Ontologias: Fundamentos, Desenvolvimento e Aplicações Avançadas no Cenário Atual (2022-2025)

Introdução às ontologias: A espinha dorsal da compreensão semântica

O texto que você vai ler foi gerado em conjunto com o Google NotebookLM, através das minhas pesquisas e estudos em Ontologias para gerar melhores projetos relacionados ao SEO, sistemas de informação, criação de agentes de Inteligência Artificial e outros assuntos relacionados.

Ele foi sendo gerado através das respostas as minhas dúvidas e organizado para passar um panorama geral do que foi publicado entre 2022 e 2025 sobre esse assunto tão intrigante, que se tornou fundamental para todas as áreas envolvidas com projetos digitais para web.

Definição formal e importância estratégica

No campo da Inteligência Artificial (IA), uma ontologia é definida como uma representação formal e explícita do conhecimento, manifestada como um conjunto de conceitos, entidades, propriedades e as relações que se estabelecem entre eles dentro de um domínio específico. Fundamentalmente, uma ontologia articula “o que existe” nesse domínio e como seus componentes se interconectam, servindo assim como a espinha dorsal semântica para sistemas inteligentes.¹ Esta capacidade de estruturar o conhecimento de forma compreensível por máquinas é o que posiciona as ontologias como elementos cruciais na busca por uma IA mais robusta e contextualizada.

A relevância das ontologias tem crescido exponencialmente, impulsionada pela proliferação de grafos de conhecimento (KGs), pelo avanço contínuo do aprendizado de máquina (ML) e do processamento de linguagem natural (NLP), e pelo volume massivo de dados gerados cotidianamente. Publicações recentes, como o guia “Ontology Engineering” de 2024, sublinham que as ontologias oferecem um “esquema” rico e semanticamente fundamentado para os KGs que sustentam essas tecnologias. Mais do que isso, elas fornecem a base terminológica e semântica essencial para alcançar melhorias drásticas nos resultados e na eficácia de aplicações de ML e NLP.²

A crescente complexidade e a demanda por maior consciência de contexto nos sistemas de IA modernos ¹ tornam a representação estruturada do conhecimento, tal como proporcionada pelas ontologias, não apenas útil, mas indispensável. Sem essa espinha dorsal semântica formal, os sistemas de IA enfrentariam dificuldades consideráveis para lidar com ambiguidades, realizar inferências lógicas complexas e fornecer explicações transparentes sobre suas decisões e comportamentos. As ontologias, ao melhorarem a compreensão semântica em sistemas de NLP, ao habilitarem o raciocínio através da definição de regras e lógica, ao suportarem a explicabilidade das decisões da IA, ao impulsionarem a busca inteligente e ao serem essenciais para a interoperabilidade ¹, transcendem o conceito de meros modelos descritivos. Elas se configuram como componentes ativos que elevam o desempenho e a capacidade de compreensão dos sistemas de IA, tornando-se uma necessidade prática para o desenvolvimento e a compreensão de soluções de IA sofisticadas e de próxima geração.

Componentes chave de uma ontologia

Para que uma ontologia cumpra seu papel de representação formal do conhecimento, ela é construída a partir de vários componentes chave inter-relacionados. A compreensão desses blocos construtivos é fundamental para qualquer pessoa que deseje entender ou trabalhar com ontologias. Os principais componentes incluem ¹:

• Classes (Classes): Representam categorias, conceitos ou tipos de entidades no domínio. Funcionam como abstrações que agrupam indivíduos com características semelhantes. Por exemplo, em um domínio de transporte, Veículo seria uma classe; em um domínio biológico, Animal e Pessoa seriam classes.
• Indivíduos (Individuals) ou Instâncias (Instances): São as ocorrências específicas ou os exemplos concretos das classes. Se Veículo é uma classe, um Tesla Model 3 específico seria um indivíduo. Da mesma forma, Tigre poderia ser um indivíduo da classe Animal, e Alice um indivíduo da classe Pessoa.
• Propriedades (Properties) ou Atributos (Attributes) e Relações (Relations): Descrevem as características das classes e dos indivíduos, bem como as maneiras pelas quais eles se relacionam entre si. As propriedades podem ser atributos que descrevem um indivíduo (e.g., um veículo temRodas, uma pessoa temAltura) ou relações que conectam dois ou mais indivíduos (e.g., uma pessoa éAmigaDe outra pessoa, um veículo éFabricadoPor uma empresa).
• Axiomas (Axioms): São declarações ou regras formais que são consideradas verdadeiras dentro do domínio da ontologia. Os axiomas restringem o significado dos termos e definem a lógica do domínio. Um exemplo de axioma poderia ser “Todos os humanos são mamíferos”, o que estabelece uma verdade fundamental sobre a relação entre as classes Humano e Mamífero.
• Hierarquias (Hierarchies): Frequentemente, as classes são organizadas em hierarquias taxonômicas usando relações de subclasse-superclasse (também conhecidas como relações “é-um” ou “tipo-de”). Por exemplo, a classe Carro pode ser uma subclasse da classe Veículo (denotado como Carro⊆Veıˊculo), indicando que todo carro é um tipo de veículo e herda propriedades de Veículo.

