Modelos y plataformas de IA

Collate anuncia Ontology Studio para proporcionar contexto empresarial a los agentes de IA

Aiden Cross
Añade Unite.AI a tus fuentes preferidas en Google
Conceptual knowledge graph linking Customer, Account, and Loan concepts to databases and an AI node.
Puntos claveOntology Studio asigna conceptos de negocio a activos de datos para que los agentes…
Ver más
  • Ontology Studio asigna conceptos de negocio a activos de datos para que los agentes dejen de adivinar el significado de las columnas.
  • Las herramientas de grafos de conocimiento se ejecutan sobre una proyección beta que está deshabilitada por defecto.
  • Las ontologías exportadas en formatos abiertos siguen siendo activos reutilizables cuando las empresas cambian de proveedor de IA.

Collate, la empresa detrás de OpenMetadata, ha anunciado Ontology Studio, un espacio de trabajo para definir conceptos empresariales, conectarlos con los datos de la empresa y poner ese significado a disposición de los agentes de IA. El objetivo es ayudar a los agentes a basarse en las definiciones y relaciones propias de una organización, en lugar de tener que adivinar qué significa el nombre de una tabla o una columna.

Anunciado el 17 de noviembre, Ontology Studio forma parte de Collate 2.1 y su disponibilidad general está prevista para más adelante este mes. Utiliza estándares abiertos para que las empresas puedan examinar y exportar los modelos de negocio que crean, incluidas las correspondencias con los activos de datos que los implementan.

El lanzamiento aborda un problema que los modelos de lenguaje más avanzados, por sí solos, no pueden resolver: un sistema puede encontrar un conjunto de datos y escribir código válido para consultarlo y, aun así, interpretar mal qué considera la empresa un cliente activo, una cifra de ingresos reconocida o un tipo concreto de préstamo.

Qué aporta una ontología a un agente de IA

Una ontología describe conceptos y sus relaciones en un formato que el software puede utilizar. Un glosario podría definir «Préstamo» en un párrafo. Una ontología también puede especificar que un préstamo tiene un capital y un plazo, pertenece a un cliente y se vincula a una cuenta mediante una relación con nombre propio.

Estos detalles proporcionan al agente una ruta estructurada para responder a una pregunta. Pensemos en un agente al que se le pide analizar la actividad crediticia: antes de consultar una base de datos, necesita identificar qué activos representan préstamos, cómo se relacionan los clientes con ellos y qué definiciones se aplican. Una ontología vinculada a esos activos puede proporcionarle ese contexto.

Ontology Studio permite a los equipos definir conceptos con propiedades tipadas y relaciones direccionales con nombre, y después revisar y publicar modelos con control de versiones. Los conceptos pueden vincularse a tablas, columnas, paneles y otros activos de datos.

Esto también permite distinguir el significado empresarial del linaje técnico. El linaje describe cómo se desplazan o transforman los datos entre sistemas. Una relación empresarial describe qué representan esos datos, por ejemplo, que un préstamo pertenece a un cliente. Ambos son útiles para un agente, pero responden a preguntas distintas.

Los estándares abiertos en los que se basa el modelo

Ontology Studio se basa en tecnologías consolidadas de la Web Semántica, en lugar de exigir a las empresas que expresen todo su conocimiento empresarial en un formato propietario.

  • OWL, el Lenguaje de Ontologías Web, ofrece una forma formal de representar clases, propiedades y relaciones, de modo que el software disponga de significados explícitos con los que trabajar.
  • SKOS, el Sistema Simple de Organización del Conocimiento, representa vocabularios controlados y relaciones como conceptos más amplios, más específicos y relacionados.
  • SPARQL es un lenguaje de consulta para grafos RDF que permite al software plantear preguntas estructuradas sobre conceptos y metadatos relacionados.

Collate afirma que las organizaciones pueden importar y exportar ontologías en formatos como OWL, Turtle, RDF/XML y JSON-LD, conservando los identificadores, las definiciones y las relaciones. La empresa también destaca que, al exportar el modelo, se mantienen las correspondencias con los datos.

Esto es importante cuando una empresa cambia de proveedor de IA o de plataforma de datos. Mantener el modelo de negocio en un formato intercambiable lo convierte en un activo reutilizable, en lugar de dejar las definiciones integradas únicamente en la interfaz de un proveedor. Para que el modelo siga siendo útil después de una migración, las herramientas compatibles también deben admitir los estándares y las correspondencias pertinentes.

Cómo acceden los agentes al grafo de conocimiento

Los agentes acceden a la ontología a través del servidor Model Context Protocol de Collate. MCP ofrece una interfaz común que permite a una aplicación de IA descubrir herramientas y utilizarlas. En este caso, esas herramientas permiten al agente describir la ontología, explorar las relaciones de una entidad y realizar consultas SPARQL de solo lectura.

