Ontologías y grafos de conocimiento: el contexto que necesita la inteligencia artificial

Cuando una persona escucha la frase "el director aprobó el proyecto", comprende mucho más de lo que esas cinco palabras expresan. Sabe que existe una organización, que el director ocupa un determinado cargo dentro de ella, que un proyecto implica objetivos, recursos y responsables, y que aprobar un proyecto probablemente desencadene nuevas actividades. Nada de esa información aparece escrita en la oración, pero forma parte del conocimiento que las personas utilizamos para interpretar la realidad. Comprender consiste, en buena medida, en completar aquello que no está dicho de manera explícita. Esa capacidad depende del contexto.

Ya hemos recorrido un camino que comenzó con una pregunta aparentemente sencilla: ¿cómo representamos el conocimiento? Descubrimos que los datos por sí solos carecen de significado, que el conocimiento surge cuando identificamos relaciones, que los grafos permiten representar esas relaciones y que las ontologías proporcionan una estructura lógica para organizar los conceptos de un determinado dominio. Sin embargo, todavía quedaba una cuestión abierta. ¿Cómo puede una inteligencia artificial utilizar todo ese conocimiento para interpretar situaciones nuevas y generar respuestas coherentes? La respuesta se encuentra precisamente en el contexto.

Ontologías y grafos de conocimiento: el contexto hace la diferencia

En la vida cotidiana pocas veces interpretamos un hecho de manera aislada. Si un médico observa el resultado de un análisis clínico, no lo evalúa como un dato independiente. Lo relaciona con la edad del paciente, sus antecedentes médicos, los síntomas que presenta, los medicamentos que consume y muchas otras variables. Un abogado interpreta un contrato considerando la legislación vigente, las cláusulas del documento y las circunstancias particulares del caso. Un gerente analiza un indicador financiero teniendo en cuenta el comportamiento del mercado, los objetivos de la empresa y la evolución histórica del negocio. En todos estos ejemplos, el conocimiento no reside únicamente en los datos, sino en la red de relaciones que les da sentido.

Las máquinas enfrentan exactamente el mismo desafío. Un sistema de inteligencia artificial puede recibir millones de registros, documentos o imágenes, pero si carece del contexto necesario para interpretarlos, sus conclusiones pueden resultar incompletas o incluso equivocadas. Disponer de más información no resuelve automáticamente este problema. En muchas ocasiones sucede lo contrario: cuanto mayor es el volumen de datos, más importante se vuelve contar con una estructura que permita organizarlos e interpretarlos de manera consistente.

El contexto convierte los datos en conocimiento

Aquí es donde los grafos de conocimiento y las ontologías comienzan a trabajar de forma complementaria. Aunque suelen mencionarse juntos, desempeñan funciones distintas. La ontología establece el significado de los conceptos y define las reglas que describen cómo pueden relacionarse. El grafo de conocimiento, por su parte, representa instancias concretas de esos conceptos y las múltiples conexiones que existen entre ellas. La ontología aporta el marco conceptual; el grafo refleja la realidad específica sobre la que un sistema necesita razonar.

Podemos imaginar una ciudad y su mapa. La ontología sería semejante al conjunto de reglas que explican qué es una calle, qué es una avenida, qué representa un hospital o cómo se define una intersección. El grafo de conocimiento equivaldría al mapa completo de esa ciudad, con todas sus calles, edificios, rutas y conexiones particulares. Uno proporciona el lenguaje para describir el territorio; el otro muestra cómo ese territorio está organizado en un caso concreto. Separados resultan útiles, pero juntos adquieren una enorme capacidad para representar conocimiento complejo.

Cómo trabajan juntos las ontologías y los grafos de conocimiento

Esta combinación permite que una inteligencia artificial no se limite a recuperar información, sino que pueda recorrer relaciones y descubrir conexiones que no aparecen explícitamente escritas en un documento. Si un sistema conoce que una persona pertenece a un departamento, que ese departamento participa en un proyecto y que dicho proyecto utiliza determinada tecnología, puede establecer vínculos entre esos elementos y responder preguntas que ningún registro individual contiene por sí mismo. El conocimiento deja de estar fragmentado y comienza a comportarse como una red interconectada.

