Introducción a las ontologías: La columna vertebral de la comprensión semántica

El texto que está a punto de leer fue generado en conjunto con Google NotebookLM, a través de mi investigación y estudios en ontologías para generar mejores proyectos relacionados con SEO, sistemas de información, la creación de agentes de inteligencia artificial y otros temas relacionados.

Se generó a través de respuestas a mis preguntas y se organizó para ofrecer una visión general de lo que se publicó entre 2022 y 2025 sobre este tema fascinante, que se ha vuelto fundamental para todas las áreas relacionadas con web .

Definición formal e importancia estratégica

En el campo de la Inteligencia Artificial ( IA ), una ontología se define como una representación formal y explícita del conocimiento, manifestada como un conjunto de conceptos, entidades , propiedades y las relaciones establecidas entre ellos dentro de un dominio específico. Fundamentalmente, una ontología articula «qué existe» en ese dominio y cómo se interconectan sus componentes, sirviendo así como la base semántica ^para inteligentes . Esta capacidad de estructurar el conocimiento de forma comprensible para las máquinas es lo que posiciona a las ontologías como elementos cruciales en la búsqueda de una IA más robusta y contextualizada.

La relevancia de las ontologías ha crecido exponencialmente, impulsada por la proliferación de grafos de conocimiento datos que se generan a diario. Publicaciones recientes, como la guía «Ingeniería de Ontologías» de 2024, destacan que las ontologías ofrecen un «esquema» rico y semánticamente fundamentado para los GC que sustentan estas tecnologías. Más aún, proporcionan la base terminológica y semántica esencial para lograr mejoras drásticas en los resultados y la eficacia de las aplicaciones de AA y PLN.<sup> ²

La creciente complejidad y la demanda de mayor comprensión del contexto en los sistemas de IA modernos¹ ^{hacen que} la representación estructurada del conocimiento, como la que proporcionan las ontologías, no solo sea útil, sino indispensable. Sin esta base semántica formal, los sistemas de IA enfrentarían considerables dificultades para manejar ambigüedades, realizar inferencias lógicas complejas y ofrecer explicaciones transparentes de sus decisiones y comportamientos. Las ontologías, al mejorar la comprensión semántica en los sistemas de PLN, permitir el razonamiento mediante la definición de reglas y lógica, respaldar la explicabilidad de las decisiones de la IA, impulsar la búsqueda inteligente y ser esenciales para la interoperabilidad¹ ^, trascienden el concepto de meros modelos descriptivos. Se configuran como componentes activos que mejoran el rendimiento y la comprensibilidad de los sistemas de IA, convirtiéndose en una necesidad práctica para el desarrollo y la comprensión de soluciones de IA sofisticadas de próxima generación.

Componentes clave de una ontología

Para que una ontología cumpla su función como representación formal del conocimiento, se construye a partir de varios componentes clave interrelacionados. Comprender estos componentes básicos es fundamental para cualquiera que desee comprender o trabajar con ontologías. Los componentes principales incluyen: ¹:

• Clases: Representan categorías, conceptos o tipos de entidades en el dominio. Funcionan como abstracciones que agrupan individuos con características similares. Por ejemplo, en el dominio del transporte, Vehículo sería una clase; en el dominio biológico, Animal y Persona serían clases.
• Individuos o instancias: Se trata de las ocurrencias específicas o ejemplos concretos de clases. Si Vehículo es una clase, un Tesla Model 3 específico sería un individuo. De forma similar, Tigre podría ser un individuo de la clase Animal, y Alicia un individuo de la clase Persona.
• Propiedades o atributos y relaciones: Describen las características de las clases y los individuos, así como la forma en que se relacionan entre sí. Las propiedades pueden ser atributos que describen a un individuo (por ejemplo, un vehículo tiene ruedas, una persona tiene altura) o relaciones que conectan a dos o más individuos (por ejemplo, una persona es amiga de otra, un vehículo es fabricado por una empresa).
• Axiomas: Son enunciados o reglas formales que se consideran verdaderas dentro del dominio de la ontología. Los axiomas restringen el significado de los términos y definen la lógica del dominio. Un ejemplo de axioma podría ser «Todos los humanos son mamíferos», lo cual establece una verdad fundamental sobre la relación entre las clases Humano y Mamífero.
• Jerarquías: Las clases suelen organizarse en jerarquías taxonómicas mediante relaciones de subclase-superclase (también conocidas como relaciones "es un/una" o "tipo de"). Por ejemplo, la clase Coche puede ser una subclase de la clase Vehículo (denotada como Coche ⊆ Vehículo), lo que indica que todo coche es un tipo de vehículo y hereda propiedades de Vehículo.

La tabla que aparece a continuación resume estos componentes fundamentales, ofreciendo una referencia rápida para consolidar la comprensión de sus funciones en la estructura de una ontología.

Tabla 1: Componentes fundamentales de una ontología

Estos componentes, cuando se combinan de forma lógica y coherente, permiten que una ontología proporcione una especificación rica y formal de un dominio de conocimiento.

El papel crucial de las ontologías en la IA moderna.

En el panorama de la Inteligencia Artificial moderna, especialmente entre 2022 y 2025, las ontologías desempeñan un papel cada vez más crucial y multifacético. Son fundamentales para mejorar la comprensión semántica en los sistemas de Procesamiento del Lenguaje Natural (PLN), permitiendo a las máquinas interpretar el significado y el contexto del lenguaje humano con mayor precisión. Al definir reglas y lógica formal, las ontologías dotan a los sistemas de IA de capacidades de razonamiento, permitiéndoles derivar nuevo conocimiento a partir de la información existente. Además, son fundamentales para respaldar la explicabilidad (XAI) en las decisiones de IA, proporcionando una traza comprensible de la lógica utilizada. Las ontologías también impulsan la búsqueda inteligente, como en los motores de búsqueda , que van más allá de la coincidencia de palabras clave para comprender la intención del usuario. Finalmente, son esenciales para garantizar la interoperabilidad en sistemas complejos, como los sistemas multiagente y aquellos que operan en múltiples dominios, facilitando la comunicación y el intercambio de información de manera consistente. ^resumen , las ontologías ayudan a las máquinas a comprender el contexto , y no solo los datos brutos con los que operan.

Un área particularmente prometedora es la integración de ontologías con modelos de lenguaje a gran escala (LLM) y herramientas de inteligencia artificial generativa (GenAI). Una perspectiva para 2025 indica que la incorporación de ontologías de dominio en los de solicitud y memoria de los LLM aportará beneficios significativos. Se espera que esto se traduzca en resultados más precisos y relevantes en dominios específicos, un mejor razonamiento en interacciones de múltiples turnos y una mayor fundamentación fáctica de la información generada por los LLM. En este escenario, las ontologías podrían funcionar como la memoria estructurada y verificada para los LLM.<sup> ¹

Esta sinergia es particularmente importante dada una debilidad conocida de los modelos de aprendizaje automático (MLA): la tendencia a generar información aparentemente plausible, pero que es objetivamente incorrecta o inapropiada para el contexto. ^{las ontologías} puede servir como mecanismo de anclaje o referencia para los MLA. Al proporcionar una base fáctica y relacional bien definida, las ontologías pueden guiar el proceso de generación de MLA, restringiendo sus resultados a información más precisa y contextualmente apropiada, especialmente en dominios especializados que requieren alta fidelidad. Esta colaboración entre la flexibilidad generativa de los MLA y el rigor semántico de las ontologías apunta a un futuro donde las aplicaciones de IA generativa pueden ser significativamente más fiables y seguras. Para quienes se inician en el estudio de las ontologías, esto indica una trayectoria en la que los sistemas basados ​​en MLA podrían depender cada vez más de ontologías de dominio bien organizadas para alcanzar su máximo potencial.

Distinción y relación entre ontologías y grafos de conocimiento (GC)

Los términos «ontología» y «grafo de conocimiento» ( GC ) se utilizan con frecuencia en el mismo contexto y a veces indistintamente, lo que puede generar confusión, especialmente para quienes se inician en el estudio de esta disciplina. Si bien están estrechamente relacionados, se refieren a conceptos distintos pero complementarios.