A tabela abaixo resume esses componentes fundamentais, oferecendo uma referência rápida para consolidar a compreensão de seus papéis na estrutura de uma ontologia.

Tabela 1: Componentes Fundamentais de uma Ontologia

Estes componentes, quando combinados de forma lógica e consistente, permitem que uma ontologia forneça uma especificação rica e formal de um domínio de conhecimento.

O papel crucial das ontologias na IA moderna

No panorama da Inteligência Artificial moderna, especialmente no período entre 2022 e 2025, as ontologias desempenham um papel cada vez mais crucial e multifacetado. Elas são instrumentais para aprimorar a compreensão semântica em sistemas de Processamento de Linguagem Natural (NLP), permitindo que as máquinas interpretem o significado e o contexto da linguagem humana com maior precisão. Ao definir regras e lógica formal, as ontologias capacitam os sistemas de IA com habilidades de raciocínio, permitindo-lhes derivar novo conhecimento a partir de informações existentes. Além disso, elas são fundamentais para suportar a explicabilidade (XAI) nas decisões tomadas pela IA, fornecendo um rastro compreensível da lógica utilizada. As ontologias também impulsionam a busca inteligente, como em motores de busca semântica, que vão além da correspondência de palavras-chave para entender a intenção do usuário. Por fim, são essenciais para garantir a interoperabilidade em sistemas complexos, como os multiagente e os que operam em múltiplos domínios, facilitando a comunicação e a troca de informações consistentes.¹ Em suma, as ontologias auxiliam as máquinas a compreender o contexto, e não apenas os dados brutos com os quais operam.

Uma área particularmente promissora é a integração de ontologias com Modelos de Linguagem Grandes (LLMs) e ferramentas de IA Generativa (GenAI). Uma perspectiva para 2025 indica que incorporar ontologias de domínio nos sistemas de prompting e memória dos LLMs trará benefícios significativos. Espera-se que isso resulte em saídas mais precisas e relevantes em domínios específicos, um melhor raciocínio em interações multiturno e uma maior fundamentação factual das informações geradas pelos LLMs. Nesse cenário, as ontologias poderiam funcionar como a memória estruturada e verificada para os LLMs.¹

Esta sinergia é particularmente importante considerando uma fraqueza conhecida dos LLMs: a tendência a “alucinações”, ou seja, a geração de informações que parecem plausíveis mas são factualmente incorretas ou contextualmente inadequadas.³ O conhecimento estruturado e validado contido nas ontologias pode atuar como um mecanismo de ancoragem ou referência para os LLMs. Ao fornecer uma base de fatos e relações bem definidos, as ontologias podem guiar o processo de geração dos LLMs, restringindo suas saídas a informações mais precisas e contextualmente apropriadas, especialmente em domínios especializados que exigem alta fidelidade. Esta colaboração entre a flexibilidade generativa dos LLMs e a rigor semântico das ontologias aponta para um futuro onde as aplicações de IA Generativa podem se tornar significativamente mais confiáveis e fidedignas. Para aqueles que estão aprendendo sobre ontologias, isso sinaliza uma trajetória onde sistemas baseados em LLMs podem depender cada vez mais de ontologias de domínio bem curadas para alcançar seu pleno potencial.

Distinção e relação entre ontologias e Grafos de Conhecimento (KGs)

Os termos “ontologia” e “grafo de conhecimento” (Knowledge Graph – KG) são frequentemente utilizados no mesmo contexto e, por vezes, de forma intercambiável, o que pode gerar confusão, especialmente para quem está iniciando seus estudos na área. Embora intimamente relacionados, eles se referem a conceitos distintos, mas complementares.

