Construcción automática de ontologías utilizando LLMs como una capa externa de memoria

Este trabajo presenta una arquitectura híbrida de IA en la que los modelos de lenguaje grandes (LLMs) se extienden con una capa externa de memoria ontológica. En lugar de depender únicamente del conocimiento paramétrico y la recuperación basada en vectores (RAG), el sistema construye y mantiene un grafo de conocimiento estructurado utilizando representaciones RDF/OWL. La contribución principal es una canalización para la construcción automática de ontologías a partir de datos no estructurados, incluyendo documentos, APIs y registros de diálogo. El sistema extrae entidades y relaciones, las normaliza, las convierte en tripletas, las valida utilizando restricciones SHACL/OWL y actualiza continuamente una base de datos gráfica. Esto crea una representación persistente y verificable del conocimiento que puede ser utilizada por los LLMs durante la inferencia. La arquitectura combina tres componentes complementarios: (1) recuperación basada en vectores para búsqueda por similitud, (2) razonamiento basado en ontologías para comprensión estructurada y aplicación de restricciones, (3) bucles de retroalimentación que extraen hechos de las salidas del modelo e los integran de nuevo en el grafo. Las observaciones experimentales en tareas de planificación (p. ej., Torre de Hanoi) indican que la mejora con ontologías incrementa el rendimiento en escenarios de razonamiento multietapa comparado con sistemas LLM base. Además, la capa de ontología permite la validación formal de respuestas generadas, transformando el sistema de un modelo puramente generativo a una canalización de generación–verificación–corrección. El enfoque propuesto aborda limitaciones clave de los sistemas LLM actuales, incluyendo la falta de memoria a largo plazo, débil comprensión estructural y capacidades limitadas de razonamiento. Proporciona una base para construir sistemas basados en agentes, aplicaciones robóticas y soluciones empresariales de IA que requieren conocimiento persistente, explicabilidad y toma de decisiones fiable. Este trabajo contribuye al paradigma emergente de sistemas de IA aumentados con ontologías, donde los LLM actúan como interfaces sobre conocimiento estructurado en lugar de motores de razonamiento independientes.