Una ontología puede entenderse como el esquema o estructura que define un dominio. Establece las reglas, clases (conceptos), propiedades (relaciones) y axiomas que lo rigen. Se puede concebir la ontología como un marco , generalmente más estático, que describe los tipos de cosas que existen y cómo se relacionan entre sí. Es la «gramática» que define el lenguaje para hablar de un dominio. ^¹

Por otro lado, un grafo de conocimiento es una instanciación de esta estructura con datos concretos. Contiene no solo la estructura (a menudo proporcionada por una ontología), sino también los individuos (instancias específicas de las clases) y las relaciones fácticas entre ellos. Los grafos de conocimiento son dinámicos y se completan con datos, representando conocimiento real sobre las entidades y sus conexiones.<sup> ¹

La tabla siguiente ilustra las principales diferencias y la relación entre ontologías y grafos de conocimiento:

Tabla 2: Comparación: Ontologías vs. Grafos de conocimiento

Fuente: Basado en.¹

A pesar de sus diferencias, las ontologías y las bases de conocimiento (BC) trabajan conjuntamente para impulsar una amplia gama de aplicaciones inteligentes. La ontología proporciona el modelo semántico y las reglas de inferencia, mientras que la BC almacena y organiza los datos fácticos según dicho modelo. Juntas, constituyen la fuerza motriz de sistemas como el buscador de Google, asistentes virtuales como Siri y Alexa, y chatbots avanzados basados ​​en IA. ^Comprender esta distinción es fundamental para entender cómo se modela, gestiona y utiliza el conocimiento en los sistemas de IA actuales.

Tipos de ontologías y sus roles estratégicos

Las ontologías pueden clasificarse de diversas maneras, según su nivel de generalidad, alcance y propósito. Comprender los diferentes tipos de ontologías es fundamental para seleccionar o desarrollar la estructura de conocimiento más adecuada para una aplicación determinada.

Clasificaciones comunes: Dominante, Superior e Híbrido

En la literatura y en la práctica se suelen tratar tres tipos principales de ontologías. ⁴:

• Ontología de dominio: Este tipo de ontología está diseñada para representar el conocimiento perteneciente a un campo o área específica del mundo. Por ejemplo, se puede desarrollar una ontología de dominio para biología, medicina, política, ingeniería de software o cualquier otro campo especializado. La principal característica de una ontología de dominio es que modela definiciones de términos específicos y significativos dentro de ese dominio en particular. Un ejemplo ilustrativo es la palabra "carta": una ontología sobre el dominio del póker modelaría el significado de "carta" como "baraja de cartas", mientras que una ontología sobre el dominio del hardware informático modelaría los significados de "tarjeta perforada" y "tarjeta de vídeo ^"
• Ontología superior (u ontología fundamental): A diferencia de las ontologías de dominio, una ontología superior modela conceptos, relaciones y objetos muy generales y comunes, aplicables a una amplia gama de ontologías de dominio. Su objetivo es proporcionar un marco de conceptos básicos y universales, como tiempo, espacio, proceso, objeto y evento, que pueden ser reutilizados y especializados por diferentes ontologías de dominio. Las ontologías superiores suelen emplear un glosario central que abarca términos y descripciones de objetos de forma genérica. Algunos ejemplos destacados de ontologías superiores son la Ontología Formal Básica (BFO), la Ontología Descriptiva para Ingeniería Lingüística y Cognitiva (DOLCE) y la Ontología Superior Fusionada Sugerida (SUMO) ^.
• Ontología híbrida: ^ontologías . Busca integrar los conceptos generales de una ontología de nivel superior con los términos específicos de un dominio particular. Un ejemplo citado es la ontología Gellish, que incorpora elementos de ambos tipos.

La interacción entre estos tipos de ontologías es fundamental para la gestión escalable del conocimiento. Las ontologías de dominio, cuando se desarrollan de forma independiente, suelen presentar incompatibilidades semánticas debido a las diferentes percepciones del dominio, los lenguajes o los propósitos de uso. La fusión de estas ontologías distintas puede ser un proceso manual, laborioso y costoso.^⁴ Sin embargo, el uso de una ontología común de nivel superior como base para el desarrollo de múltiples ontologías de dominio puede mitigar significativamente estos desafíos. Al proporcionar un conjunto estandarizado de conceptos y relaciones fundamentales, las ontologías de nivel superior facilitan la integración y la interoperabilidad entre las ontologías de dominio que comparten esta misma base, reduciendo el esfuerzo de fusión manual.^⁴ Esto sugiere que el desarrollo y la adopción de ontologías de nivel superior robustas son cruciales para lograr una mayor interoperabilidad semántica y la reutilización del conocimiento en diferentes dominios y aplicaciones. Las ontologías híbridas, a su vez, representan un enfoque pragmático para aprovechar las ventajas de ambos enfoques, combinando la generalidad de las ontologías de nivel superior con la especificidad necesaria de las ontologías de dominio.

Ontologías centrales y su relevancia

Además de las clasificaciones de dominio y de nivel superior, el concepto de ontología central también es relevante, especialmente en contextos de modelado complejo e integrado. Una ontología central está diseñada para capturar los conceptos y relaciones fundamentales que son esenciales para un área de interés particular, que puede ser más amplia que un dominio específico, pero no tan universal como una ontología de nivel superior.

Un ejemplo reciente y destacado es la Ontología de Descripciones y Observaciones para el Modelado Integrado (ODO-IM) . Esta ontología central se desarrolló para capturar observaciones científicas y las descripciones relacionadas con ellas, con el objetivo de integrar diversos recursos científicos. ^{ODO -} IM es un componente esencial de k.LAB, un software de modelado integrado, y se basa en la Ontología de Procedencia (PROV-O) para rastrear los orígenes y cambios de la información, lo cual es fundamental para representar el conocimiento científico.

El marco ODO-IM se organiza en torno a tres categorías principales (o «columna vertebral»): Descripción (que recoge las actividades que producen artefactos científicos a partir de observaciones contextualizadas), Observable (los conceptos que constituyen el objeto de una descripción científica y que proporcionan la semántica básica para la observación resultante) y Predicado (construcciones lingüísticas que pueden combinarse con los observables para delimitar su significado). ^{En científico} o un sensor) y un objetivo de observación (p. ej., un objeto físico o un evento).

Las ontologías centrales, como ODO-IM, suelen surgir cuando las ontologías de nivel superior existentes se consideran demasiado genéricas o cuando sus compromisos ontológicos (los supuestos fundamentales sobre la naturaleza de la realidad que encarnan) no se alinean con los requisitos específicos o la «visión científica» de un dominio o plataforma en particular. Por ejemplo, ODO-IM toma decisiones de diseño específicas, como no incluir semántica para las unidades de medida, porque sus aplicaciones principales en el software k.LAB (actualmente centrado en la sostenibilidad social y ambiental) no las requieren. También se mantiene neutral respecto a ciertas distinciones filosóficas que son inherentes a ontologías fundacionales como BFO.⁵ ^Esto demuestra que las ontologías centrales buscan un equilibrio, proporcionando conceptos fundamentales más específicos que los de una ontología de nivel superior, pero lo suficientemente generales como para abarcar un área de interés compleja sin llegar a ser tan granulares como las ontologías de dominio altamente especializadas. Representan un enfoque pragmático de la ingeniería de ontologías, donde los desarrolladores optan por crear o adaptar ontologías que mejor se ajusten a sus necesidades complejas e inmediatas, en lugar de intentar adherirse a un modelo fundacional universal si no es práctico o adecuado.

Consideraciones para elegir el tipo de ontología

La decisión sobre qué tipo de ontología desarrollar o utilizar no es trivial y depende fundamentalmente de su propósito y del contexto de su aplicación. Si bien los principios descritos en la guía «Desarrollo de Ontologías 101» ^publicación (de alrededor del año 2000), el paso inicial de determinar el dominio y el alcance de la ontología sigue siendo un factor crucial y atemporal para esta elección.

Los principales factores a considerar incluyen:

• El dominio que cubrirá la ontología: ¿Qué tan amplio o específico es el campo de conocimiento? Un dominio muy específico puede beneficiarse de una ontología de dominio detallada, mientras que la necesidad de integrar conocimiento de múltiples dominios puede indicar el uso de una ontología de nivel superior como base.
• Uso previsto de la ontología: ¿Se utilizará la ontología para la anotación de datos, el razonamiento automatizado, la recuperación de información, la interoperabilidad entre sistemas o para facilitar la comunicación humana? Los distintos usos pueden requerir diferentes niveles de formalidad y expresividad.
• Tipos de preguntas que la ontología debe responder (preguntas de competencia): Como se sugiere en ⁶ , formular «preguntas de competencia» ayuda a definir el nivel de detalle y los tipos de conceptos y relaciones que la ontología necesita capturar. Si las preguntas son muy específicas de un nicho, probablemente se trate de una ontología de dominio. Si las preguntas abarcan conceptos fundamentales aplicables a muchas áreas, una ontología de nivel superior podría ser más pertinente.
• ¿Quién utilizará y mantendrá la ontología?: La complejidad de la ontología y las herramientas necesarias para su uso y mantenimiento deben ser compatibles con los conocimientos técnicos de los usuarios y mantenedores.

