Grafo de conocimiento
Knowledge Graph
¿Qué es un grafo de conocimiento?
- Una red de conocimiento que conecta entidades y relaciones
- Ayuda en la búsqueda, las recomendaciones y la comprensión por parte de la IA
- También se usa para reducir las alucinaciones
Con un grafo de conocimiento, la unidad de trabajo pasa de «documento» a «entidad». Si en el buscador interno escribe «instructor que dictó el año pasado el curso de liderazgo», el sistema tradicional le devuelve unas diez hojas que contienen esa frase. Con un grafo de conocimiento, el sistema encuentra directamente la entidad «instructor», le adjunta su afiliación, su historial y sus calificaciones, y responde en una sola línea. Lo que se busca pasa del archivo al hecho mismo, y esto es lo que más se nota en la práctica. Así se gana la misma respuesta sin importar quién pregunte.
Hay dos formas principales de construcción. Las tripletas RDF registran un hecho en tres casillas, sujeto-predicado-objeto, y destacan en estandarización y conexión con datos externos. Los grafos de propiedades (LPG) permiten adjuntar atributos a nodos y relaciones, y por eso se conectan con facilidad a los sistemas internos. En cualquier caso, si no existe un esquema que defina de antemano los tipos de relación, el grafo termina siendo un garabato. También hay que distinguirlo de la búsqueda vectorial. Los vectores encuentran lo «parecido», mientras que el grafo sigue lo «conectado», así que las preguntas con condiciones combinadas, como «los cursos que completaron todos los directivos de mi división», no se resuelven con precisión solo con vectores.
El tamaño inicial puede ser pequeño: entre 5 y 10 tipos de nodo y unas 15 relaciones bastan para responder buena parte de las consultas internas. El verdadero costo no es construirlo sino mantenerlo. Una sola reorganización puede alterar cientos de relaciones de «pertenece a» de golpe. Por eso, si no se instala primero un flujo que sincronice automáticamente desde sistemas de origen como RR. HH. y LMS, dentro de medio año nadie abrirá el grafo.
El punto donde más se equivoca en la práctica son las personas con el mismo nombre y las denominaciones parecidas. Si hay tres «Min-su Kim, líder de equipo» y «IA básica» e «IA introductoria» entran como nodos separados aunque sean prácticamente el mismo curso, el grafo da respuestas incorrectas sin ningún mensaje de error. Si está conectado a un LLM, ese dato falso se presenta con una redacción fluida y termina en el informe para la dirección tal cual. La idea de que cuantos más nodos, mejor el grafo es la más peligrosa. En la práctica, la mitad del esfuerzo de construcción se va en unificar entidades duplicadas.
John KimAutor de «Diseño del marketing B2B» y CEO de Nanum Consultoría. Instructor.
Seolyeong ParkEspecialista en IA generativa y AX, con 17 años de experiencia práctica y más de 200 sesiones de enseñanza, que logra que personas sin formación técnica la usen de inmediatoTiene sus raíces en la investigación de la web semántica, y se popularizó cuando Google presentó «Knowledge Graph» en su buscador en 2012.
Veamos un caso hipotético. A, un fabricante de autopartes con 1,400 colaboradores, tenía el historial de capacitación repartido entre el LMS, planillas de Excel por departamento y la bandeja de aprobaciones del correo. Solo para extraer la lista del personal técnico de producción que completó el curso de fábrica inteligente del año pasado se necesitaban dos días y medio, y en cada temporada de ascensos, RR. HH. y las áreas operativas llegaban con cifras distintas. Este es el registro de cómo construyó, durante cuatro meses, un grafo de conocimiento interno.
- El punto de partida fue que el subgerente Lee, de RR. HH., dijo: «Cada persona tiene su propio Excel, no sé cuál es el correcto». Las primeras dos semanas se usaron para localizar los siete tipos de datos originales de capacitación.
- Limitamos los tipos de nodo a cinco: personas, áreas, cursos, puestos y certificaciones, y dejamos solo doce relaciones, como «completa», «requiere» y «pertenece a». En el borrador llegamos a treinta, pero lo revertimos.
- Unificar 1,830 registros de nombres de curso en 420 tomó seis semanas. «IA básica», «IA introductoria» e «Ia básica (rep.)» eran en realidad el mismo curso, y el ejecutivo Park, de operación de capacitación, los cotejó uno por uno.
- Conectamos el LMS y el sistema de RR. HH. con un lote nocturno que los sincroniza todos los días a las 3:00 a. m., y configuramos que, cuando se confirma una reorganización, la relación «pertenece a» se actualice automáticamente.
- Una extracción de listas que tardaba dos días y medio bajó a 30 segundos, y las 312 personas que no completaron los cursos obligatorios de su puesto aparecieron por primera vez en una sola pantalla. Las impugnaciones de los documentos de evaluación para ascenso bajaron de 27 casos al año a 3.