Modelos de Lenguaje Aumentados con Conocimiento Formal para un Razonamiento Explicable y Robusto

Los Grandes Modelos de Lenguaje (LLMs) sobresalen en muchas tareas, pero a menudo tienen dificultades con el razonamiento complejo y de múltiples pasos, lo que conduce a inconsistencias y alucinaciones. Por consiguiente, proponemos un marco de integración neuro-simbólica que mejora el razonamiento de los LLM incorporando conocimiento formal —como reglas lógicas, ontologías y grafos de conocimiento— en su proceso de Cadena de Pensamiento (CoT). Nuestro enfoque recupera e integra información simbólica para guiar la inferencia lógica, resultando en salidas más precisas e interpretables. Experimentos en benchmarks de razonamiento composicional demuestran mejoras significativas sobre métodos estándar de LLM. Este trabajo resalta el potencial de la integración neuro-simbólica para desarrollar sistemas de IA más confiables y explicables en aplicaciones de alta criticidad.