No existe una ontología universal. Su elección es una decisión estratégica que implica equilibrar la necesidad de especificidad para resolver problemas en un dominio particular con las ventajas de la generalidad para la reutilización y la interoperabilidad. Por ejemplo, un proyecto que busca integrar diversos conjuntos de datos en una gran empresa podría beneficiarse de la adopción de una ontología superior como base común, complementada con ontologías de dominio para áreas de negocio específicas. En cambio, un proyecto de investigación centrado en un problema científico muy particular podría optar por desarrollar una ontología de dominio altamente detallada y especializada, posiblemente extendiendo una ontología central relevante. La clave reside en alinear el tipo y el diseño de la ontología con los objetivos de la aplicación, asegurando que proporcione el valor semántico necesario de manera eficaz y eficiente.

Ingeniería ontológica: de la concepción a la implementación práctica.

La ingeniería ontológica (IO) es la disciplina que se ocupa de los principios, metodologías y herramientas para el desarrollo, el ciclo de vida y el mantenimiento de las ontologías. Es un campo que combina aspectos de la representación del conocimiento, la lógica formal, la lingüística y la experiencia en el dominio.

Principios y metodologías fundamentales del desarrollo

El desarrollo de ontologías, si bien evoluciona con nuevas herramientas y técnicas, aún se basa en principios fundamentales que guían la creación de representaciones de conocimiento robustas y útiles. La guía «Desarrollo de ontologías 101»^⁶ , a pesar de su fecha de publicación original, establece algunos de estos pilares que siguen siendo relevantes:

1. No existe una única forma correcta de modelar un dominio: siempre habrá alternativas viables, y la mejor solución dependerá de la aplicación prevista y de las extensiones anticipadas.
2. El desarrollo de ontologías es un proceso inherentemente iterativo: una ontología rara vez es perfecta al primer intento; evoluciona a través de ciclos de diseño, evaluación y refinamiento.
3. Los conceptos en ontología deben reflejar fielmente los objetos (físicos o lógicos) y las relaciones en el dominio de interés: generalmente corresponden a sustantivos (objetos) y verbos (relaciones) en las oraciones que describen el dominio.

La complejidad inherente a la ingeniería de ontologías (IO) ha propiciado el surgimiento de diversas metodologías formales. Estas metodologías buscan proporcionar marcos estructurados que ayuden a los ingenieros de ontologías a abordar las complejidades del modelado del conocimiento. ^La necesidad de estos enfoques estructurados se ve reforzada por la propia naturaleza de la IO, que se describe sistemáticamente como una tarea compleja que requiere no solo conocimientos técnicos de lenguajes de representación como OWL ^{fundamentalmente} , una comprensión profunda del dominio que se va a modelar.

A pesar de los avances en herramientas y la experiencia acumulada en el campo, la ingeniería de ontologías sigue siendo un desafío importante. Se la suele caracterizar como un proceso complejo, laborioso y propenso a errores, incluso para ingenieros de ontologías experimentados.^³ Las tareas manuales de creación, curación y validación de elementos ontológicos se describen como cognitivamente costosas.^³ Esta dificultad persistente es uno de los principales incentivos para la investigación y el desarrollo de enfoques que puedan automatizar o asistir partes del proceso de ingeniería de ontologías, como el uso de Modelos de Lenguaje Extensos (MLE), que se abordarán más adelante. La complejidad reside no solo en los aspectos técnicos, sino también en los desafíos conceptuales de capturar de forma precisa y consistente la semántica de un dominio, y a menudo en los desafíos sociales de lograr un consenso entre múltiples expertos en el dominio.

El ciclo de vida de la ontología: pasos esenciales

El desarrollo de una ontología sigue un ciclo de vida que abarca desde su concepción inicial hasta su aplicación y mantenimiento continuo. Si bien distintas metodologías pueden proponer variaciones, se reconoce comúnmente un conjunto de pasos esenciales. Adaptando las directrices de ⁶ al contexto actual y complementándolas con observaciones más recientes, el ciclo de vida se puede describir de la siguiente manera:

1. Determinación del dominio y el alcance: Este es el paso fundamental. Implica definir claramente qué área de conocimiento cubrirá la ontología, cuál será su propósito principal, qué tipos de preguntas debería poder responder (las "preguntas de competencia") y quiénes serán sus usuarios y mantenedores.
2. Considere la reutilización de ontologías existentes: Antes de comenzar a construir una nueva ontología desde cero, es fundamental investigar si ya existen ontologías (o partes de ellas) que puedan reutilizarse, adaptarse o ampliarse. Esto puede ahorrar mucho tiempo y esfuerzo, además de promover la interoperabilidad.
3. Enumerar términos importantes: Elabore una lista exhaustiva de todos los términos relevantes del dominio que representará la ontología. En esta etapa, el enfoque está en la amplitud, sin preocuparse excesivamente por las superposiciones o la naturaleza exacta de cada término (si se trata de una clase, propiedad, etc.).
4. Definición de clases y jerarquía de clases: Organice los términos identificados en clases (conceptos) y estructúrelos en una jerarquía taxonómica (relaciones subclase-superclase). Esto puede hacerse mediante descendentes (de lo general a lo específico), ascendentes (de lo específico a lo general) o una combinación de ambos.
5. Definición de propiedades de clase (espacios): Identificar y definir los atributos de las clases y las relaciones entre ellas. Las propiedades se heredan a las subclases en la jerarquía.
6. Definición de facetas de propiedades (ranuras): Especifique las características de las propiedades, como el tipo de valor que pueden tomar (por ejemplo, cadena, número, booleano, instancia de otra clase), la cardinalidad (cuántos valores puede tener la propiedad: uno o varios), el dominio (la clase a la que se aplica la propiedad) y el codominio (el tipo de valor que puede tener la propiedad).
7. Crear individuos (instancias): Rellena la ontología con instancias específicas de las clases definidas, completando los valores de sus propiedades.

Es importante destacar que este proceso suele ser iterativo. La ontología se desarrolla, evalúa, refina y amplía en múltiples ciclos. Además, su ciclo de vida no termina con la creación inicial. La de mantenimiento es crucial, ya que los dominios evolucionan, surge nuevo conocimiento y cambian los requisitos de las aplicaciones. Investigaciones recientes, como las observadas en el campo de la Gestión de la Seguridad Basada en Ontologías (ObSM) en la industria de la construcción, indican una creciente tendencia a centrarse en la fase de mantenimiento del ciclo de vida ontológico. ^⁷ De manera similar, ontologías como la Ontología de Inteligencia Artificial (AIO) están diseñadas para actualizarse dinámicamente y reflejar los rápidos avances en su dominio.^⁸ Esto subraya que una ontología es un artefacto vivo que requiere atención continua para mantener su relevancia y precisión a lo largo del tiempo. La retroalimentación de las fases de aplicación e integración suele informar y guiar las actividades posteriores de desarrollo y mantenimiento.

Herramientas y lenguajes estándar

La ingeniería ontológica se apoya en un ecosistema de herramientas y lenguajes estandarizados que facilitan la creación, edición, visualización, consulta y razonamiento sobre ontologías. El conocimiento de estos recursos es fundamental para cualquier persona que desee dedicarse a la práctica de la ingeniería ontológica.

Los lenguajes estándar proporcionan la sintaxis y la semántica formal para expresar el conocimiento ontológico de forma interpretable tanto por humanos como por máquinas. El más destacado es el Lenguaje de Ontologías Web (OWL) ^W3C ) que se ha convertido en el estándar de facto para la creación de ontologías en la Web Semántica y muchas otras aplicaciones. OWL se basa en la lógica de descripción, lo que le confiere una sólida base formal y permite distintos niveles de expresividad (perfiles como OWL DL, OWL Lite, OWL 2 QL, EL y RL). A su vez, OWL utiliza generalmente la Marco de Descripción de Recursos (RDF) para la serialización.

