Los gráficos de conocimiento pueden ser el eslabón perdido que las empresas necesitan para una IA que funcione

Las organizaciones se enfrentan a un desafío crítico para la adopción de la IA: cómo aprovechar su conocimiento específico del dominio para usar la IA de forma que genere resultados fiables. Los gráficos de conocimiento proporcionan la capa de verdad que faltaba para la IA, transformando los resultados probabilísticos en una aceleración empresarial real.

Introducción

El contexto es lo que da sentido a prácticamente todo. Por lo tanto, todos los gráficos tienen el potencial inherente de aportar más conocimiento o significado, porque ya han dado el primer paso al reconocer la interconectividad y la naturaleza contextual de la información.

Vivimos en un mundo dominado por la IA y los grandes modelos lingüísticos (LLM), y resulta que el contexto y el significado son esenciales para obtener resultados de calidad. Los grafos de conocimiento podrían ser la clave para proporcionar contexto y significado que permitan liberar el potencial de la IA, y la evidencia que lo respalda es cada vez mayor.

Con motivo de la publicación del último Ciclo de Gartner para la Inteligencia Artificial , Svetlana Sicular, vicepresidenta de Investigación de IA de Gartner, señaló que la inversión en IA alcanzó un nuevo récord, con especial atención a la IA generativa. Sin embargo, en la mayoría de los casos, aún no ha generado el valor comercial esperado.

Los Gráficos de Conocimiento son fundamentales para las tecnologías facilitadoras críticas en la lista de tecnologías emergentes de Gartner que los líderes deben considerar como parte de su estrategia. Gartner recomienda los gráficos de conocimiento como elementos cruciales para desarrollar y desarrollar modelos GenAI. Organizaciones como Amazon y Samsung ya utilizan gráficos de conocimiento, y se prevé que el mercado alcance los 6.930 millones de dólares para 2030, con una tasa de crecimiento anual compuesta (TCAC) del 36,6 % .

Gartner lleva los últimos años defendiendo el papel de los grafos de conocimiento en la IA actual y sus efectos posteriores en las organizaciones, ya que ni la tecnología ni la visión son nuevas. La tecnología de grafos de conocimiento existe desde hace décadas , y personas como Tony Seale fueron pioneras en identificar su potencial como capa de verdad para la IA.

Seale, también conocido como "El Chico del Gráfico de Conocimiento", es el fundador de la consultora homónima. La cita anterior proviene de una extensa conversación que abarca desde los principios básicos del gráfico de conocimiento hasta los patrones de aplicación para una IA segura y verificable, la experiencia en el mundo real, las tendencias, las predicciones y el futuro.

De los silos de datos a los datos vinculados y los gráficos de conocimiento

Seale cuenta con décadas de experiencia trabajando con datos en instituciones financieras de primer nivel. Hace unos diez años, trabajaba en otro proyecto ETL para un importante banco de inversión, incorporando datos a un almacén de datos e implementando canalizaciones de datos. Este es un enfoque habitual para satisfacer las necesidades de informes y cumplimiento normativo de las organizaciones. El problema es que no escala ni aporta contexto ni significado .

Entonces Seale se topó con la charla TED de Tim Berners Lee de 2010 sobre Datos Vinculados , y eso lo cambió todo. En 2010, Google apenas se estaba iniciando en los Gráficos de Conocimiento, y el término aún no se había popularizado . Pero la tecnología ya existía, bajo el nombre de Datos Vinculados. La charla TED de TBL fue suficiente para que Seale comprendiera los dos principios clave de los Datos Vinculados y comenzara a experimentar con ellos como alternativa al ETL.

La idea básica de los Datos Vinculados es aplicar la arquitectura general de la World Wide Web a la tarea de compartir datos estructurados a escala global. En resumen, se trata de usar identificadores HTTP para los datos, de modo que se puedan consultar y proporcionar información sobre su significado (semántica) mediante estándares.

Lo que Seale comprendió fue que si la naturaleza descentralizada de este enfoque funcionaba para la web, también lo haría para cualquier organización. En lugar de tener un punto central de integración y control, que es el enfoque de facto de los proyectos ETL y los almacenes de datos, los grafos de conocimiento permiten la escalabilidad mediante la descentralización y los estándares.

Estos son los mismos principios que hacen que la web funcione. No es de extrañar que su inventor quisiera llevarla al siguiente nivel, pasando de una red de documentos a una red de datos. Sin embargo, más allá del acceso a los datos, este enfoque añade semántica. Los puntos de datos, así como los enlaces entre ellos, pueden tener significados y tipos específicos.