La importancia de este enfoque se vuelve especialmente evidente dentro de las organizaciones. Con frecuencia, la información se encuentra distribuida entre sistemas independientes: un programa administra las ventas, otro controla las finanzas, un tercero gestiona el inventario y un cuarto almacena la información de recursos humanos. Cada aplicación fue diseñada para resolver un problema específico y, por ello, utiliza sus propias estructuras y terminología. Cuando una organización intenta obtener una visión integral de su operación descubre que la dificultad no radica únicamente en integrar bases de datos, sino en integrar significados.

Los grafos de conocimiento permiten conectar información procedente de fuentes diversas, mientras que las ontologías garantizan que esas conexiones mantengan una interpretación consistente. Gracias a ello, una inteligencia artificial puede responder preguntas que atraviesan múltiples áreas de una organización, relacionar información que originalmente estaba dispersa y ofrecer explicaciones mucho más cercanas a la forma en que razona una persona. El valor no proviene únicamente de la cantidad de datos disponibles, sino de la calidad de las relaciones que pueden establecerse entre ellos.

El razonamiento contextual dentro de las organizaciones

Este enfoque también modifica la manera en que entendemos el aprendizaje de las máquinas. Tradicionalmente se ha pensado que un sistema inteligente mejora únicamente porque procesa más información. Sin embargo, el verdadero progreso ocurre cuando esa información puede situarse dentro de un contexto que le otorgue significado. Aprender no consiste solo en acumular hechos; consiste en comprender cómo esos hechos se relacionan entre sí y qué implicaciones tienen dentro de un determinado dominio del conocimiento.

Por esa razón, cada vez más proyectos de inteligencia artificial incorporan representaciones semánticas como parte fundamental de su arquitectura. Los modelos capaces de generar texto, responder preguntas o apoyar procesos de decisión obtienen mejores resultados cuando pueden acceder a conocimiento estructurado y contextualizado. La combinación entre aprendizaje estadístico y representación explícita del conocimiento permite reducir ambigüedades, mejorar la trazabilidad de las respuestas y ofrecer explicaciones más comprensibles para las personas que interactúan con el sistema.

Del contexto al razonamiento inteligente

Quizá la idea más importante de todo este recorrido sea que la inteligencia artificial no necesita únicamente más datos. Necesita mejores modelos para interpretar esos datos. Del mismo modo que las personas entendemos el mundo estableciendo relaciones entre conceptos, experiencias y contextos, las máquinas requieren estructuras que les permitan organizar el conocimiento antes de intentar razonar sobre él. Las ontologías proporcionan el significado; los grafos de conocimiento hacen visibles las relaciones; juntos crean el contexto necesario para que una inteligencia artificial pueda construir interpretaciones cada vez más coherentes.

Hasta aquí concluimos con algo importante. Hemos pasado de comprender por qué los seres humanos construimos modelos para entender la realidad a descubrir cómo esos mismos principios permiten desarrollar sistemas capaces de representar, organizar e interpretar conocimiento. A partir de aquí se abre una nueva pregunta, quizá la más interesante de todas: si una inteligencia artificial dispone de conocimiento estructurado y contextualizado, ¿puede utilizarlo para inferir información nueva y razonar de una forma cada vez más cercana al pensamiento humano? Ya nos tocará reflexionar sobre el tema.

Para saber más...

• Ji, S., Pan, S., Cambria, E., Marttinen, P., & Yu, P. S. (2022)
  A Survey on Knowledge Graphs: Representation, Acquisition and Applications
  https://arxiv.org/abs/2002.00388
• DeLong, L. N., Fernández Mir, R., & Fleuriot, J. D. (2023)
  Neurosymbolic AI for Reasoning over Knowledge Graphs: A Survey
  https://arxiv.org/abs/2302.07200
• Liang, K., Meng, L., Liu, M., et al. (2022)
  A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal
  https://arxiv.org/abs/2212.05767