Knowledge management with graphs in finance and legislation

The transformative role of Knowledge Graphs in modern knowledge management systems has been unlocking novel opportunities and research directions both in the scientific and industrial worlds, especially in the wake of generative Artificial Intelligence tools. The flexibility of representing interconnected knowledge in an easily explorable graph, combined with rich semantics, is compelling for creating more effective pipelines to knowledge-intensive applications that manage and consume knowledge coming from multiple sources. Among these, automated reasoning is a powerful tool for deriving novel, relevant knowledge by applying inference rules, possibly in a recursive fashion, leveraging the graph's semantics and interconnected structure. There is no strict definition of Knowledge Graphs, although the scientific literature is converging on a paradigm for modeling highly interconnected knowledge, enhancing the role of relationships among data as first-class citizens. This thesis contributes to advancing knowledge management with graphs from two perspectives; on one side, inspired by the resurgence of logic-based languages for expressing intuitive business rules traversing knowledge natively expressed through graphs, it demonstrates the power of such paradigms in expressing complex business rules and definitions, modeling complex financial domains that lacked a declarative implementation, thus resulting obscure for non-technical users. Following this line, it also demonstrates how declarative models can synergize with generative AI to fully unlock transparency in reasoning processes by providing natural language explanations of inferred facts. While reasoning over graphs can be effectively executed through logic-based paradigms, the underlying data are stored within graph databases, whose most native data model is the Property Graph (PG) model. This data model has recently been empowered with an international standard for queries, the Graph Query Language (GQL), and proposals of common graph database tools, such as schemas, keys, and triggers are being developed. Following this line, this thesis contributes to these efforts by proposing an approach for injecting reasoning capabilities within graph databases, by replicating the behavior of logic-based inference with PG tools. In the second part of the thesis, domain-specific graph applications are considered to demonstrate the transformative power of graphs and the adoption of the Property Graph data model as a paradigm to reshape knowledge management. In particular, the thesis focuses on the possibility of capturing the complexities of the legislative system within highly interconnected graphs, going beyond the unstructured nature of normative acts. Such a proposal enhances both knowledge management and discovery, especially when considering recently introduced AI-based applications and agents, for tasks as navigation of the intricacies of normative acts, allowing users to receive more informative and contextualized answers. The results of this thesis are part of a broad vision that demonstrates how adopting a graph data model is beneficial in multiple directions: it allows an easy implementation of reasoning applications, enabling higher levels of transparency in automated decision processes, providing, at the same time, an effective tool to enhance knowledge discovery especially in the wake of novel AI tools, whose power can be unlocked by the adoption of graph solutions, as for the legal domain.

Il ruolo trasformativo dei Knowledge Graphs nei moderni sistemi di gestione della conoscenza sta aprendo nuove opportunità e direzioni di ricerca sia nel mondo scientifico che in quello industriale, soprattutto alla luce dell’emergere degli strumenti di Intelligenza Artificiale generativa. La flessibilità nel rappresentare conoscenza interconnessa in un grafo facilmente esplorabile, unita alla ricchezza semantica, risulta particolarmente efficace nella creazione di pipeline più performanti per applicazioni knowledge-intensive, capaci di gestire e consumare conoscenza proveniente da fonti multiple. Tra queste, il ragionamento automatico si configura come uno strumento potente per derivare nuova conoscenza rilevante, applicando regole di inferenza — anche in maniera ricorsiva — e sfruttando la semantica e la struttura interconnessa del grafo. Non esiste una definizione univoca di Knowledge Graphs, sebbene la letteratura scientifica stia convergendo verso un paradigma di modellazione della conoscenza fortemente interconnessa, che valorizza le relazioni tra i dati come entità di primo livello. Questa tesi contribuisce all’avanzamento della gestione della conoscenza mediante grafi da due prospettive. Da un lato, ispirandosi alla rinascita dei linguaggi basati sulla logica per l’espressione di regole di business intuitive su conoscenza nativamente rappresentata attraverso grafi, essa dimostra la potenza di tali paradigmi nel modellare regole e definizioni complesse, applicate in domini finanziari caratterizzati dalla mancanza di implementazioni dichiarative e quindi poco trasparenti per gli utenti non tecnici. In questa linea, viene mostrato come i modelli dichiarativi possano sinergizzare con l’IA generativa per sbloccare appieno la trasparenza nei processi di ragionamento, fornendo spiegazioni in linguaggio naturale dei fatti inferiti. Se il ragionamento sui grafi può essere efficacemente eseguito mediante paradigmi logici, i dati sottostanti risiedono all’interno dei graph databases, il cui modello più nativo è quello dei Property Graphs (PG). Tale modello è stato recentemente potenziato con uno standard internazionale per le query, il Graph Query Language (GQL), e sono in fase di sviluppo proposte di strumenti comuni per database a grafo, come schemi, chiavi e trigger. In questa direzione, la tesi contribuisce proponendo un approccio per integrare capacità di ragionamento all’interno dei database a grafo, replicando il comportamento dell’inferenza logica con strumenti del modello PG. Nella seconda parte della tesi vengono considerate applicazioni a grafo specifiche di dominio per dimostrare il potere trasformativo dei grafi e l’adozione del modello Property Graph come paradigma in grado di ridefinire la gestione della conoscenza. In particolare, si esplora la possibilità di catturare la complessità del sistema legislativo all’interno di grafi altamente interconnessi, andando oltre la natura non strutturata degli atti normativi. Una simile proposta arricchisce sia la gestione sia la scoperta della conoscenza, soprattutto in relazione alle recenti applicazioni e agenti basati sull’IA, per compiti come la navigazione tra le complessità degli atti normativi, permettendo agli utenti di ricevere risposte più informative e contestualizzate. I risultati di questa tesi si inseriscono in una visione ampia che dimostra come l’adozione di un modello a grafo sia vantaggiosa in molteplici direzioni: consente un’implementazione agevole delle applicazioni di ragionamento, abilita livelli più elevati di trasparenza nei processi decisionali automatizzati e, al contempo, fornisce uno strumento efficace per potenziare la scoperta della conoscenza, specialmente alla luce dei nuovi strumenti di IA, il cui potenziale può essere pienamente liberato grazie all’adozione di soluzioni a grafo, come nel caso del dominio legale.