actividades ilícitas involucradas en la cadena de suministro, como piezas falsificadas, trabajo forzado o trata de personas. Si bien el aprendizaje automático (ML) puede encontrar patrones en sistemas complejos como las cadenas de suministro, las técnicas tradicionales de ML requieren grandes conjuntos de datos de capacitación. Sin embargo, las cadenas de suministro ilícitas se caracterizan por datos muy escasos, y los datos que están disponibles a menudo son (a propósito) corrompidos o poco confiables para ocultar la naturaleza de las actividades. Necesitamos poder detectar automáticamente nuevos patrones que se correlacionen con dicha actividad ilegal sobre datos complejos, incluso temporales, sin requerir grandes conjuntos de datos de capacitación. Exploramos métodos neuroestimbólicos para identificar casos de actividad ilícita en las cadenas de suministro y comparamos la efectividad de la extracción de características manuales y automatizadas de artículos de noticias que describen con precisión las actividades ilícitas descubiertas por las autoridades. Proponemos un enfoque de árbol de preguntas para consultar un modelo de lenguaje grande (LLM) para identificar y cuantificar la relevancia de los artículos. Esto permite una evaluación sistemática de las diferencias entre la clasificación humana y la máquina de artículos de noticias relacionados con la mano de obra forzada en las cadenas de suministro.
Publicado Originalme en export.arxiv.org El 10 de julio de 2025.
Ver Fuente Original