Uma ontologia pode ser entendida como o esquema ou a estrutura que define um domínio. Ela estabelece as regras, as classes (conceitos), as propriedades (relações) e os axiomas que governam esse domínio. Pode-se pensar na ontologia como um framework conceitual, geralmente mais estático, que descreve os tipos de coisas que existem e como elas podem se relacionar. Ela é a “gramática” que define a linguagem para falar sobre um domínio.¹

Por outro lado, um grafo de conhecimento é uma instanciação dessa estrutura com dados concretos. Ele não apenas contém a estrutura (muitas vezes fornecida por uma ontologia), mas também os indivíduos (instâncias específicas das classes) e as relações factuais entre eles. KGs são dinâmicos e populados com dados, representando o conhecimento real sobre entidades e suas conexões.¹

A tabela abaixo ilustra as principais diferenças e a relação entre ontologias e grafos de conhecimento:

Tabela 2: Comparativo: Ontologias vs. Grafos de Conhecimento

Fonte: Baseado em.¹

Apesar de suas distinções, ontologias e KGs trabalham em conjunto para potencializar uma vasta gama de aplicações inteligentes. A ontologia fornece o modelo semântico e as regras de inferência, enquanto o KG armazena e organiza os dados factuais de acordo com esse modelo. Juntos, eles são a força motriz por trás de sistemas como o motor de busca do Google, assistentes virtuais como Siri e Alexa, e chatbots avançados baseados em IA.¹ Compreender essa distinção é fundamental para apreciar como o conhecimento é modelado, gerenciado e utilizado em sistemas de IA contemporâneos.

Tipos de Ontologias e seus papéis estratégicos

As ontologias podem ser classificadas de diversas formas, dependendo de seu nível de generalidade, escopo e propósito. Compreender os diferentes tipos de ontologias é crucial para selecionar ou desenvolver a estrutura de conhecimento mais adequada para uma determinada aplicação.

Classificações comuns: Domínio, Superior e Híbrida

Três tipos principais de ontologias são comumente discutidos na literatura e na prática ⁴:

• Ontologia de Domínio (Domain Ontology): Este tipo de ontologia é projetado para representar o conhecimento pertencente a um campo ou área específica do mundo. Por exemplo, uma ontologia de domínio pode ser desenvolvida para a biologia, a medicina, a política, a engenharia de software ou qualquer outro campo especializado. A principal característica de uma ontologia de domínio é que ela modela definições de termos que são específicas e significativas dentro desse domínio particular. Um exemplo ilustrativo é a palavra “carta”: uma ontologia sobre o domínio do pôquer modelaria o significado de “carta” como “playing card” (carta de baralho), enquanto uma ontologia sobre o domínio de hardware de computador modelaria os significados de “punched card” (cartão perfurado) e “video card” (placa de vídeo).⁴
• Ontologia Superior (Upper Ontology ou Foundation Ontology): Em contraste com as ontologias de domínio, uma ontologia superior modela conceitos, relações e objetos que são muito gerais e comuns, aplicáveis a uma ampla gama de ontologias de domínio. Ela visa fornecer um framework de conceitos básicos e universais, como tempo, espaço, processo, objeto, evento, que podem ser reutilizados e especializados por diferentes ontologias de domínio. As ontologias superiores geralmente empregam um glossário central que abrange termos e descrições de objetos de forma genérica. Exemplos notáveis de ontologias superiores incluem Basic Formal Ontology (BFO), Descriptive Ontology for Linguistic and Cognitive Engineering (DOLCE), e Suggested Upper Merged Ontology (SUMO).⁴
• Ontologia Híbrida (Hybrid Ontology): Como o nome sugere, uma ontologia híbrida é uma combinação de uma ontologia superior e uma ou mais ontologias de domínio. Ela busca integrar os conceitos gerais de uma ontologia superior com os termos específicos de um domínio particular. Um exemplo citado é a ontologia Gellish, que incorpora elementos de ambos os tipos.⁴

A interação entre esses tipos de ontologias é fundamental para a gestão escalável do conhecimento. Ontologias de domínio, quando desenvolvidas independentemente, frequentemente resultam em incompatibilidades semânticas devido a diferentes percepções do domínio, linguagens ou propósitos de uso. A fusão dessas ontologias distintas pode ser um processo manual, demorado e caro.⁴ No entanto, o uso de uma ontologia superior comum como base para o desenvolvimento de múltiplas ontologias de domínio pode mitigar significativamente esses desafios. Ao fornecer um conjunto padronizado de conceitos e relações fundamentais, as ontologias superiores facilitam a integração e a interoperabilidade entre ontologias de domínio que compartilham essa mesma base, reduzindo o esforço manual de fusão.⁴ Isso sugere que o desenvolvimento e a adoção de ontologias superiores robustas são críticos para alcançar uma interoperabilidade semântica mais ampla e a reutilização do conhecimento em diferentes domínios e aplicações. As ontologias híbridas, por sua vez, representam uma abordagem pragmática para alavancar as forças de ambos os mundos, combinando a generalidade das ontologias superiores com a especificidade necessária das ontologias de domínio.

Ontologias de Núcleo (Core Ontologies) e sua relevância

Além das classificações mais amplas de domínio e superior, o conceito de ontologia de núcleo (core ontology) também é relevante, especialmente em contextos de modelagem complexa e integrada. Uma ontologia de núcleo é projetada para capturar os conceitos e relações fundamentais que são centrais para uma área de interesse particular, que pode ser mais ampla que um domínio específico, mas não tão universal quanto uma ontologia superior.