Para trabajar con estos lenguajes, se han desarrollado diversas herramientas:

• Editores de ontología:
• Protégé: Desarrollado por la Universidad de Stanford, es el editor de ontologías de código abierto más popular y utilizado. Ofrece una rica interfaz gráfica para crear y editar ontologías en OWL y otros formatos, y admite complementos para herramientas de razonamiento y otras funcionalidades ^.
• Marcos de trabajo y API:

• Apache Jena: Un robusto framework Java de código abierto para la creación de aplicaciones de Web Semántica y datos enlazados. Proporciona API para leer, escribir y consultar datos RDF y OWL, e incluye un motor de inferencia ^.
• RDFLib: Una biblioteca de Python para trabajar con RDF, que permite analizar, serializar, consultar (mediante SPARQL) y manipular grafos RDF. ¹
• Ontology Access Kit (OAK): Un conjunto de herramientas más reciente centrado en el acceso programático a ontologías. Ofrece ejemplos en Python y una interfaz de línea de comandos (CLI), compatible con diversos sistemas de gestión de bases de datos como Triplestores, OBO Graphs, OWL y archivos SQLite. ^{También realizar} análisis de enriquecimiento y sobrerrepresentación, e incluso integrarse con modelos de lenguaje local (LLM).
• Lenguajes de consulta:
• SPARQL (Protocolo SPARQL y Lenguaje de Consulta RDF): El lenguaje de consulta estándar para datos RDF, que permite extraer información de grafos de conocimiento y ontologías.

La siguiente tabla resume algunas de las principales herramientas y lenguajes utilizados en la ingeniería de ontologías:

Tabla 3: Herramientas y lenguajes para la ingeniería de ontologías

La elección de herramientas y lenguajes dependerá de los requisitos específicos del proyecto, la experiencia del equipo y la infraestructura existente. Sin embargo, el cumplimiento de estándares como OWL y RDF es fundamental para garantizar la interoperabilidad y la vigencia de las ontologías desarrolladas.

El auge de los grandes modelos de lenguaje (LLM) en la ingeniería de ontologías

Una de las tendencias más significativas y recientes (2022-2025) en ingeniería ontológica es la exploración y aplicación de Modelos de Lenguaje Extensos (MLE) para asistir y, potencialmente, automatizar diversas tareas en el ciclo de vida ontológico. Dada la complejidad y el tiempo que suele requerir la ingeniería ontológica manual, los MLE se presentan como una tecnología para acelerar el proceso y democratizar el acceso a la creación de ontologías.

Investigaciones recientes, como la presentada en marzo de 2025 ^, exploran el potencial de los modelos de lenguaje de aprendizaje (LLM) para generar borradores de ontologías eficaces en formato OWL directamente a partir de requisitos ontológicos descritos en lenguaje natural, como historias de usuario y preguntas de competencias. Cabe destacar que estos estudios indican que ciertos modelos LLM, con la guía adecuada, pueden incluso superar a ingenieros de ontologías principiantes en cuanto a capacidad de modelado. ^Otro estudio, de febrero de 2025, se centró en el ajuste fino de LLM como GPT-4 y Mistral 7B, utilizando textos fundamentales de ontologías como base para la creación de conjuntos de datos de entrenamiento. Los resultados mostraron que el GPT-4 ajustado demostró una precisión superior y una mayor fidelidad a la sintaxis ontológica, aunque con mayores costes computacionales, mientras que Mistral 7B destacó por su velocidad y rentabilidad, pero con dificultades en la precisión sintáctica para tareas específicas del dominio. Un punto crucial que se destacó fue la necesidad de conjuntos de datos específicos del dominio para mejorar significativamente el rendimiento de los LLM en estas tareas.^¹²

A pesar del entusiasmo, la aplicación de los Modelos de Lenguaje Avanzado (MLA) en la Observación de la Ontología (EO) no está exenta de desafíos. Los mismos estudios que señalan su potencial también destacan «errores comunes y variabilidad en la calidad de los resultados». ^Problemas como las «alucinaciones» (generación de información incorrecta o inventada), la dificultad para garantizar la coherencia lógica y la necesidad de una evaluación multidimensional (que vaya más allá de las simples métricas automatizadas) son preocupaciones constantes. ^Para técnicas de inducción (formulaciones cuidadosas de las instrucciones dadas al MLA). Entre ellas, destacan la Cadena de Pensamiento (CoT), la Inducción Metacognitiva (MP) y de inducción ^Ontogenia . Estas técnicas buscan guiar al MLA a través de pasos más estructurados para mejorar la calidad de la ontología generada.

El papel emergente de los LLM en la ingeniería de ontologías parece ser el de aceleradores y potenciadores de las capacidades humanas, y no (al menos en la etapa actual de la tecnología) el de sustitutos completos de los ingenieros de ontologías. Los LLM pueden «proporcionar borradores eficaces de ontologías OWL» ^³ y «reducir significativamente el tiempo y el esfuerzo necesarios para la creación manual de ontologías» ^¹² Sin embargo, la supervisión humana sigue siendo crucial para la validación, el refinamiento, el control de calidad y la corrección de las ontologías generadas, especialmente para abordar los matices complejos del dominio y garantizar la coherencia lógica⁹. ^, el rol del ingeniero de ontologías está evolucionando: de un creador puramente manual a un curador y guía de procesos asistidos por IA, que incluyen la formulación de indicaciones , la creación de conjuntos de datos para el ajuste fino , la evaluación crítica de los resultados de los LLM y la integración de estos resultados en una ontología final cohesiva y correcta. Es probable que los flujos de trabajo futuros en la ingeniería de ontologías sean híbridos, combinando la experiencia humana con las capacidades de procesamiento y generación de los LLM. Para quienes aspiran a trabajar en este campo, esto implica la necesidad de desarrollar competencias tanto en los principios tradicionales de la ingeniería ontológica como en el uso efectivo de estas nuevas herramientas de IA.

La importancia de los principios FAIR para las ontologías

En los últimos años, los principios FAIR ( Localizable , Accesible , Interoperable y Reutilizable ) se han convertido en un referente para la gestión y el intercambio de datos de investigación. Recientemente, la aplicación de estos principios se ha extendido también a las propias ontologías, reconociéndolas como valiosos artefactos de conocimiento que se benefician enormemente de una mayor localizable, accesible, interoperable y reutilizable.

Un tutorial impartido por Luiz Bonino en el evento Ontobras 2022, por ejemplo, abordó específicamente la intersección entre los principios FAIR y el proceso de ingeniería de ontologías, con el objetivo de ayudar a los participantes a comprender cómo transformar sus ontologías en artefactos FAIR. ^{más La} ontología ODO-IM, mencionada anteriormente, se desarrolló con un enfoque en la modularidad y la reutilización, en consonancia con los principios FAIR.

Aplicar los principios FAIR a las ontologías actúa como un estándar de calidad y facilita la creación de ecosistemas de ontologías más robustos y colaborativos. Cuando una ontología es:

• Localizable: Puede ser descubierto por otros investigadores y sistemas a través de metadatos enriquecidos e identificadores persistentes, lo que aumenta su visibilidad y potencial de uso.
• Accesible: Sus términos, definiciones y estructura pueden ser consultados y recuperados por humanos y máquinas a través de protocolos estandarizados, lo que permite su inspección y uso.
• Interoperable: Puede combinarse y utilizarse junto con otras ontologías y fuentes de datos, utilizando lenguajes y formatos estándar (como OWL y RDF), lo cual es crucial para la integración de conocimiento a gran escala.
• Reutilizable: Sus componentes (clases, propiedades, axiomas) pueden reutilizarse en diferentes contextos y para diferentes propósitos, con licencias claras y documentación adecuada, ahorrando esfuerzo y promoviendo la coherencia.

Adoptar los principios FAIR en la ingeniería de ontologías no es solo una buena práctica, sino una estrategia para aumentar el impacto y el valor de las ontologías desarrolladas. Las ontologías FAIR tienen mayor probabilidad de ser adoptadas por la comunidad, integradas en diversas aplicaciones y mantenidas a lo largo del tiempo. Esto fomenta un ecosistema semántico más rico e interconectado, donde el conocimiento puede compartirse y combinarse de manera más eficaz. Para los desarrolladores y usuarios de ontologías, elegir o desarrollar ontologías que se adhieran a los principios FAIR significa contribuir a un panorama del conocimiento más colaborativo y sostenible, y beneficiarse de él.

Casos de uso de ontología avanzada (2022-2025)

Las ontologías han trascendido el mero tema de investigación académica y se han convertido en componentes integrales de un sinfín de aplicaciones avanzadas, especialmente en el período comprendido entre 2022 y 2025. Su capacidad para proporcionar una representación formal y compartida del conocimiento se ha aprovechado en diversos sectores para resolver problemas complejos.

Ontologías en proyectos de Inteligencia Artificial

La sinergia entre las ontologías y la inteligencia artificial es profunda y multifacética. A medida que los sistemas de IA se vuelven más complejos y se les exige operar con mayor conciencia del contexto, la necesidad de conocimiento estructurado, que proporcionan las ontologías, se vuelve primordial.¹

Mejora de la representación del conocimiento, el razonamiento y la explicabilidad

Las ontologías son cruciales para mejorar la representación del conocimiento en los sistemas de IA, ya que permiten definir los conceptos y sus relaciones de forma explícita e inequívoca. Esto, a su vez, mejora la comprensión semántica y dota a los sistemas de capacidades de razonamiento más sofisticadas. Un avance especialmente importante es el papel de las ontologías en la promoción de la IA explicable (XAI) ^{de 2025 que} combina enfoques de aprendizaje automático con razonamiento simbólico).

