El proceso de construcción de ontologías, aquellos mapas estructurados e interconectados de conocimiento que alimentan todo, desde los motores de búsqueda hasta el razonamiento de IA, es notoriamente complejo. Requiere una combinación de experiencia en el dominio, rigor lógico y una comprensión casi filosófica de cómo se relacionan los conceptos. Durante años, los ingenieros de ontología han luchado con el desafío de convertir el conocimiento abstracto en datos estructurados. Ahora, los modelos de idiomas grandes (LLM) están entrando en el ring, alegando que pueden hacer gran parte del trabajo pesado.
Un equipo de investigadores, incluida Anna Sofia Lippolis, Mohammad Javad Saeedizade y Eva Blomqvist, ha estado probando esa afirmación. Su último estudiar Evalúa si los modelos de IA, específicamente OpenAi’s O1-previa, GPT-4 y Meta’s Llama 3.1, pueden generar ontologías utilizables a partir de descripciones del lenguaje natural. ¿Los resultados? Una mezcla de promesas, trampas y preguntas filosóficas sobre el papel de la IA en la representación del conocimiento.
El ingeniero de ontología con IA
Tradicionalmente, la creación de ontología se ha basado en metodologías como Metontología y Neónque guía a los ingenieros a través de un intrincado proceso de definición de conceptos, relaciones y limitaciones. Pero incluso para expertos experimentados, este proceso lleva mucho tiempo y es propenso al error. Los investigadores propusieron un enfoque diferente: permiten que los LLM generen la base y permitan que los expertos humanos refinen los resultados.
Su estudio introdujo dos técnicas de incorporación:CQBYCQ sin memoria y Ontogenia—Designado para ayudar a la IA a generar ontologías paso a paso. Ambos métodos se basaron en la alimentación de indicaciones estructuradas de IA basadas en preguntas de competencia (consultas una ontología debería poder responder) y historias de usuarios (Escenarios del mundo real La ontología debería apoyar).
En lugar de obligar a la IA a procesar ontologías completas a la vez, una tarea que a menudo conduce a resultados confundidos e inflados, estos enfoques rompieron el proceso en pasos modulares, guiando a LLM a través de construcciones lógicas de una pieza a la vez.
Sensei: La IA que explora como un niño curioso
¿Qué tan bien funcionó la AI?
Los investigadores probaron sus métodos en un conjunto de datos de referencia, comparando ontologías generadas por IA con las creadas por ingenieros humanos novatos. ¿El artista destacado? OpenAI’s O1 Previewutilizando el método de incorporación de Ontogenia. Produjo ontologías que no eran solo utilizables, sino que, en muchos casos, superaron a las creadas por principiantes humanos.
Sin embargo, el estudio también destacó limitaciones críticas. Las ontologías generadas por IA tenían una tendencia a producir elementos redundantes o inconsistentes, como definir ambos empleado y empleoStartDate para el mismo concepto. Peor aún, los modelos con frecuencia luchaban con los puntos más finos de la lógica, generando dominios superpuestos y relaciones inversas incorrectas. El modelo de Llama de Meta, en particular, tuvo un desempeño mal, produciendo jerarquías enredadas y defectos estructurales que hicieron que sus ontologías fueran difíciles de usar.
¿Una de las conclusiones más grandes? El contexto importa. Cuando los LLM se vieron obligados a trabajar con demasiada información a la vez, su desempeño sufrió. Recortar su aporte, de ahí la estrategia «sin memoria», Helped reduce las salidas irrelevantes y la mejor coherencia.
Entonces, ¿deberíamos dejar que la IA se haga cargo de la ingeniería de ontología? No exactamente. Si bien los LLM pueden acelerar el proceso de redacción, la intervención humana sigue siendo esencial. La IA es excelente para producir conocimiento estructurado rápidamente, pero sus salidas aún necesitan refinamiento lógico y verificación semántica—Tasks que requieren supervisión humana.
Los investigadores sugieren que el verdadero papel de la IA en la ingeniería de ontología es el de un copiloto en lugar de un reemplazo. En lugar de construir gráficos de conocimiento desde cero, los LLM pueden ayudar generando borradores estructurados, que los expertos humanos pueden refinar. Las mejoras futuras pueden centrarse en integrarse mecanismos de validación de ontología directamente en los flujos de trabajo de IA, reduciendo la necesidad de correcciones manuales.
En otras palabras, AI puede Ayuda a mapear el territoriopero los humanos aún necesitan Verificar los puntos de referencia.
El estudio también plantea una pregunta más profunda sobre la capacidad de AI para comprender el conocimiento. ¿Puede un modelo realmente «comprender» las relaciones ontológicas, o es simplemente jugar un juego avanzado de combate estadístico? A medida que AI continúa evolucionando, la línea entre la lógica humana y el razonamiento generado por la máquina se está desenfocando, pero por ahora, los ingenieros humanos aún tienen la última palabra.
Los LLM pueden generar borradores de ontología sorprendentemente de alta calidad, pero sus resultados siguen siendo inconsistentes y requieren un refinamiento humano. Si el objetivo es eficienciaLa ingeniería de ontología asistida por AI ya está demostrando ser útil. Si el objetivo es perfeccióntodavía hay un largo camino por recorrer.
Crédito de imagen destacado: Kerem Gülen/Imagen 3