Um exemplo proeminente e recente é a Ontology of Descriptions and Observations for Integrated Modelling (ODO-IM). Esta ontologia de núcleo foi desenvolvida para capturar observações científicas e as descrições relacionadas a essas observações, com o objetivo de integrar diversos ativos científicos.⁵ A ODO-IM é um componente central do k.LAB, um software de modelagem integrada, e se baseia na Provenance Ontology (PROV-O) para rastrear as origens e mudanças da informação, o que é crucial para representar o conhecimento científico.⁵

A estrutura da ODO-IM é organizada em torno de três categorias principais (ou “espinha dorsal”): Descrição (capturando as atividades que produzem artefatos científicos a partir de observações contextualizadas), Observável (os conceitos que são objeto de uma descrição científica e fornecem a semântica básica para a observação resultante) e Predicado (construtos linguísticos que podem ser combinados com observáveis para restringir seu significado).⁵ Dentro da ODO-IM, as observações científicas são interpretadas como relações contextuais entre um agente observador (e.g., um cientista ou um sensor) e um alvo de observação (e.g., um objeto físico ou um evento).⁵

As ontologias de núcleo, como a ODO-IM, surgem frequentemente quando as ontologias superiores existentes são consideradas demasiado genéricas ou quando seus compromissos ontológicos (as suposições fundamentais sobre a natureza da realidade que elas incorporam) não se alinham com os requisitos específicos ou a “visão científica” de um domínio ou plataforma particular. Por exemplo, a ODO-IM faz escolhas de design específicas, como não incluir semântica para unidades de medida, porque suas aplicações primárias no software k.LAB (atualmente focado em sustentabilidade social e ambiental) não as exigem. Ela também permanece agnóstica em relação a certas distinções filosóficas que são integrais a ontologias fundacionais como BFO.⁵ Isso demonstra que as ontologias de núcleo buscam um equilíbrio, fornecendo conceitos fundamentais que são mais específicos que os de uma ontologia superior, mas ainda suficientemente gerais para cobrir uma área de interesse complexa, sem se tornarem tão granulares quanto ontologias de domínio altamente especializadas. Elas representam uma abordagem pragmática na engenharia de ontologias, onde os desenvolvedores optam por criar ou adaptar ontologias que melhor se ajustem às suas necessidades complexas e imediatas, em vez de tentar aderir a um modelo fundacional universal se este não for prático ou adequado.

Considerações para a escolha do tipo de ontologia

A decisão sobre qual tipo de ontologia desenvolver ou utilizar não é trivial e depende fundamentalmente do propósito da ontologia e do contexto de sua aplicação. Embora os princípios delineados no guia “Ontology Development 101” ⁶ sejam de uma publicação mais antiga (circa 2000), a etapa inicial de determinar o domínio e o escopo da ontologia permanece um direcionador atemporal e crucial para essa escolha.

Os principais fatores a serem considerados incluem:

• O domínio que a ontologia cobrirá: Quão amplo ou específico é o campo de conhecimento? Um domínio muito restrito pode se beneficiar de uma ontologia de domínio detalhada, enquanto a necessidade de integrar conhecimento de múltiplos domínios pode apontar para o uso de uma ontologia superior como base.
• O uso pretendido da ontologia: A ontologia será usada para anotação de dados, raciocínio automatizado, recuperação de informação, interoperabilidade entre sistemas, ou para facilitar a comunicação humana? Diferentes usos podem exigir diferentes níveis de formalidade e expressividade.
• Os tipos de perguntas que a ontologia deve responder (perguntas de competência): Conforme sugerido em ⁶, formular “perguntas de competência” ajuda a definir o nível de detalhe e os tipos de conceitos e relações que a ontologia precisa capturar. Se as perguntas são muito específicas de um nicho, uma ontologia de domínio é provável. Se as perguntas abrangem conceitos fundamentais aplicáveis a muitas áreas, uma ontologia superior pode ser mais relevante.
• Quem usará e manterá a ontologia: A complexidade da ontologia e as ferramentas necessárias para seu uso e manutenção devem ser compatíveis com o conhecimento técnico dos usuários e mantenedores.

Não existe um tipo de ontologia “tamanho único”. A escolha é uma decisão estratégica que envolve equilibrar a necessidade de especificidade para resolver problemas de um domínio particular com os benefícios da generalidade para reusabilidade e interoperabilidade. Por exemplo, um projeto que visa integrar diversos conjuntos de dados em uma grande empresa pode se beneficiar da adoção de uma ontologia superior como uma espinha dorsal comum, complementada por ontologias de domínio para áreas de negócios específicas. Em contraste, um projeto de pesquisa focado em um problema científico muito particular pode optar por desenvolver uma ontologia de domínio altamente detalhada e especializada, possivelmente estendendo uma ontologia de núcleo relevante. A chave é alinhar o tipo e o design da ontologia com os objetivos da aplicação, garantindo que ela forneça o valor semântico necessário de forma eficaz e eficiente.