Un artículo de noviembre de 2023, titulado “Sobre los múltiples roles de las ontologías en la IA explicable” ¹⁵ , profundiza en este debate, identificando cómo las ontologías contribuyen a la IA explicable a través de:

• Modelado de referencia: Proporcionar un modelo conceptual compartido del dominio que pueda utilizarse como base para generar explicaciones.
• Razonamiento de sentido común: Incorporar conocimientos de sentido común que puedan hacer que las explicaciones sean más intuitivas y comprensibles para los seres humanos.
• Refinamiento del conocimiento y gestión de la complejidad: Ayuda a estructurar y simplificar el conocimiento complejo, haciéndolo más manejable para fines explicativos.

La capacidad de las ontologías para formalizar conceptos y relaciones de forma comprensible para los humanos las convierte en un puente fundamental para lograr sistemas de IA más transparentes y confiables. A medida que los modelos de IA, especialmente los de aprendizaje profundo, operan cada vez más como «cajas negras», crece la demanda de interpretabilidad y transparencia. Las ontologías ofrecen una capa semántica que permite traducir los comportamientos complejos de estos modelos a términos y pasos de razonamiento comprensibles, verificables y, por consiguiente, confiables para los humanos. La integración de ontologías se está convirtiendo en una estrategia clave para el desarrollo de sistemas de IA explicable (XAI), abordando una de las principales preocupaciones sociales sobre el impacto y la confiabilidad de la IA. Para los desarrolladores, esto significa que las ontologías no son solo herramientas para la representación del conocimiento, sino también componentes esenciales para construir una IA más responsable y alineada con los valores humanos.

Sinergia entre ontologías y modelos de aprendizaje automático para una IA más precisa y contextual.

La relación entre las ontologías y los Modelos de Lenguaje Grande (MLG) se considera cada vez más simbiótica. Como se mencionó anteriormente (Sección 1.3), la incorporación de ontologías de dominio en los MLG tiene el potencial de mejorar significativamente la precisión de sus resultados, potenciar sus capacidades de razonamiento multi-turno y proporcionar una base fáctica más sólida para la información que generan. ^mitigar problemas como las «alucinaciones» de los MLG, que pueden generar contenido .

Por otro lado, los modelos de lenguaje local (MLL) también se utilizan para facilitar el desarrollo y el mantenimiento de ontologías. El caso de la Ontología de Inteligencia Artificial (AIO), que se detallará más adelante, es un ejemplo de su uso en el proceso de curación.^⁸ Esta relación bidireccional sugiere un círculo virtuoso: los MLL ayudan a construir mejores ontologías con mayor rapidez, y estas ontologías, a su vez, contribuyen a que los MLL sean más precisos, fiables y contextualizados.

Estudio de caso: Una ontología de inteligencia artificial (AIO)

Un ejemplo paradigmático de la aplicación de ontologías en el campo de la IA es la Ontología de Inteligencia Artificial (AIO) , detallada en una publicación de abril de 2024. ^⁸ La AIO es una sistematización formal de los conceptos, metodologías y sus interrelaciones en el vasto y dinámico dominio de la Inteligencia Artificial. Su desarrollo combinó la curación manual especializada con la asistencia de gestores de lenguajes (LLM), reflejando las prácticas modernas de ingeniería de ontologías. El objetivo principal de la AIO es estandarizar la terminología y los conceptos dentro del campo de la IA, sirviendo como un valioso recurso para investigadores, desarrolladores y educadores.<sup> ⁸

El marco AIO se organiza en torno a seis ramas de alto nivel: Redes , Capas , Funciones , LLM , Preprocesamiento y, fundamentalmente, Sesgo . La inclusión de «Sesgo» como clase de alto nivel subraya el compromiso de la ontología de abarcar no solo los aspectos técnicos, sino también las consideraciones éticas y sociales inherentes a las tecnologías de IA. ⁸

La utilidad de AIO ya se ha demostrado mediante aplicaciones prácticas, como la anotación de datos sobre métodos de IA en un catálogo de publicaciones de investigación y su integración en BioPortal, un repositorio de ontologías biomédicas, lo que pone de relieve su potencial para la investigación interdisciplinaria.^⁸ AIO constituye un excelente caso de estudio de una ontología reciente, desarrollada para un dominio complejo y en rápida evolución, que utiliza enfoques de desarrollo contemporáneos (con la ayuda de LLM) y que busca aplicaciones de alto impacto (estandarización, anotación y fomento de debates éticos).

Aplicaciones sectoriales (por ejemplo, sanidad, finanzas, industria de la construcción)

La aplicación de ontologías trasciende el campo de la investigación en IA y se extiende a diversos sectores industriales y de servicios, donde aportan un valor tangible al resolver problemas específicos del dominio.

• Atención sanitaria: Las ontologías se utilizan ampliamente en el ámbito médico. Por ejemplo, se pueden construir modelos de diagnóstico utilizando ontologías médicas estandarizadas como SNOMED CT y el Sistema Unificado de Lenguaje Médico (UMLS).¹ ^{Un GRC} ) en medicina en 2022 reveló un enfoque considerable en la creación de ontologías y grafos de conocimiento para el sector.¹⁶
• Finanzas: En el sector financiero, las ontologías se aplican a tareas como la categorización de riesgos y la detección de fraudes. El tema «Ontologías en finanzas y manufactura» está programado para ser debatido en el Foro onto:Nexus 2025, lo que indica la actividad en curso en esta ^{área .}
• Industria de la construcción: Este sector ha experimentado un aumento en el uso de ontologías para mejorar la gestión de la información. Entre sus aplicaciones se incluyen la gestión de diversos tipos de registros de seguridad (RS) ⁷ (publicado en enero de 2023) y el desarrollo de modelos ontológicos específicos, como el Intercambio de Seguridad y Salud (SHS), para la gestión de riesgos de seguridad en las fases de diseño y planificación ¹⁸ (publicado en 2022). Otro ejemplo es el desarrollo de una ontología para la gestión de retrabajos, con el objetivo de apoyar la toma de decisiones gerenciales y la mejora continua ¹⁹ (publicado en 2023).

Estos ejemplos demuestran que la adopción práctica de ontologías suele estar impulsada por su capacidad para abordar necesidades específicas de un dominio. Ontologías como SNOMED en el ámbito sanitario o SHE en seguridad en la construcción abordan la terminología y los desafíos particulares de sus respectivos campos, lo que se traduce en mejoras en la gestión de datos, la toma de decisiones y la interoperabilidad. Por lo tanto, la utilidad de una ontología es directamente proporcional a su capacidad para capturar con precisión la semántica del dominio objetivo y resolver sus problemas específicos. Si bien las ontologías genéricas pueden proporcionar una base, son las extensiones específicas del dominio o las ontologías dedicadas las que, por lo general, generan el mayor impacto en el mundo real.

Construcción de herramientas de recuperación de información semántica

La recuperación de información (RI) es un área que se ha beneficiado enormemente de la aplicación de ontologías, permitiendo la transición de sistemas basados ​​en la simple coincidencia de palabras clave a herramientas de búsqueda verdaderamente semánticas. Las ontologías impulsan la búsqueda inteligente, permitiendo a los motores de búsqueda comprender la intención detrás de las consultas de los usuarios y el significado del contenido de los documentos.¹

Una revisión exhaustiva sobre Recuperación de Información Semántica e Ingeniería de Ontologías, publicada en julio de 2023 ^, destaca cómo el razonamiento ontológico ofrece un marco formal, flexible y escalable para la representación, el razonamiento y la inferencia del conocimiento. Este marco supera muchas de las limitaciones de los sistemas de RI tradicionales. Las principales técnicas que utilizan ontologías para mejorar la RI ^incluyen :

• Ampliación de consultas: Las ontologías se utilizan para ampliar las consultas de los usuarios añadiendo términos sinónimos, relacionados o jerárquicamente conectados (términos más genéricos o más específicos). Esto ayuda a resolver problemas de discrepancia de vocabulario entre la consulta del usuario y los documentos, mejorando así el alcance de la búsqueda.
• Anotación e indexación semántica: Los documentos pueden anotarse con conceptos de una ontología, creando metadatos semánticos enriquecidos. Estos metadatos permiten una indexación y una búsqueda de coincidencias más precisas basadas en el significado, en lugar de solo en la presencia de palabras clave.
• Alineación e integración de ontologías: En escenarios donde se deben considerar múltiples fuentes de información u ontologías, se utilizan técnicas de alineación e integración para conciliar las diferencias semánticas y permitir búsquedas que abarquen conocimientos de diversas fuentes.

