Ontologías: la lógica que organiza el conocimiento para la inteligencia artificial

Hay algo que los seres humanos hacemos con una facilidad extraordinaria y que, sin embargo, representa uno de los mayores desafíos para cualquier sistema de inteligencia artificial: organizar el mundo. Basta escuchar una conversación cotidiana para comprenderlo. Cuando alguien menciona "director", "cliente", "proveedor" o "proyecto", rara vez necesita explicar qué significan esos conceptos o cómo se relacionan entre sí. Nuestro cerebro completa automáticamente la información que falta porque ha construido, a lo largo de la vida, una enorme red de conocimiento sobre la realidad. Las máquinas, en cambio, no poseen esa capacidad de manera natural. Para ellas, comprender el mundo requiere que alguien les enseñe no solo las palabras, sino también la lógica que las conecta.

Anteriormente hemos afirmado que una ontología permite representar el conocimiento de una organización mediante conceptos y relaciones claramente definidos. Sin embargo, esa definición apenas revela una parte de su verdadero valor. Una ontología no es simplemente un catálogo de términos ni un glosario más sofisticado. Es una estructura lógica que establece cómo está organizado un determinado dominio del conocimiento y cuáles son las reglas que hacen posible interpretarlo de manera consistente.

Ontologías: por qué las máquinas necesitan organizar el conocimiento

Imaginemos una empresa en la que distintas áreas utilizan palabras diferentes para referirse al mismo concepto. El departamento comercial habla de "clientes", el área financiera utiliza el término "cuentas" y el equipo de soporte menciona "usuarios". Para una persona resulta relativamente sencillo descubrir que, dependiendo del contexto, esas palabras pueden estar describiendo a la misma entidad. Lo hacemos porque entendemos el propósito de cada conversación y porque conocemos las relaciones entre los distintos procesos de una organización. Un sistema informático, en cambio, no puede hacer esa interpretación por intuición. Si nadie le indica que esos conceptos están relacionados, asumirá que se trata de elementos completamente distintos.

Aquí aparece una de las funciones más importantes de las ontologías. Su propósito no consiste únicamente en almacenar definiciones, sino en establecer una visión compartida de la realidad. En lugar de limitarse a decir qué significa una palabra, describen qué representa ese concepto dentro de un sistema, con qué otros conceptos puede relacionarse y bajo qué condiciones esas relaciones tienen sentido. En otras palabras, proporcionan un modelo lógico del mundo que una máquina puede interpretar sin necesidad de hacer suposiciones.

Ontologías y lenguaje compartido: más allá de las palabras

Pensemos ahora en un hospital. Una ontología podría establecer que todo médico es una persona, que todo paciente también lo es, que un médico puede atender a muchos pacientes y que un paciente puede recibir atención de varios médicos a lo largo del tiempo. También podría indicar que una cirugía siempre ocurre dentro de un procedimiento médico y que dicho procedimiento requiere determinados recursos. Estas afirmaciones pueden parecer evidentes para cualquier profesional de la salud, pero representan exactamente el tipo de conocimiento estructurado que un sistema necesita para comprender cómo funciona ese entorno.

Lo interesante es que una ontología no describe únicamente objetos, sino también las reglas que gobiernan sus relaciones. No basta con saber que existe un concepto llamado "empleado" y otro denominado "departamento". También es necesario especificar que un empleado pertenece a un departamento, que un departamento forma parte de una organización y que ciertas responsabilidades solo pueden asignarse a empleados que ocupan determinados cargos. Poco a poco, la representación deja de ser una colección de datos para convertirse en un modelo coherente de la realidad.

Esta capacidad de organizar el conocimiento explica por qué las ontologías desempeñan un papel cada vez más importante en proyectos de transformación digital. Muchas organizaciones poseen enormes cantidades de información, pero esa información suele encontrarse distribuida entre múltiples sistemas que fueron desarrollados en momentos diferentes y con criterios distintos. Cada aplicación utiliza sus propios nombres, estructuras y reglas. Como resultado, integrar esos sistemas se convierte en una tarea costosa y compleja.