Engenharia de ontologias: da concepção à implementação prática

A Engenharia de Ontologias (EO) é a disciplina que se ocupa dos princípios, metodologias e ferramentas para o desenvolvimento, ciclo de vida e manutenção de ontologias. É um campo que combina aspectos da representação do conhecimento, lógica formal, linguística computacional e expertise de domínio.

Princípios fundamentais e metodologias do desenvolvimento

O desenvolvimento de ontologias, embora tenha evoluído com novas ferramentas e técnicas, ainda se baseia em princípios fundamentais que guiam a criação de representações de conhecimento robustas e úteis. O guia “Ontology Development 101” ⁶, apesar de sua data de publicação original, estabelece alguns desses pilares que permanecem relevantes:

1. Não existe uma única maneira correta de modelar um domínio: Sempre haverá alternativas viáveis, e a melhor solução depende da aplicação pretendida e das extensões antecipadas.
2. O desenvolvimento de ontologias é um processo inerentemente iterativo: Raramente uma ontologia é perfeita na primeira tentativa; ela evolui através de ciclos de design, avaliação e refinamento.
3. Os conceitos na ontologia devem refletir de perto os objetos (físicos ou lógicos) e as relações no domínio de interesse: Eles geralmente correspondem a substantivos (objetos) e verbos (relações) nas frases que descrevem o domínio.

A complexidade inerente à EO levou ao surgimento de diversas metodologias formais. Estas metodologias visam fornecer frameworks estruturados para auxiliar os engenheiros de ontologias a navegar pelas complexidades da modelagem do conhecimento.³ A necessidade dessas abordagens estruturadas é reforçada pela natureza da própria EO, que é consistentemente descrita como uma tarefa complexa, exigindo não apenas conhecimento técnico em linguagens de representação como OWL, mas também habilidades em lógica, linguística e, crucialmente, um profundo entendimento do domínio a ser modelado.³

Mesmo com o avanço das ferramentas e o acúmulo de experiência na área, a engenharia de ontologias continua sendo um desafio significativo. É frequentemente caracterizada como um processo “complexo, demorado e propenso a erros, mesmo para engenheiros de ontologias experientes”.³ As tarefas manuais de criação, curadoria e validação dos elementos ontológicos são descritas como “cognitivamente custosas”.³ Essa dificuldade persistente é um dos principais motivadores para a pesquisa e o desenvolvimento de abordagens que possam automatizar ou auxiliar partes do processo de EO, como o uso de Modelos de Linguagem Grandes (LLMs), que serão discutidos posteriormente. A complexidade não reside apenas nos aspectos técnicos, mas também nos desafios conceituais de capturar a semântica de um domínio de forma precisa e consistente, e frequentemente nos desafios sociais de alcançar consenso entre múltiplos especialistas de domínio.

O ciclo de vida da ontologia: passos essenciais

O desenvolvimento de uma ontologia segue um ciclo de vida que abrange desde a concepção inicial até a sua aplicação e manutenção contínua. Embora diferentes metodologias possam propor variações, um conjunto de passos essenciais é comumente reconhecido. Adaptando as diretrizes de ⁶ para um contexto contemporâneo, e complementando com observações mais recentes, o ciclo de vida pode ser delineado da seguinte forma:

1. Determinar o Domínio e o Escopo: Este é o passo fundamental. Envolve definir claramente qual área do conhecimento a ontologia cobrirá, qual será seu propósito principal, que tipos de perguntas ela deverá ser capaz de responder (as “perguntas de competência”), e quem serão seus usuários e mantenedores.
2. Considerar a Reutilização de Ontologias Existentes: Antes de iniciar a construção de uma nova ontologia do zero, é crucial investigar se já existem ontologias (ou partes delas) que possam ser reutilizadas, adaptadas ou estendidas. Isso pode economizar tempo e esforço significativos e promover a interoperabilidade.
3. Enumerar Termos Importantes: Compilar uma lista abrangente de todos os termos relevantes no domínio que a ontologia representará. Nesta fase, o foco é na amplitude, sem se preocupar excessivamente com sobreposições ou a natureza exata de cada termo (se é uma classe, propriedade, etc.).
4. Definir as Classes e a Hierarquia de Classes: Organizar os termos identificados em classes (conceitos) e estruturá-los em uma hierarquia taxonômica (relações de subclasse-superclasse). Isso pode ser feito através de abordagens top-down (do geral para o específico), bottom-up (do específico para o geral) ou uma combinação de ambas.
5. Definir as Propriedades das Classes (Slots): Identificar e definir os atributos das classes e as relações entre elas. As propriedades são herdadas pelas subclasses na hierarquia.
6. Definir as Facetas das Propriedades (Slots): Especificar as características das propriedades, como o tipo de valor que elas podem assumir (e.g., string, número, booleano, instância de outra classe), a cardinalidade (quantos valores a propriedade pode ter – um ou múltiplos), e o domínio (a classe à qual a propriedade se aplica) e o contradomínio (o tipo de valor que a propriedade pode ter).
7. Criar Indivíduos (Instâncias): Popular a ontologia com instâncias específicas das classes definidas, preenchendo os valores de suas propriedades.

