Las ontologías hacen explícitos los significados y las relaciones, pero no corrigen automáticamente los datos ni garantizan una IA responsable. La calidad requiere controles medibles; la gobernanza, responsabilidades, trazabilidad, gestión de cambios y supervisión a lo largo del ciclo de vida.
El problema: la estructura no garantiza la calidad
Una empresa puede construir un grafo de conocimiento bien organizado y seguir teniendo datos incorrectos, incompletos, duplicados o desactualizados. La ontología ayuda a definir qué significa cada campo y cómo se relaciona con otros conceptos; no demuestra que cada registro refleje correctamente el mundo o que la fuente sea confiable.
La calidad de datos debe evaluarse con criterios explícitos: completitud, exactitud, consistencia, actualidad, unicidad y adecuación al uso. No todas las dimensiones son igualmente importantes en todos los procesos. Una dirección incompleta puede ser crítica para logística y poco relevante para un análisis agregado; el umbral de calidad depende del impacto de la decisión.
Cómo ayuda una ontología a hacer visibles los problemas
Cuando los conceptos y relaciones están explícitos, es más fácil identificar restricciones incumplidas, valores incompatibles y entidades que no encajan en el modelo. Por ejemplo, si una instalación debe pertenecer a una región administrativa y aparece sin esa relación, una validación puede marcar el registro. Si una certificación está vinculada a un proveedor pero carece de fecha de vigencia, el sistema puede señalar una carencia.
Estos controles no siempre son inferencias de una ontología OWL. Algunas validaciones requieren reglas de negocio, reglas de calidad, consultas o procedimientos específicos. Es importante documentar qué componente detecta cada problema, qué significa el resultado y quién debe resolverlo.
De la calidad de datos a la gobernanza de IA
La gobernanza de IA es más amplia que el modelado semántico. Incluye asignación de responsabilidades, evaluación de riesgos, políticas de acceso, supervisión, documentación, monitoreo y mecanismos de corrección a lo largo del ciclo de vida. El marco de gestión de riesgos de IA del NIST ofrece una referencia organizativa para identificar, evaluar y gestionar riesgos; no sustituye las decisiones de gobierno propias de cada organización (NIST, 2023).
La gobernanza debe cubrir el conjunto sociotécnico: datos, modelos, herramientas, personas, procesos y contexto de uso. Un dato puede ser técnicamente válido y aun así no ser apropiado para una decisión concreta. También puede haber sesgos de cobertura, restricciones legales o riesgos derivados de combinar fuentes que por separado parecían aceptables.
La orquestación como integración de controles
La capa de orquestación cognitiva puede integrar controles en el flujo operativo: verificar permisos antes de consultar una fuente, registrar qué documentos llegaron al modelo, comprobar que una regla vigente se aplicó, validar formatos de salida y escalar una decisión de alto impacto. La utilidad consiste en coordinar y hacer observables esos controles, no en declarar que la IA está gobernada solo porque existe una capa técnica.
Los registros deben permitir reconstruir qué ocurrió: qué usuario o proceso inició la tarea, qué versión de modelo y reglas se utilizó, qué contexto se recuperó, qué herramientas se llamaron, qué resultado se produjo y si una persona intervino. El nivel de registro debe respetar seguridad, privacidad, retención y proporcionalidad.
MatrIA: conocimiento territorial sin promesas de gobernanza automática
MatrIA es una propuesta tecnológica de Celestial Dynamics, desarrollada desde su Laboratorio Tecnológico de Ciencia Aplicada, orientada a organizar conocimiento territorial mediante grafos y representaciones híbridas. En este artículo sirve para ilustrar cómo relaciones explícitas pueden ayudar a detectar inconsistencias entre entidades, lugares y fuentes. Eso no equivale a certificar la calidad de todos los datos ni a garantizar que las decisiones derivadas sean correctas.
Si una organización usa información territorial para decisiones, debe comprobar la procedencia, fecha, resolución geográfica, cobertura y licencias de cada fuente. La capa de orquestación puede registrar estas comprobaciones y coordinar validaciones; la responsabilidad de definir umbrales, resolver errores y aprobar usos corresponde a los responsables de datos y de negocio.
Un modelo operativo de mejora continua
La gobernanza efectiva necesita un ciclo de trabajo: definir estándares; medir la calidad; detectar desviaciones; asignar responsables; corregir o documentar excepciones; evaluar efectos sobre modelos y procesos; y revisar controles. Las métricas deben estar vinculadas al riesgo: no basta con contar errores si no se sabe qué decisiones pueden afectar.
Antes de poner un sistema en producción, la organización debe definir quién responde por las fuentes, quién aprueba las reglas, quién evalúa resultados, cuándo se detiene una automatización y cómo se notifican incidentes. La orquestación facilita ejecutar y registrar partes de ese ciclo, pero no reemplaza la estructura de responsabilidad.
Caso: un indicador territorial que alimenta decisiones comerciales
El sistema combina ubicaciones de establecimientos, actividad económica y registros internos. El control de calidad revisa duplicados, fechas, cobertura y procedencia; el modelo semántico declara cómo se relacionan las entidades. La orquestación registra fuentes y validaciones. Si la geografía es imprecisa o la fuente está desactualizada, el resultado se etiqueta como insuficiente y no se presenta como evidencia concluyente.
En síntesis
- Definir dimensiones de calidad según el uso.
- Registrar fuente, fecha, responsable y restricciones.
- Separar validación semántica de validación de calidad.
- Asignar responsables para corregir y aprobar excepciones.
- Integrar permisos, registros y supervisión en los flujos.
- Evaluar riesgos y resultados durante todo el ciclo de vida.
Referencias
- National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.100-1
- World Wide Web Consortium. (2014). RDF 1.1 Concepts and Abstract Syntax. W3C Recommendation. https://www.w3.org/TR/rdf11-concepts/
Preguntas frecuentes
¿Una ontología mejora automáticamente la calidad de los datos?
No. Puede explicitar significados y restricciones que ayudan a detectar algunos problemas, pero necesita reglas, datos fiables y procesos de corrección.
¿La calidad de datos es lo mismo que la gobernanza de IA?
No. La calidad de datos es una parte del sistema de control; la gobernanza abarca además responsabilidades, riesgos, permisos, supervisión y gestión del ciclo de vida.
¿La capa de orquestación garantiza una IA responsable?
No por sí sola. Puede coordinar controles y registrar acciones, pero la responsabilidad requiere políticas, evaluación, supervisión y responsables definidos.
¿Qué papel tiene MatrIA en este tema?
Puede ilustrar el uso de grafos y conocimiento territorial para conectar entidades y fuentes; no debe presentarse como garantía automática de calidad o gobernanza.