El mejor ejemplo de semántica en acción a escala web es schema.org . Schema.org es un esfuerzo colaborativo para definir un vocabulario estándar utilizado por el 30 % de los sitios web y el 72,6 % de las páginas que aparecen en la primera página de Google . Además de definir la semántica mediante estándares, schema.org permite escalar la anotación y la integración mediante la descentralización .

La IA se encuentra con los gráficos de conocimiento

Schema.org es lo que permite a los Google del mundo crear sus gráficos de conocimiento y comprender mejor la web . Es el mismo enfoque con el que Seale empezó a coquetear como un proyecto clandestino en el banco de inversión donde trabajaba entonces, esperando que fracasara. No fue así.

Motivado por el éxito inicial, Seale se convirtió en un apasionado defensor de los grafos de conocimiento e inició varios proyectos relacionados. Cambió de organización en pos de su pasión y, cuando se lanzaron los primeros modelos de lenguaje GPT, estaba estudiando las redes neuronales de grafos como una forma de impulsar la semántica y la anotación necesarias para construir grafos de conocimiento.

Seale empezó a experimentar con los LLM y pronto se convenció de dos cosas: primero, que los LLM tendrían un impacto enorme; segundo, que eran la combinación perfecta para los grafos de conocimiento. Empezó a compartir sus ideas en LinkedIn y se viralizaron. Finalmente, fundó su propia consultoría y ahora trabaja en su implementación con varios clientes.

Todas las organizaciones tendrán que aceptar la realidad de que nos estamos moviendo hacia un mundo más probabilístico. Por lo tanto, todos deben comenzar a usar IA o probablemente desaparecerán. Nos estamos moviendo hacia este nuevo mundo donde las cosas serán probabilísticas y la IA estará integrada en gran parte de la toma de decisiones.

Puede que no te guste o que tengas alguna opinión, pero no le importa. Es una fuerza de la naturaleza, así que más vale que te acostumbres. Entonces la pregunta es: ¿cómo hacerlo de forma segura? Y, en mi opinión, eso se logra mediante la verificación externa —dijo Seale—.

Ese es el núcleo del enfoque que defiende. Incluye patrones con nombres sofisticados, como Gráfico de Memoria de Trabajo y Bucle Neural-Simbólico, y ejemplos que van desde DeepSeek hasta el proyecto Cyc. Pero antes de profundizar en ellos, vale la pena detenerse un momento para comprender los principios básicos.

Primeros principios: Gráficos y gráficos de conocimiento

Entonces, ¿qué diferencia a los grafos de otras estructuras de datos y qué diferencia a los grafos de conocimiento de otros grafos? Podemos abordar esto a nivel de implementación o a nivel de primeros principios.

Independientemente de si hablamos de una hoja de cálculo frente a un mapa mental, de las filas y columnas de una base de datos relacional frente a los nodos y aristas de una base de datos gráfica, o de la teoría de conjuntos frente a la teoría de grafos, hay algo que distingue a los grafos: las conexiones como ciudadanos de primera clase. Pero no todos los grafos se consideran grafos de conocimiento .

Tanto los nodos como las aristas de un grafo pueden ser de diferentes tipos. Un grafo simple puede incluir nodos que representan productos y aristas que representan una relación genérica entre ellos. Un grafo bipartito puede tener dos tipos de nodos: productos y clientes, y aristas que representan qué cliente compró qué producto.

Un grafo heterogéneo puede tener todo tipo de nodos y aristas. Por ejemplo, los nodos representan productos y clientes, y las aristas representan qué cliente compró qué producto y qué producto fue reseñado por qué cliente.

Los grafos son útiles incluso en su nivel más simple. Algoritmos como la búsqueda de rutas y la centralidad pueden ser extremadamente útiles para aplicaciones y análisis, y no requieren grafos heterogéneos.

“Una vez que empiezas a decir, bueno, en realidad no, algunos de estos nodos son cosas diferentes, y las aristas entre ellos son tipos especiales de aristas que significan algo, entonces la complejidad aumenta. La naturaleza de los algoritmos que se pueden ejecutar, incluyendo los algoritmos de aprendizaje automático, cambia. Creo que podríamos decir que este es el nivel básico de lo que es un grafo de conocimiento”, señaló Seale.