La aplicación de ontologías resulta especialmente valiosa para recuperar información de colecciones digitales complejas, como las imágenes. Un estudio de julio de 2022<sup> ²³ destaca que el uso de ontologías es «muy eficaz para mejorar la accesibilidad y la precisión de la recuperación de imágenes», ya que ayuda a abordar ambigüedades, dudas y metáforas humanas que resultan difíciles de interpretar para las máquinas basándose únicamente en el contenido visual o en metadatos textuales limitados.

El desafío de la sobrecarga de información en el mundo digital dificulta cada vez más la búsqueda eficiente de contenido relevante. Los motores de búsqueda tradicionales, como se señala en ²⁴ (si bien se trata de una publicación antigua, el problema central persiste), suelen tener dificultades con la ambigüedad de las consultas y no proporcionan un contexto adecuado para los resultados. Las ontologías abordan este problema al proporcionar una forma estructurada y estandarizada de describir el conocimiento.<sup> ²⁰ Al permitir que los sistemas comprendan el significado detrás de las consultas y los documentos, las ontologías son clave para aprovechar el verdadero valor que contiene el vasto océano de información digital. La búsqueda semántica , impulsada por ontologías, se está convirtiendo en esencial para navegar por entornos informativos complejos, ofreciendo a los usuarios resultados más relevantes y precisos y, para los desarrolladores de sistemas de información, un componente crítico en la creación de herramientas de recuperación de última generación.

Gestión y análisis de datos basados ​​en ontologías.

La gestión y el análisis de datos son áreas críticas en todas las organizaciones, y las ontologías están emergiendo como herramientas poderosas para abordar desafíos persistentes como la heterogeneidad de los datos, la interoperabilidad entre sistemas y la extracción de información significativa a partir de grandes volúmenes de información.

Integración de datos heterogéneos e interoperabilidad

Una de las principales ventajas de las ontologías en la gestión de datos es su capacidad para facilitar la integración de datos procedentes de fuentes heterogéneas y promover la interoperabilidad entre diferentes sistemas. ^Muchas organizaciones se enfrentan al problema de los «silos de datos», donde la información valiosa se encuentra dispersa en diferentes bases de datos, formatos y sistemas, cada uno con su propio esquema y semántica. Las ontologías ofrecen una solución al proporcionar un vocabulario común y un modelo conceptual compartido que puede utilizarse para describir y relacionar estos datos dispares ^.

La ontología ODO-IM, por ejemplo, fue diseñada explícitamente para integrar diversos “activos científicos”. ⁵ Investigaciones recientes sobre gestión de datos semánticos, cuya publicación está prevista para mayo de 2025 ²⁶ , refuerzan esta visión, destacando que las ontologías y los grafos de conocimiento son herramientas poderosas para aumentar la usabilidad e interpretación de los datos, facilitando la integración de datos a través de enfoques como el Acceso a Datos Basado en Ontologías (OBDA).

Al mapear fuentes de datos heterogéneas a una ontología común, es posible superar las diferencias semánticas entre ellas. Esto permite consultar y analizar los datos de forma unificada, como si residieran en un único repositorio coherente, incluso si físicamente permanecen en sus ubicaciones originales. Por lo tanto, las ontologías actúan como un «pegamento semántico» que unifica silos de datos dispares, lo que permite una visión holística de la información y, en consecuencia, una toma de decisiones más informada y una comprensión más profunda.

Gráficos de conocimiento virtual (VKG) para un acceso unificado a los datos

Un enfoque arquitectónico específico que utiliza ontologías para la integración de datos es el de los Grafos de Conocimiento Virtuales (GCV) . Un tutorial de 2022 sobre «Diseño de Grafos de Conocimiento Virtuales con Ontop y Ontopic Studio» ^explica que los GCV funcionan exponiendo datos de fuentes subyacentes a través de un modelo flexible: un grafo de conocimiento cuyo vocabulario se define mediante una ontología de dominio. En lugar de materializar (copiar y transformar) todos los datos en un nuevo repositorio, los GCV mantienen el virtual . Esto se logra mediante mapeos que especifican cómo los datos de las fuentes originales se corresponden con los conceptos y relaciones de la ontología. Se realizan consultas a la ontología, y el sistema GCV las traduce en consultas sobre las fuentes de datos subyacentes en tiempo real.

Ontop es un ejemplo de sistema VKG de vanguardia, compatible con estándares de la Web Semántica como RDF, OWL2QL, R2RML (para mapeos) y SPARQL (para consultas). ^{El OWL} está especialmente optimizado para acceder a grandes volúmenes de datos, ya que permite reescribir eficientemente las consultas ontológicas en consultas SQL (u otros lenguajes de consulta de bases de datos) sobre los datos relacionales subyacentes. Por lo tanto, los VKG ofrecen una forma potente y flexible de lograr un acceso unificado a los datos sin los costes ni la complejidad de la migración y sincronización de datos a gran escala.

4.3.3. Plataformas para la gestión de datos semánticos

Existen diversas plataformas y herramientas disponibles o en desarrollo para dar soporte a la gestión de datos semánticos basada en ontologías:

• k.LAB: Es un software de semántica web de código abierto diseñado para el modelado integrado, que utiliza la ontología central ODO-IM como referencia semántica. ⁵
• Ontop y Ontopic Studio: Como se mencionó, estas son herramientas clave para el diseño e implementación de grafos de conocimiento virtuales. ¹⁴
• Lagos de datos semánticos: La investigación en gestión de datos semánticos también explora el concepto de "lagos de datos semánticos", cuyo objetivo es integrar las tecnologías de macrodatos con las tecnologías de la web semántica (incluidas las ontologías y los conjuntos de conocimientos) para gestionar y analizar grandes volúmenes de datos heterogéneos de una manera más significativa. ²⁶

Estas plataformas y enfoques demuestran el esfuerzo continuo por hacer que la gestión y el análisis de datos sean más inteligentes, eficientes y orientados al significado, con las ontologías desempeñando un papel central en esta transformación.

Otras aplicaciones avanzadas e innovadoras (2022-2025)

Además de las áreas ya establecidas, las ontologías siguen encontrando aplicaciones nuevas e innovadoras en diversos campos, lo que refleja su versatilidad y el creciente reconocimiento de su valor.

Un campo emergente es la aplicación del pensamiento ontológico al diseño de interacción y la crítica de sistemas de IA . Un artículo programado para la conferencia CHI '25, titulado «Ontologías en el diseño: cómo imaginar un árbol revela posibilidades y supuestos en grandes modelos de lenguaje»^²⁸ , propone, según su resumen, cuatro orientaciones para considerar las ontologías en el diseño: pluralismo, fundamentación, dinamismo y puesta en práctica. El objetivo es utilizar estas orientaciones para analizar grandes modelos de lenguaje (GML), revelando potencialidades y supuestos inherentes a estos sistemas. Si bien no se disponía de los detalles completos del artículo más allá del resumen para este análisis, la propuesta en sí misma señala una dirección innovadora para el uso de ontologías en la evaluación y el diseño éticos y reflexivos de tecnologías de IA.

El Foro onto:Nexus 2025 , un foro internacional sobre modelado y análisis ontológico, también pone de manifiesto la amplitud de las aplicaciones contemporáneas. El programa del evento incluye temas como «Ontologías en finanzas y manufactura», «Modelado espacial: un conjunto de ontologías para astronáutica y astronomía» y «Análisis ontológico de códigos de construcción en modelos BIM (Building Information Modeling)». ^¹⁷ Estos temas ilustran cómo se aplican las ontologías para estructurar el conocimiento y resolver problemas en ámbitos tan diversos como la regulación aeroespacial y de la construcción civil, siempre con especial atención a los desarrollos y debates actuales (2025).

La tabla que aparece a continuación consolida diversas aplicaciones de ontologías en múltiples dominios, centrándose en el período comprendido entre 2022 y 2025, para ilustrar la amplitud y el impacto de estas tecnologías.

Tabla 4: Aplicaciones de ontologías en diversos dominios (2022-2025)

Estos ejemplos demuestran que las ontologías son herramientas versátiles, adaptables a una amplia gama de desafíos y oportunidades en múltiples sectores, impulsando la innovación y la búsqueda de sistemas más inteligentes y comprensibles.

Desafíos actuales y oportunidades futuras en el uso de ontologías.