É importante ressaltar que este processo é tipicamente iterativo. A ontologia é desenvolvida, avaliada, refinada e expandida em múltiplos ciclos. Além disso, o ciclo de vida não termina com a criação inicial. A fase de manutenção é crucial, pois os domínios evoluem, novo conhecimento emerge e os requisitos das aplicações mudam. Pesquisas recentes, como a observada no campo de Gerenciamento de Segurança Baseado em Ontologias (ObSM) na indústria da construção, indicam uma tendência crescente de foco na fase de manutenção do ciclo de vida ontológico.⁷ Da mesma forma, ontologias como a Artificial Intelligence Ontology (AIO) são projetadas para serem “dinamicamente atualizadas” para refletir os avanços rápidos em seu domínio.⁸ Isso sublinha que uma ontologia é um artefato “vivo”, que requer atenção contínua para manter sua relevância e precisão ao longo do tempo. O feedback das fases de aplicação e integração frequentemente informa e direciona as atividades de desenvolvimento e manutenção subsequentes.

Ferramentas e linguagens padrão

A engenharia de ontologias é suportada por um ecossistema de ferramentas e linguagens padronizadas que facilitam a criação, edição, visualização, consulta e raciocínio sobre ontologias. A familiaridade com esses recursos é essencial para qualquer pessoa que deseje se envolver na prática da EO.

As linguagens padrão fornecem a sintaxe e a semântica formal para expressar o conhecimento ontológico de uma maneira que seja interpretável tanto por humanos quanto por máquinas. A mais proeminente delas é a Web Ontology Language (OWL), uma recomendação do World Wide Web Consortium (W3C) que se tornou o padrão de fato para a criação de ontologias na Web Semântica e em muitas outras aplicações.¹ OWL é baseada em Lógicas de Descrição, o que lhe confere uma base formal robusta e permite diferentes níveis de expressividade (perfis como OWL DL, OWL Lite, OWL 2 QL, EL, RL). OWL, por sua vez, geralmente utiliza a sintaxe do Resource Description Framework (RDF) para serialização.

Para trabalhar com essas linguagens, uma variedade de ferramentas foi desenvolvida:

• Editores de Ontologias:
• Protégé: Desenvolvido pela Universidade de Stanford, é o editor de ontologias open-source mais popular e amplamente utilizado. Oferece uma interface gráfica rica para criar e editar ontologias em OWL e outros formatos, suporta plugins para raciocinadores e outras funcionalidades.¹
• Frameworks e APIs:

• Apache Jena: Um framework Java open-source robusto para construir aplicações da Web Semântica e de dados vinculados. Fornece APIs para ler, escrever e consultar dados RDF e OWL, e inclui um motor de inferência.¹
• RDFLib: Uma biblioteca Python para trabalhar com RDF, permitindo analisar, serializar, consultar (usando SPARQL) e manipular grafos RDF.¹
• Ontology Access Kit (OAK): Um kit de ferramentas mais recente, com foco no acesso programático a ontologias. Oferece exemplos em Python e uma interface de linha de comando (CLI), suportando diversos backends como Triplestores, formatos OBO Graphs, OWL e arquivos SQLite.¹¹ Ele também inclui funcionalidades para trabalhar com OWL, realizar enriquecimento e análise de super-representação, e até mesmo integrar-se com LLMs.¹¹
• Linguagens de Consulta:
• SPARQL (SPARQL Protocol and RDF Query Language): A linguagem de consulta padrão para dados RDF, permitindo extrair informações de grafos de conhecimento e ontologias.

A tabela abaixo resume algumas das principais ferramentas e linguagens utilizadas na engenharia de ontologias:

Tabela 3: Ferramentas e Linguagens para Engenharia de Ontologias

A escolha das ferramentas e linguagens dependerá dos requisitos específicos do projeto, da familiaridade da equipe e da infraestrutura existente. No entanto, a adesão a padrões como OWL e RDF é crucial para garantir a interoperabilidade e a longevidade das ontologias desenvolvidas.