Las ontologías ofrecen una alternativa distinta. En lugar de obligar a todos los sistemas a hablar exactamente el mismo lenguaje, proporcionan una estructura común que permite interpretar el significado de la información independientemente de cómo haya sido almacenada originalmente. Es como si distintas personas hablaran idiomas diferentes, pero compartieran un mismo conjunto de ideas perfectamente organizadas. Lo importante deja de ser la palabra utilizada y pasa a ser el concepto que esa palabra representa.

Ontologías para integrar organizaciones complejas

Esta forma de pensar también modifica la manera en que entendemos el desarrollo de sistemas inteligentes. Durante muchos años se asumió que bastaba con almacenar grandes cantidades de datos para construir aplicaciones cada vez más capaces. Sin embargo, la experiencia ha demostrado que disponer de más información no garantiza una mejor comprensión. Dos organizaciones pueden tener exactamente los mismos datos y, aun así, obtener conclusiones completamente diferentes porque interpretan esos datos mediante modelos conceptuales distintos.

En ese sentido, una ontología actúa como una especie de mapa intelectual. No contiene toda la información del territorio, pero sí establece cómo está organizado y cuáles son las relaciones fundamentales entre sus elementos. Gracias a ese mapa, una máquina puede recorrer un dominio del conocimiento sin perder la coherencia en sus interpretaciones. Puede reconocer que un gerente también es un empleado, que todo contrato involucra al menos dos partes o que un producto pertenece a una determinada categoría, incluso cuando esa información no aparece repetida explícitamente en cada registro.

Ontologías como mapas conceptuales para la inteligencia artificial

Quizá el aspecto más fascinante de las ontologías sea que obligan a las organizaciones a reflexionar sobre su propio conocimiento. Construir una ontología no consiste únicamente en diseñar un modelo para una computadora. Es, sobre todo, un ejercicio de claridad conceptual. Requiere que las personas se pongan de acuerdo sobre qué significan realmente los conceptos con los que trabajan todos los días, cuáles son sus límites y cómo se relacionan entre sí. En muchas ocasiones, ese proceso revela inconsistencias que habían permanecido ocultas durante años y permite construir un lenguaje común que mejora tanto la comunicación humana como la integración tecnológica.

Esta característica explica por qué las ontologías ocupan un lugar central en disciplinas tan diversas como la medicina, la ingeniería, la investigación científica, la administración pública o la inteligencia artificial. En todos esos ámbitos existe una necesidad compartida: representar conocimiento complejo de forma que pueda ser entendido, compartido y reutilizado. Cuanto más sofisticados se vuelven los sistemas digitales, más importante resulta disponer de modelos conceptuales sólidos que les permitan interpretar correctamente la información con la que trabajan.

Ontologías y conocimiento: el desafío de comprender el significado

Sin embargo, todavía queda una pregunta abierta. Si una ontología organiza el conocimiento mediante conceptos y relaciones lógicas, ¿significa eso que una máquina realmente comprende su significado? La respuesta no es tan sencilla como podría parecer. Organizar información y comprenderla no son exactamente la misma cosa. Un sistema puede conocer miles de relaciones entre conceptos y, aun así, carecer de una verdadera comprensión del contexto en el que esas relaciones adquieren sentido. Esa diferencia, aparentemente sutil, constituye uno de los grandes desafíos de la inteligencia artificial contemporánea y nos conduce al siguiente paso de este recorrido: comprender por qué el verdadero problema de la inteligencia artificial no consiste únicamente en procesar datos, sino en dotarlos de significado.

Para saber más...

• Ontology Embedding: A Survey of Methods, Applications and Resources
  Chen, J., Mashkova, O., Zhapa-Camacho, F., Hoehndorf, R., He, Y., & Horrocks, I. (2024).
  https://arxiv.org/abs/2406.10964
• The Common Core Ontologies
  Jensen, M., De Colle, G., Kindya, S., et al. (2024).
  https://arxiv.org/abs/2404.17758
• Ontology Engineering to Model the European Cultural Heritage: The Case of Cultural Gems
  Alberti, V., Cocco, C., Consoli, S., Montalto, V., & Panella, F. (2024).
  https://arxiv.org/abs/2402.07351