A pesar de los importantes avances y la creciente adopción de ontologías en diversas aplicaciones, el campo aún enfrenta desafíos considerables. Al mismo tiempo, la continua evolución de la Inteligencia Artificial, especialmente de los Grandes Modelos de Lenguaje (GML), abre nuevas y prometedoras oportunidades.

Principales obstáculos en ingeniería, integración y mantenimiento.

El camino desde la concepción de una ontología hasta su implementación y mantenimiento efectivos está plagado de obstáculos que exigen atención e investigación continuas.

• Complejidad de la ingeniería de ontologías (IO): ^ya se mencionó, la IO sigue siendo un proceso inherentemente complejo, laborioso y propenso a errores, incluso para expertos. ^actualizadas ante la evolución constante de los dominios también representa un desafío permanente.
• Desafíos de los LLM en EO: Si bien los LLM ofrecen potencial para ayudar en EO, su uso conlleva sus propios desafíos. Estos incluyen la aparición de errores comunes en los borradores generados, la variabilidad en la calidad de los resultados, la necesidad de métodos de evaluación multidimensionales robustos para validar las ontologías producidas por los LLM y el riesgo de "fuga de datos" (donde el LLM puede haber sido entrenado con los datos que se está utilizando para evaluar) ^.
• Obstáculos en la recuperación de información semántica: La aplicación de ontologías en la recuperación de información se enfrenta a dificultades como la adquisición y curación del conocimiento ontológico, el manejo de la ambigüedad inherente al lenguaje natural, garantizar la escalabilidad y adaptabilidad de los sistemas a medida que crece el volumen de datos, el diseño y la construcción efectivos de las propias ontologías de recuperación de información y la superación de la heterogeneidad semántica entre diferentes fuentes de información y vocabularios. ²⁰
• Desafíos en la gestión de datos semánticos (especialmente para macrodatos y lagos de datos): La aplicación de ontologías en entornos de macrodatos y lagos de datos, si bien prometedora, enfrenta importantes obstáculos. Estos incluyen la gran inversión inicial requerida para crear grafos de conocimiento y mapeos semánticos para una gran cantidad de conjuntos de datos heterogéneos; la dificultad para evaluar la precisión y la calidad de los modelos semánticos generados automáticamente; los desafíos en la interoperabilidad técnica, especialmente con modelos de datos NoSQL y la necesidad de procesamiento de consultas federadas; la necesidad de una mayor abstracción técnica para que las herramientas sean utilizables por usuarios no técnicos; y garantizar la aplicabilidad y el rendimiento en escenarios reales de macrodatos. ²⁶

Un tema recurrente en muchos de estos desafíos es el equilibrio entre escalabilidad y calidad en la gestión de ontologías . La ingeniería manual de ontologías, si bien es capaz de producir resultados de alta calidad, es lenta, costosa y difícil de escalar. ^lado , los métodos automatizados, incluidos los basados ​​en modelos de lenguaje local (LLM), prometen mayor escalabilidad y velocidad, pero a menudo presentan problemas relacionados con la calidad, la consistencia, la precisión y la dificultad de evaluar rigurosamente los resultados. ^una importante línea de investigación en curso se centra en encontrar el equilibrio adecuado entre las técnicas automatizadas para lograr velocidad y escalabilidad, y la supervisión y experiencia humanas para garantizar la calidad, la precisión y la relevancia. Los enfoques híbridos, que combinan lo mejor de ambos mundos, son probablemente la vía más viable a seguir, reconociendo que no existen soluciones fáciles y que el campo busca activamente formas de lograr una gestión de ontologías eficaz y eficiente ante la creciente demanda.

Oportunidades emergentes con la evolución de la IA, especialmente en los LLM.

A pesar de los desafíos, el futuro de las ontologías es prometedor, en gran medida debido a las oportunidades que ofrece la continua evolución de la Inteligencia Artificial y, en particular, de los Grandes Modelos de Lenguaje (LLM).

• Modelos de aprendizaje automático como herramientas para apoyar la ingeniería de ontologías: Los modelos de aprendizaje automático tienen el potencial de reducir significativamente el trabajo manual de los ingenieros de ontologías experimentados y brindar una valiosa asistencia a quienes se inician en este campo, facilitando así la creación de ontologías.<sup> ³ El ajuste preciso de los modelos de aprendizaje automático con conjuntos de datos específicos del dominio de la ingeniería de ontologías o de dominios de aplicación particulares puede aumentar aún más su utilidad y la calidad de las ontologías generadas.<sup> ¹²
• Sinergia entre ontologías e IA generativa: La integración de ontologías con modelos de lenguaje local (MLL) para aplicaciones de IA generativa (GenAI) es un área de gran potencial. Al proporcionar una base de conocimiento estructurada y objetiva, las ontologías pueden ayudar a GenAI a producir resultados más precisos, contextualmente relevantes y bien fundamentados, mitigando problemas como la generación de información incorrecta.^¹
• Modelos de lenguaje local (LLM) en la gestión de datos semánticos: En el contexto de la gestión de datos semánticos, los LLM ofrecen oportunidades para automatizar tareas como la descripción de fuentes de datos, la creación inicial de ontologías de dominio a partir de datos textuales o semiestructurados y el descubrimiento de relaciones semánticas entre diferentes conjuntos de datos. ²⁶

Se observa coevolución entre ontologías y modelos de lenguaje de aprendizaje (LLM) . Por un lado, los LLM se utilizan cada vez más como herramientas para construir y mantener ontologías de forma más eficiente. ^otro lado, se proponen y utilizan ontologías para mejorar el rendimiento y la fiabilidad de los propios LLM, proporcionándoles conocimiento estructurado del dominio, capacidades de razonamiento y una base para explicaciones más transparentes. ^Esta relación recíproca sugiere que el desarrollo futuro de ambos campos estará cada vez más interrelacionado. Los avances en LLM conducirán a herramientas de ingeniería de ontologías más sofisticadas y accesibles, mientras que ontologías más ricas y elaboradas permitirán aplicaciones de LLM más potentes, fiables e inteligentes. Esto apunta a un futuro en el que los sistemas de IA se construirán sobre una integración más estrecha de enfoques simbólicos (basados ​​en ontologías) y subsimbólicos (basados ​​en LLM), dando lugar a sistemas que combinan la capacidad de aprender de grandes volúmenes de datos con la precisión e interpretabilidad del conocimiento formal.

La importancia de la colaboración comunitaria y la estandarización.

El avance y la adopción generalizada de ontologías dependen no solo del progreso técnico individual, sino también de la fortaleza y la colaboración de la comunidad de investigadores y profesionales, así como del cumplimiento de las normas y las mejores prácticas.

Iniciativas como la Ontología de Inteligencia Artificial (AIO), un proyecto de código abierto que fomenta las contribuciones de la comunidad ^, y foros como onto:Nexus Forum, cuyo objetivo es impulsar la colaboración en la comunidad de modelado ontológico ^, son ejemplos de la importancia del trabajo colaborativo. Eventos como Ontobras, con sus tutoriales sobre temas actuales como los principios FAIR para ontologías ^, también desempeñan un papel fundamental en la difusión del conocimiento y el fortalecimiento de la comunidad.

La importancia de estándares como OWL ¹ para la representación de ontologías y la aplicación de principios como FAIR (Encontrable, Accesible, Interoperable, Reutilizable) ⁵ son fundamentales para garantizar la interoperabilidad y la reutilización de las ontologías. Las ontologías e iniciativas exitosas suelen hacer hincapié en los estándares abiertos, la colaboración comunitaria y el intercambio de recursos. El desarrollo de estructuras de conocimiento complejas, como las ontologías, se beneficia enormemente de la diversidad de conocimientos y esfuerzos compartidos que una comunidad activa puede aportar. Los estándares y principios proporcionan la base común necesaria para dicha colaboración y para asegurar que las ontologías puedan ser ampliamente utilizadas, integradas y comprendidas por diferentes sistemas y equipos.

El progreso en el campo de las ontologías se ve impulsado no solo por avances técnicos aislados, sino también por la construcción de un ecosistema colaborativo. La apertura fomenta una mayor adopción, facilita la retroalimentación e impulsa la mejora continua, mientras que la estandarización garantiza que los esfuerzos no se fragmenten y que las ontologías puedan interactuar eficazmente. El impacto futuro de las ontologías dependerá en gran medida de la vitalidad de esta comunidad y del cumplimiento de estándares y buenas prácticas compartidos. Para quienes estudian y trabajan en este campo, participar en estas comunidades, contribuir a la estandarización y adoptar principios de apertura son pasos clave para mantenerse actualizados y contribuir eficazmente al avance del sector.

Navegando el futuro semántico con ontologías

Recapitulación de la importancia y versatilidad de las ontologías.

