Integración predicativa: El puente entre los dos enfoques

¿Qué es Integración predicativa?

El aprendizaje en sistemas de IA puede beneficiarse de la integración de tecnologías de Linked Data, asociadas a los grafos de conocimiento, con enfoques que utilizan técnicas de aprendizaje automático y aprendizaje profundo, entre las que destacan, por sus capacidades, las tecnologías generativas GPT (Generative Pre-trained Transformer).

Las primeras pueden agregar hechos a entidades reconocidas como equivalentes, mientras que las segundas pueden ayudar a integrar nuevos hechos identificados mediante patrones estadísticos. A esta operación la hemos denominado integración predicativa, y constituye la base para poder extender los grafos de conocimiento y consolidar e interpretar ontológicamente el aprendizaje inductivo de manera que resulte posible desarrollar sobre él operaciones que contengan lógica.

Esta integración predicativa es bidireccional y beneficia tanto a los grafos de conocimiento como a los LLMs. Por un lado, permite utilizar los LLMs para enriquecer los grafos de conocimiento con nuevos hechos y relaciones descubiertos a través del análisis de patrones en grandes volúmenes de texto. Por otro lado, los grafos de conocimiento proporcionan el contexto y la estructura semántica necesarios para mejorar el desempeño de los LLMs y evitar las alucinaciones.

Esta operación permite integrar los resultados de la IA subsimbólica (probabilística) en un grafo de conocimiento por medio de su interpretación ontológica, lo que posibilita consolidar los resultados de la IA subsimbólica como axiomas de los procesos de inferencia. A la inversa, permite integrar los beneficios de la IA simbólica en la subsimbólica, dotando de contexto a los LLMs para mejorar su coherencia y precisión.

LLMs para Grafos de Conocimiento: Mejorando los grafos con IA generativa

Los modelos de lenguaje grandes están ganando cada vez más popularidad por su capacidad de automatizar y optimizar procesos en diversos dominios. En el contexto de los grafos de conocimiento, los LLMs ofrecen una ayuda significativa mejorando la extracción de información y conocimiento a partir de grandes volúmenes de datos.

En primer lugar, pueden identificar automáticamente entidades en textos no estructurados mediante reconocimiento de entidades, lo que permite crear nuevos nodos en el grafo de conocimiento. Una vez identificadas estas entidades, los LLMs pueden utilizarse para detectar y extraer las relaciones entre ellas mencionadas en el texto, enriqueciendo la estructura relacional del grafo. Además de identificar entidades y relaciones, pueden extraer atributos asociados con las entidades, completando su representación dentro del grafo.

Los LLMs también facilitan el procesamiento de consultas en lenguaje natural, permitiendo la obtención de información relevante del grafo de conocimiento. Esta capacidad transforma preguntas expresadas de forma natural en consultas estructuradas que extraen respuestas precisas del grafo. Como resultado, los usuarios pueden explorar y navegar por el grafo de manera más intuitiva y eficiente gracias a la interfaz conversacional que permiten los LLMs.

Finalmente, son herramientas valiosas para integrar y desambiguar datos y entidades provenientes de múltiples fuentes en el grafo de conocimiento. Pueden identificar entidades que, aunque mencionadas con nombres diferentes, se refieren a la misma entidad en términos semánticos, ayudando a resolver problemas de ambigüedad o duplicidad de datos mediante desambiguación de entidades.

Grafos de Conocimiento para LLMs: Aportando contexto y significado

Sin embargo, es importante reconocer las limitaciones de la IA generativa por sí sola. Los LLMs, aunque impresionantes en su capacidad para generar lenguaje, carecen de memoria y de capacidad simbólica real y, por tanto, no pueden evaluar problemas en su contexto completo ni producir respuestas basadas en cadenas lógicas de razonamiento.

Para avanzar hacia una IA más robusta y significativa, se requiere superar estas limitaciones incorporando el significado, el razonamiento lógico y la capacidad de aprender en contexto. Solo de ese modo es posible desarrollar una IA Auditable, trazable y reproducible por terceras partes, tal y como señalan la Estrategia Nacional de IA o la Ley Europea de IA.

Los grafos de conocimiento contribuyen a optimizar el desempeño de los LLMs en tres momentos críticos del proceso.

1. Antes de procesar las indicaciones

Los grafos de conocimiento proporcionan un marco semántico que permite a los LLMs comprender con mayor precisión el contexto del texto mediante la estandarización y vinculación de entidades. Además, pueden complementar las indicaciones añadiendo información complementaria, como las relaciones relevantes entre entidades identificadas.

2. Durante el procesamiento de indicaciones

En escenarios donde las indicaciones provienen de dominios en los que los LLMs muestran limitaciones, los grafos de conocimiento pueden proporcionar fuentes de datos adicionales para el ajuste fino del modelo.

3. Después de procesar las indicaciones

Una vez que el LLM ha generado su respuesta, el grafo de conocimiento puede realizar una corrección de conocimiento, estabilizando y enriqueciendo el resultado mediante la combinación de entidades, relaciones y atributos representados en el grafo. Además, problemas como las alucinaciones o vínculos incorrectos pueden mitigarse al contrastar la información generada con las relaciones explícitas del grafo. Por último, el grafo de conocimiento también desempeña un papel fundamental en la búsqueda de fuentes: si una fuente aparece vinculada a atributos o entidades del grafo, puede integrarse directamente en la respuesta.

Uno de los principales desafíos de este enfoque es lograr que los sistemas sean capaces de reconocer entidades desconocidas e integrarlas de manera coherente en su grafo de conocimiento. Al hacerlo, este enfoque transforma información dispersa en conocimiento estructurado, accesible y contextualizado. Es precisamente esta capacidad la que permite afirmar que puede considerarse IA Neurosimbólica, ya que dispone de las herramientas necesarias para generar contextos y enlazar información de manera autónoma y automática.