Fíjese en la parte de "nivel básico". Hay una historia larga y compleja que se remonta a principios de la década de 2000 y a la Web Semántica . Fue sobre estas ideas, estándares y conjunto de tecnologías que se construyeron los principios de los Datos Vinculados. La "Web Semántica" desapareció, mientras que el "Gráfico de Conocimiento" se popularizó.

Podría decirse que la Web Semántica se adelantó a su tiempo. Muchos esfuerzos de implementación fueron erróneos, y sus promotores no siempre fueron pragmáticos. Sin embargo, como señaló Seale, las redes neuronales también se consideraron un fracaso durante mucho tiempo. El uso de URI como identificadores, así como un vocabulario compartido y un esquema consensuado, siguen siendo las señas de identidad de los grafos de conocimiento y el valor que pueden aportar.

El mundo continuo y el mundo discreto

La estructura y la semántica que aportan los gráficos de conocimiento permiten lograr cosas que simplemente no son posibles con otros tipos de datos o incluso otros gráficos. Seale cree que cada organización debería desarrollar su propia versión de schema.org y usarla para anotar sus datos, creando gráficos de conocimiento que impulsen su IA.

Seale usó DeepSeek como ejemplo para explicar el enfoque del verificador. Como todos los demás, Seale estaba obsesionado con DeepSeek y trataba de descifrar qué hacían. Dejando a un lado los ingeniosos algoritmos y optimizaciones, la clave del éxito de DeepSeek reside en el uso de datos verificables para el aprendizaje por refuerzo: matemáticas y código .

Tomaron todos los datos web, como hace todo el mundo. Pero luego extrajeron solo la información relacionada con las matemáticas y la programación. Con eso, se puede crear un verificador externo.

"Puedes revisar las matemáticas o el código, luego la respuesta final y comprobar si es correcta. Después, puedes enviar esa información al LLM y pedirle que la revise, y luego compararla con el verificador formal externo. Esto añade control de calidad al modelo probabilístico", explicó Seale.

Seale luego profundizó en lo que él llama el mundo continuo y el mundo discreto . En el mundo continuo, todo es probabilístico, todo es difuso, y ahí es donde se encuentran estos modelos de IA generativa. Una cosa se funde con otra y se producen alucinaciones. Pero la otra cara de esto, según Seale, es que hay algo parecido a la creatividad.

En el mundo tradicional de la IA , existe la leyenda del Proyecto Cyc . Cyc es un proyecto de IA enormemente ambicioso, cuyo objetivo es codificar el conocimiento general sobre el mundo de forma formal. Seale siente un gran respeto por Cyc. Sin embargo, señaló que Cyc no tuvo ni podría tener éxito, mientras que los modelos de IA generativa sí lo tienen, a su manera. Sin embargo, presentan sus propias desventajas.

No se puede confiar en los modelos de IA generativa, lo que los hace inadecuados para su adopción empresarial en ámbitos como las finanzas, el derecho o la medicina. En ámbitos como las matemáticas o la programación, es posible verificar los resultados formalmente. ¿Y si hubiera una manera de hacerlo también en otros ámbitos? Seale cree que sí, y las claves son los grafos de conocimiento y la ontología.

El auge de la ontología

Hemos mencionado schema.org, así como el concepto general de esquema. Los esquemas suelen asociarse con bases de datos relacionales , donde definen la estructura y organización de los datos. Los grafos también pueden tener esquemas. Los esquemas para grafos de conocimiento se denominan ontologías, aunque el término "esquema" no les hace justicia .

Las ontologías van más allá de los esquemas al permitir el modelado de constructos como jerarquías de herencia o axiomas lógicos. Pueden capturar no solo la estructura y organización de los datos, sino también aspectos como las reglas de negocio y el conocimiento del dominio.

La clave está en acercarse lo más posible a la semántica del negocio. Se trata de tomar las palabras que usan los empresarios dentro de una organización determinada y convertirlas en conceptos formales para ser realmente específicos sobre lo que son, y luego conectar los conceptos de manera que se interrelacionen entre sí con aristas específicas, explicó Seale.

Desarrollar una ontología no es fácil. Requiere acceso al conocimiento del dominio, que suele estar disperso, parcialmente documentado y comprendido, y es objeto de controversia entre expertos. También requiere experiencia en modelado ontológico y las herramientas adecuadas.

Por eso, si bien el modelado ontológico lleva décadas existiendo , nunca se generalizó. Seale cree, sin embargo, que esto está cambiando, y es posible que existan pruebas circunstanciales que lo respalden.