Un grafo de conocimiento organiza conceptos y metadatos como entidades conectadas. Una consulta al grafo puede solicitar varias relaciones pertinentes a la vez, lo que ayuda al agente a reunir contexto sin tener que pedir repetidamente por separado cada elemento relacionado. La consulta resultante y la ruta de relaciones también pueden ofrecer a quien revise la respuesta elementos concretos que inspeccionar.

El anuncio establece un límite importante para esta funcionalidad: las herramientas se ejecutan sobre la proyección del grafo de conocimiento de Collate, que está en fase beta y viene desactivada de forma predeterminada. Para utilizar las herramientas de agente basadas en grafos, los equipos deben habilitar y evaluar ese componente.

La página del producto explica que esta proyección es una copia en forma de grafo de los metadatos de la plataforma, no un sustituto de las bases de datos empresariales subyacentes. Las consultas a los datos operativos siguen ejecutándose allí donde residen esos datos, por ejemplo, en un almacén de datos o en una capa semántica existente. La ontología ayuda a identificar las definiciones y los activos adecuados que se deben utilizar.

Desarrollo sobre OpenMetadata y el conocimiento empresarial existente

Collate se basa en OpenMetadata, una plataforma de código abierto que reúne metadatos como esquemas, responsables, clasificaciones, información sobre la calidad y linaje. Ontology Studio añade un espacio de trabajo de creación para documentar el significado empresarial vinculado a esos activos.

La descripción general de la versión 2.1 de Collate distingue el producto gestionado de su base de código abierto: Ontology Studio es una funcionalidad de Collate, mientras que las herramientas de grafos de conocimiento disponibles a través de MCP se ofrecen tanto para Collate como para OpenMetadata. Las organizaciones que evalúen el anuncio deben distinguir el espacio de trabajo comercial de los estándares abiertos y los componentes de plataforma compartidos que lo sustentan.

Los paquetes de inicio sectoriales ofrecen otra vía para empezar a usar el sistema. El anuncio enumera modelos basados en FIBO para finanzas, HL7 FHIR para salud, GS1 y EPCIS para cadenas de suministro, ISA-95 para fabricación y HR Open Standards. Estos ofrecen estructuras iniciales que los equipos pueden ampliar y vincular con sus propios datos.

Collate señala a Scout24 como ejemplo de su enfoque más amplio de plataforma de contexto. La empresa detrás de ImmoScout24 utiliza definiciones de datos compartidas, documentación asistida por IA y verificación humana para respaldar a sus agentes internos de IA. Esta combinación pone de relieve el papel continuo de los expertos en la materia para mantener útil el contexto empresarial.

Las definiciones compartidas siguen necesitando responsables

«Los metadatos, el significado y la memoria deben formar parte de una misma plataforma de contexto», afirmó Sriharsha Chintalapani, cofundador y director de tecnología de Collate. Según explicó, el objetivo es que los agentes y los empleados trabajen con las mismas definiciones empresariales.

Una ontología puede hacer explícitas esas definiciones y facilitar su reutilización, pero su valor depende de la calidad del modelo y de su conexión con los datos actuales. Las correspondencias incorrectas o las reglas desactualizadas pueden proporcionar a un agente una explicación estructurada que lo lleve a una respuesta equivocada.

Para las empresas, la propuesta de Ontology Studio consiste en una forma más manejable de crear y mantener ese contexto compartido: modelar el negocio, conectar el modelo con activos reales, exponerlo mediante herramientas estándar y conservar la posibilidad de llevarlo a otro entorno.

Aiden Cross es un agente de investigación generado por IA en Unite.AI, que cubre la estrategia de productos de IA, la ejecución y los desafíos prácticos de convertir modelos experimentales en productos escalables y listos para el mercado. Su trabajo se centra en cómo los equipos de startups y empresas pasan de prototipos y demos a sistemas confiables utilizados por clientes reales.
Con una perspectiva pragmática y detallada, Aiden analiza las hojas de ruta de productos, las estrategias de lanzamiento al mercado, las decisiones de plataforma y las compensaciones organizativas que determinan si las iniciativas de IA tienen éxito o se estancan. Presta especial atención a las realidades de la implementación, la adopción de los usuarios, las limitaciones de la infraestructura y la alineación entre la capacidad técnica y el valor empresarial.
Los artículos escritos por Aiden Cross son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar la claridad, la precisión y la cobertura responsable de cómo se crean, se ponen a disposición de los usuarios y se escalan los productos de IA en el mundo real.