Construção Automática de Ontologias Usando LLMs como uma Camada Externa de Memória

Este trabalho apresenta uma arquitetura híbrida de IA na qual grandes modelos de linguagem (LLMs) são estendidos com uma camada externa de memória ontológica. Em vez de depender exclusivamente do conhecimento paramétrico e da recuperação baseada em vetores (RAG), o sistema constrói e mantém um grafo de conhecimento estruturado usando representações RDF/OWL. A principal contribuição é um pipeline para a construção automática de ontologias a partir de dados não estruturados, incluindo documentos, APIs e registros de diálogo. O sistema extrai entidades e relações, as normaliza, as converte em triplas, valida usando restrições SHACL/OWL e atualiza continuamente um banco de dados gráfico. Isso cria uma representação persistente e verificável do conhecimento que pode ser utilizada pelos LLMs durante a inferência. A arquitetura combina três componentes complementares: (1) recuperação baseada em vetores para busca por similaridade, (2) raciocínio baseado em ontologias para compreensão estruturada e aplicação de restrições, (3) ciclos de feedback que extraem fatos das saídas do modelo e os integram de volta ao grafo. Observações experimentais em tarefas de planejamento (por exemplo, Torre de Hanói) indicam que a ampliação com ontologia melhora o desempenho em cenários de raciocínio multi-etapa em comparação com sistemas LLM básicos. Além disso, a camada de ontologia permite a validação formal das respostas geradas, transformando o sistema de um modelo puramente generativo em um pipeline de geração–verificação–correção. A abordagem proposta aborda limitações cruciais dos sistemas LLM atuais, incluindo falta de memória de longo prazo, compreensão estrutural fraca e capacidades limitadas de raciocínio. Ela fornece uma base para construir sistemas baseados em agentes, aplicações robóticas e soluções empresariais de IA que requerem conhecimento persistente, explicabilidade e tomada de decisão confiável. Este trabalho contribui para o paradigma emergente de sistemas de IA aumentados por ontologias, onde LLMs atuam como interfaces sobre conhecimento estruturado, ao invés de motores de raciocínio autônomos.