A lo largo de este análisis, se exploró la naturaleza multifacética de las ontologías, desde sus componentes fundamentales y principios de desarrollo hasta sus aplicaciones avanzadas en el panorama tecnológico de 2022-2025. Se evidenció que las ontologías son mucho más que meras estructuras de datos; son representaciones formales y explícitas del conocimiento que constituyen la columna vertebral semántica de una amplia gama de sistemas inteligentes. Su capacidad para definir conceptos, propiedades y relaciones de manera inequívoca y comprensible para las máquinas las hace indispensables para mejorar la comprensión contextual en Inteligencia Artificial, potenciar la recuperación de información verdaderamente semántica, facilitar la gestión e integración de datos heterogéneos e impulsar la innovación en ámbitos tan diversos como la salud, las finanzas, la construcción y la investigación científica. La distinción entre ontologías y grafos de conocimiento, así como la comprensión de los diferentes tipos de ontologías —de dominio, de alto nivel, centrales e híbridas—, son cruciales para apreciar la adaptabilidad de estas herramientas a diferentes necesidades y ámbitos.

Perspectivas sobre la evolución y la adopción de ontologías

De cara al futuro, la trayectoria de las ontologías parece intrínsecamente ligada a la evolución de la propia Inteligencia Artificial. La integración sinérgica con Modelos de Lenguaje Extensos (MLE) representa una de las fronteras más prometedoras, donde los MLE pueden ayudar a superar los retos de la ingeniería de ontologías, mientras que las ontologías pueden proporcionar a los MLE la base fáctica y la estructura semántica necesarias para una mayor precisión y fiabilidad. El creciente énfasis en los principios FAIR para las ontologías señala un movimiento hacia un ecosistema de conocimiento más abierto, colaborativo e interoperable. La búsqueda de una mayor automatización en la ingeniería de ontologías, impulsada por la IA, seguirá siendo un área de intensa investigación y desarrollo, con el objetivo de hacer que la creación y el mantenimiento de ontologías sean más accesibles y eficientes.

La expansión de las ontologías a nuevos dominios y tipos de aplicación, como el diseño de interacción y el análisis de sistemas de IA desde una perspectiva ontológica, demuestra la relevancia perdurable del pensamiento estructurado sobre el conocimiento. Persisten los desafíos relacionados con la complejidad, la escalabilidad, la calidad y la evaluación, pero se ven acompañados por un enérgico esfuerzo de la comunidad científica e industrial para desarrollar nuevas metodologías, herramientas y estándares.

En definitiva, como se destacó al principio, en la era de la IA cada vez más contextual y orientada al razonamiento, las ontologías han dejado de ser un componente opcional para convertirse en elementos fundamentales. ^comprendan el mundo que los rodea, lo que nos permite navegar el futuro semántico con mayor claridad, precisión e inteligencia.

Referencias citadas

1. Ontología en IA (Guía 2025): Estructura, semántica y aplicaciones en…, consultado el 29 de mayo de 2025, https://dev.to/bikashdaga/ontology-in-ai-2025-guide-structure-semantics-applications-in-knowledge-representation-44aa
2. Ingeniería de ontologías (Synthesis Lectures on Data, Semantics, and Knowledge): 9783031794858 – Amazon.com, consultado el 29 de mayo de 2025, https://www.amazon.com/Ontology-Engineering-Synthesis-Semantics-Knowledge/dp/3031794850
3. arXiv:2503.05388v1 [cs.AI] 7 de marzo de 2025, consultado el 29 de mayo de 2025, https://arxiv.org/pdf/2503.05388?
4. Ontología (ciencia de la información) – Wikipedia, consultado el 29 de mayo de 2025, https://en.wikipedia.org/wiki/Ontology_(information_science)
5. Ontología de Descripciones y Observaciones para el Modelado Integrado (ODO-IM) – Semantic Web Journal, consultado el 29 de mayo de 2025, https://www.semantic-web-journal.net/system/files/swj3663.pdf
6. protege.stanford.edu, consultado el 29 de mayo de 2025, https://protege.stanford.edu/publications/ontology_development/ontology101.pdf
7. Una revisión de la gestión de la seguridad basada en ontologías en la construcción – MDPI, consultado el 29 de mayo de 2025, https://www.mdpi.com/2071-1050/15/1/413
8. [2404.03044] La ontología de la inteligencia artificial: construcción de jerarquías de conceptos de IA asistida por LLM – arXiv, consultado el 29 de mayo de 2025, https://arxiv.org/abs/2404.03044
9. La ontología de la inteligencia artificial: construcción de jerarquías de conceptos de IA asistida por LLM – arXiv, consultado el 29 de mayo de 2025, https://arxiv.org/pdf/2404.03044?
10. arxiv.org, consultado el 29 de mayo de 2025, https://arxiv.org/pdf/2404.03044
11. Documentación de Ontology Access Kit (OAK) – GitHub Pages, consultado el 29 de mayo de 2025, https://incatools.github.io/ontology-access-kit/
12. Ajuste fino de modelos de lenguaje grandes para la ingeniería de ontologías: Un …, consultado el 29 de mayo de 2025, https://www.mdpi.com/2076-3417/15/4/2146
13. arxiv.org, consultado el 29 de mayo de 2025, https://arxiv.org/pdf/2503.05388
14. Tutoriales 2022 – ONTOBRAS, consultado el 29 de mayo de 2025, https://www.inf.ufrgs.br/ontobras/en/tutorials-2022/
15. [2311.04778] Sobre los múltiples roles de las ontologías en la IA explicable – arXiv, consultado el 29 de mayo de 2025, https://arxiv.org/abs/2311.04778
16. Representación y gestión del conocimiento 2022: Hallazgos en el desarrollo y las aplicaciones de ontologías – PMC, consultado el 29 de mayo de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10751114/
17. Onto: Nexus Forum 2025 – openCAESAR, consultado el 29 de mayo de 2025, https://www.opencaesar.io/events/onto-Nexus-Forum-2025
18. DESARROLLO DE UNA ONTOLOGÍA DE SEGURIDAD EN LA CONSTRUCCIÓN Y SU ALINEACIÓN CON LAS CLASES FUNDAMENTALES DE LA INDUSTRIA (IFC), consultado el 29 de mayo de 2025, https://www.itcon.org/papers/2022_05-ITcon-Farghaly.pdf
19. Artículo completo: «Curating a domain ontology for rework in construction: challenges and learnings from practice», consultado el 29 de mayo de 2025, https://www.tandfonline.com/doi/full/10.1080/09537287.2023.2223566
20. (PDF) Revisión exhaustiva sobre recuperación de información semántica e ingeniería de ontologías, consultado el 29 de mayo de 2025, https://www.researchgate.net/publication/372625265_Comprehensive_Review_on_Semantic_Information_Retrieval_and_Ontology_Engineering
21. [2307.13427] Revisión exhaustiva sobre la recuperación de información semántica y la ingeniería de ontologías – arXiv, consultado el 29 de mayo de 2025, https://arxiv.org/abs/2307.13427
22. arxiv.org, consultado el 29 de mayo de 2025, https://arxiv.org/pdf/2307.13427
23. Aplicación de ontologías en la recuperación de información digital…, consultado el 29 de mayo de 2025, https://jks.atu.ac.ir/article_13594.html?lang=en
24. [1012.1617] Sistema de recuperación de información centrado en el usuario y basado en ontologías para las ciencias de la vida – arXiv, consultado el 29 de mayo de 2025, https://arxiv.org/abs/1012.1617
25. (PDF) Ontologías: Principios, métodos y aplicaciones – ResearchGate, consultado el 29 de mayo de 2025, https://www.researchgate.net/publication/302937543_Ontologies_Principles_methods_and_applications
26. (PDF) Un estudio sobre la gestión de datos semánticos como intersección de…, consultado el 29 de mayo de 2025, https://www.researchgate.net/publication/380158769_A_survey_on_semantic_data_management_as_intersection_of_ontology-based_data_access_semantic_modeling_and_data_lakes
27. www.inf.ufrgs.br, consultado el 29 de mayo de 2025, https://www.inf.ufrgs.br/ontobras/wp-content/uploads/2022/11/ontobras-2022-tutorial-vkgs.pdf
28. [2504.03029] Ontologías en el diseño: cómo imaginar un árbol revela posibilidades y supuestos en grandes modelos de lenguaje – arXiv, consultado el 29 de mayo de 2025, https://arxiv.org/abs/2504.03029
29. Ontologías en el diseño: cómo imaginar un árbol revela posibilidades y supuestos en grandes modelos de lenguaje – arXiv, consultado el 29 de mayo de 2025, https://arxiv.org/html/2504.03029v1