A ascensão dos Modelos de Linguagem Grandes (LLMs) na engenharia de ontologias

Uma das tendências mais significativas e recentes (2022-2025) na engenharia de ontologias é a exploração e aplicação de Modelos de Linguagem Grandes (LLMs) para auxiliar e potencialmente automatizar várias tarefas do ciclo de vida ontológico. Dada a natureza complexa e muitas vezes demorada da EO manual, os LLMs surgem como uma tecnologia promissora para acelerar o processo e democratizar o acesso à criação de ontologias.

Pesquisas recentes, como a apresentada em março de 2025 ³, investigam o potencial dos LLMs para gerar rascunhos eficazes de ontologias no formato OWL diretamente a partir de requisitos ontológicos descritos em linguagem natural, como histórias de usuário e perguntas de competência. Notavelmente, esses estudos indicam que certos modelos de LLM, quando adequadamente guiados, podem até superar engenheiros de ontologia novatos em termos de habilidade de modelagem.³ Outro estudo, de fevereiro de 2025, focou no fine-tuning (ajuste fino) de LLMs como GPT-4 e Mistral 7B, utilizando textos fundamentais de EO como base para a criação de datasets de treinamento. Os resultados mostraram que o GPT-4 ajustado demonstrou precisão superior e maior aderência à sintaxe ontológica, embora com custos computacionais mais elevados, enquanto o Mistral 7B se destacou em velocidade e custo-efetividade, mas com desafios na precisão sintática para tarefas específicas de domínio. Um ponto crucial destacado foi a necessidade de datasets específicos do domínio para melhorar significativamente o desempenho dos LLMs nessas tarefas.¹²

Apesar do entusiasmo, a aplicação de LLMs na EO não está isenta de desafios. Os mesmos estudos que apontam o potencial também destacam “erros comuns e variabilidade na qualidade dos resultados”.³ Questões como “alucinações” (geração de informações incorretas ou fabricadas), a dificuldade em garantir a consistência lógica e a necessidade de uma avaliação multidimensional (que vá além de métricas automatizadas simples) são preocupações ativas.³ Para mitigar esses problemas, diversas técnicas de prompting (formulações cuidadosas das instruções dadas ao LLM) estão sendo exploradas. Entre elas, destacam-se a Cadeia de Pensamento (Chain of Thought – CoT), o Prompting Metacognitivo (MP) e abordagens de prompting com decomposição de subtarefas, como as metodologias Ontogenia e Memoryless CQbyCQ, que visam guiar o LLM através de passos mais estruturados para melhorar a qualidade da ontologia gerada.³

O papel emergente dos LLMs na EO parece ser o de aceleradores e ampliadores das capacidades humanas, e não (pelo menos no estágio atual da tecnologia) substitutos completos para os engenheiros de ontologias. Os LLMs podem “fornecer rascunhos eficazes de ontologias OWL” ³ e “reduzir significativamente o tempo e o esforço envolvidos na construção manual de ontologias”.¹² No entanto, a supervisão humana permanece crucial para a validação, o refinamento e a garantia da qualidade e correção das ontologias geradas, especialmente para lidar com nuances complexas do domínio e garantir a consistência lógica.⁹ O papel do engenheiro de ontologias está, portanto, evoluindo: de um criador puramente manual para um curador e guia de processos assistidos por IA, envolvendo a formulação de prompts eficazes, a criação de datasets para fine-tuning, a avaliação crítica das saídas do LLM e a integração dessas saídas em uma ontologia final coesa e correta. Os fluxos de trabalho futuros na engenharia de ontologias provavelmente serão híbridos, combinando a expertise humana com as capacidades de processamento e geração dos LLMs. Para aqueles que aspiram trabalhar neste campo, isso implica a necessidade de desenvolver competências tanto nos princípios tradicionais da EO quanto na utilização eficaz dessas novas ferramentas de IA.

A Importância dos princípios FAIR para ontologias

Nos últimos anos, os princípios FAIR – Findable (Encontrável), Accessible (Acessível), Interoperable (Interoperável) e Reusable (Reutilizável) – tornaram-se um padrão de referência para a gestão e o compartilhamento de dados de pesquisa. Recentemente, a aplicação desses princípios foi estendida também às próprias ontologias, reconhecendo-as como artefatos de conhecimento valiosos que se beneficiam enormemente de uma maior encontrabilidade, acessibilidade, interoperabilidade e reusabilidade.