En Google Trends, "Gráfico de Conocimiento" ha experimentado un aumento del 3,450 % en los últimos 5 años. En el repositorio dedicado al Año del Gráfico , las referencias a la ontología desde 2022 se han más que duplicado, tanto en cantidad como en variedad de fuentes. Además, el propio éxito de Seale se está convirtiendo en un ejemplo de la viralidad de los gráficos de conocimiento.

El bucle neuronal-simbólico

Existe una relación bidireccional entre los grafos de conocimiento y las ontologías y los LLM. Estos últimos pueden facilitar el desarrollo de ontologías y la población de grafos de conocimiento. Seale comentó haber tenido una buena experiencia con los LLM para este fin, pero la experiencia puede variar. En cualquier caso, estas herramientas están diseñadas para apoyar a los expertos, no para automatizar completamente la tarea.

Sin embargo, lo realmente interesante ocurre al revés: las ontologías y los grafos de conocimiento actúan como verificadores, esencialmente una capa de verdad, para los LLM. Seale lo denomina el patrón de grafo de memoria de trabajo para los LLM .

En el Grafo de Memoria de Trabajo, la ontología sintetiza el conocimiento del dominio, y el grafo de conocimiento funciona como una base de datos específica y privada de la organización. Los LLM actúan como mediadores y aportan la exploración y la creatividad, permitiendo además el acceso al conocimiento no estructurado. Este puede ser conocimiento general sintetizado en el LLM o conocimiento específico del dominio mediante RAG .

El grafo de memoria de trabajo forma parte de un patrón más amplio que Seale denomina bucle neuronal-simbólico . En este, el grafo de memoria de trabajo actúa como verificador en los dominios donde se requiere verificación. La idea es posibilitar en cada dominio lo que es posible para las matemáticas o el código: verificar la exactitud de los resultados generados por los LLM.

Claramente, esto es mucho más difícil de lograr en ámbitos más allá de las matemáticas o la programación. El esfuerzo y la experiencia necesarios para construir ontologías y grafos de conocimiento siguen siendo considerables, y los resultados podrían no ser tan claros. Pero es posible, y Seale está convencido de que es la mejor manera de lograr una capa de verdad para la IA.

El enfoque pragmático de la IA: de la teoría a la implementación

La IA ha despegado como un cohete. Prácticamente no hay nada que se pueda hacer para detenerla. De todas formas, ya está sucediendo. Así que, en cualquier organización, se podrá importar esta inteligencia general. Es inteligente por ahora, quizá no superinteligente, pero lo será en los próximos 5 a 10 años.

Tienes esta pequeña ventana de tiempo. Lo que necesitas hacer es llevar la IA al contexto de nuestra organización y concentrarte en la base del iceberg de la IA, que son los datos. Por lo tanto, necesitas aprovechar el poder que tienes en los modelos que tienes ahora mismo y enfocarlo de nuevo en los datos que tienes.

Es necesario depurar y consolidar los datos para que sean un verificador externo eficaz. Es necesario saber qué información vale $0,001, qué información solo usted tiene y cuál es el valor que aporta. Es necesario hacerlo ahora, porque, en mi opinión, es la única opción disponible", dijo Seale.

Seale también compartió algunas predicciones para 2025 : la compresión de datos, los grafos de conocimiento como base de la estructura de datos, GraphRAG mediante ontologías y la aproximación del razonamiento formal mediante LLM de razonamiento. Para una conversación a fondo sobre estos temas, consulte el episodio del podcast. En general, Seale cree que la IA está muy sobrevalorada a corto plazo, pero muy infravalorada a largo plazo.

Seale trabaja en la aplicación de gráficos de conocimiento y ontologías a organizaciones que ya están preparadas. Sin embargo, esto tiene un coste y no se puede adaptar a todos. Además, ninguna consultora podrá jamás realizar toda la formación ni el trabajo fundamental con los datos que se necesita.

El enfoque pragmático de IA cierra esta brecha al educar sobre los principios de los datos, la gestión, la gobernanza, el modelado y la ciencia de datos. Posteriormente, el conocimiento del dominio exclusivo de las organizaciones puede aprovecharse para construir sistemas de IA basados en datos confiables y verificados.

Entrenamiento pragmático en IA

El curso de IA Pragmática proporciona a ejecutivos, gerentes, emprendedores, consultores y creativos los conocimientos básicos y la experiencia práctica necesarios para desarrollar sistemas de IA que aporten valor real al negocio. Empiece con lo básico y comience a crear la capa de verdad de su organización para obtener una ventaja competitiva en la era de la IA.