Extracción de Conocimiento mediante IA Conversacional: Una Propuesta de Investigación para la Extensión de LLM

Los Modelos de Lenguaje a Gran Escala (LLMs) demuestran capacidades de razonamiento notables, pero sufren de bases de conocimiento estáticas congeladas en el momento del entrenamiento y la incapacidad de acumular persistentemente nueva información a partir de interacciones. A pesar del progreso en LLMs aumentados con memoria, ningún sistema existente proporciona un marco estructurado e interactivo para resolver los conflictos inevitables que surgen cuando los humanos enseñan conocimiento a una IA mediante diálogo. Esta propuesta de investigación presenta una arquitectura cognitiva novedosa para la extracción de conocimiento donde un LLM congelado construye y mantiene un grafo de conocimiento externo mediante diálogo en lenguaje natural, partiendo de tabula rasa. Introducimos la primera taxonomía jerárquica e interactiva de resolución de conflictos específicamente diseñada para la construcción de grafos de conocimiento guiada por diálogo en arquitecturas con LLM congelados, abordando sistemáticamente cambios temporales de estado, violaciones de cardinalidad, conflictos de canonicalización de entidades y contradicciones lógicas. La arquitectura desacopla el razonamiento (LLM) de la memoria (almacén vectorial híbrido y grafo de propiedades), permitiendo operación agnóstica al modelo mientras mantiene plena explicabilidad mediante representación externa del conocimiento. Este trabajo avanza en IA Explicable al hacer que el modelo mental del sistema sea completamente inspeccionable, corregible y transferible entre diferentes backends de LLM.