Um tutorial ministrado por Luiz Bonino no evento Ontobras 2022, por exemplo, abordou especificamente a interseção entre os princípios FAIR e o processo de engenharia de ontologias, com o objetivo de ajudar os participantes a entender como transformar suas ontologias em artefatos FAIR.¹⁴ Isso inclui discutir as implicações dos princípios FAIR para ontologias, como avaliar a “FAIRness” de uma ontologia e como torná-la mais FAIR. A própria ontologia ODO-IM, mencionada anteriormente, foi desenvolvida com um foco em modularidade e reusabilidade, alinhando-se com os princípios FAIR.⁵

A aplicação dos princípios FAIR às ontologias atua como um padrão de qualidade e um facilitador para ecossistemas de ontologias colaborativos e mais robustos. Quando uma ontologia é:

• Encontrável: Ela pode ser descoberta por outros pesquisadores e sistemas através de metadados ricos e identificadores persistentes, aumentando sua visibilidade e potencial de uso.
• Acessível: Seus termos, definições e estrutura podem ser acessados e recuperados por humanos e máquinas através de protocolos padronizados, permitindo sua inspeção e utilização.
• Interoperável: Ela pode ser combinada e utilizada em conjunto com outras ontologias e fontes de dados, usando linguagens e formatos padrão (como OWL e RDF), o que é crucial para a integração de conhecimento em larga escala.
• Reutilizável: Seus componentes (classes, propriedades, axiomas) podem ser reutilizados em diferentes contextos e para diferentes propósitos, com licenças claras e documentação adequada, economizando esforço e promovendo a consistência.

Adotar os princípios FAIR na engenharia de ontologias não é apenas uma boa prática, mas uma estratégia para aumentar o impacto e o valor das ontologias desenvolvidas. Ontologias FAIR são mais propensas a serem adotadas pela comunidade, integradas em diversas aplicações e mantidas ao longo do tempo. Isso fomenta um ecossistema semântico mais rico e interconectado, onde o conhecimento pode ser compartilhado e combinado de maneiras mais eficazes. Para desenvolvedores e usuários de ontologias, escolher ou desenvolver ontologias que aderem aos princípios FAIR significa contribuir para, e se beneficiar de, uma paisagem de conhecimento mais colaborativa e sustentável.

Cenários de uso avançados de ontologias (2022-2025)

As ontologias deixaram de ser apenas um tópico de pesquisa acadêmica para se tornarem componentes integrais em uma miríade de aplicações avançadas, especialmente no período de 2022 a 2025. Sua capacidade de fornecer uma representação formal e compartilhada do conhecimento tem sido explorada em diversos setores para resolver problemas complexos.

Ontologias em projetos de Inteligência Artificial

A sinergia entre ontologias e Inteligência Artificial é profunda e multifacetada. À medida que os sistemas de IA se tornam mais complexos e são exigidos a operar com maior consciência de contexto, a necessidade de conhecimento estruturado, que as ontologias fornecem, torna-se primordial.¹

Aprimorando Representação de Conhecimento, raciocínio e explicabilidade

As ontologias são cruciais para aprimorar a representação de conhecimento em sistemas de IA, permitindo que conceitos e suas relações sejam definidos de forma explícita e não ambígua. Isso, por sua vez, melhora a compreensão semântica e capacita os sistemas com habilidades de raciocínio mais sofisticadas.¹ Um desenvolvimento particularmente importante é o papel das ontologias na promoção da IA Explicável (XAI). Publicações recentes, como um artigo de março de 2025, destacam que as ontologias são um componente crucial nos avanços da XAI e na integração neuro-simbólica (que combina abordagens de aprendizado de máquina com raciocínio simbólico).³

Um artigo de novembro de 2023, intitulado “On the Multiple Roles of Ontologies in Explainable AI” ¹⁵, aprofunda essa discussão, identificando como as ontologias contribuem para a XAI através de:

• Modelagem de Referência: Fornecendo um modelo conceitual compartilhado do domínio que pode ser usado como base para gerar explicações.
• Raciocínio de Senso Comum: Incorporando conhecimento de senso comum que pode tornar as explicações mais intuitivas e compreensíveis para os humanos.
• Refinamento de Conhecimento e Gerenciamento de Complexidade: Ajudando a estruturar e simplificar o conhecimento complexo, tornando-o mais gerenciável para fins de explicação.

A capacidade das ontologias de formalizar conceitos e relações de maneira compreensível por humanos as torna uma ponte vital para tornar os sistemas de IA mais transparentes e confiáveis. À medida que modelos de IA, especialmente os de aprendizado profundo, operam cada vez mais como “caixas-pretas”, a demanda por interpretabilidade e transparência cresce. As ontologias oferecem uma camada semântica que pode ser usada para traduzir os comportamentos complexos desses modelos em termos e etapas de raciocínio que os humanos podem entender, auditar e, consequentemente, confiar. A integração de ontologias está se tornando uma estratégia chave para o desenvolvimento de sistemas XAI, abordando uma das principais preocupações sociais sobre o impacto e a confiabilidade da IA. Para os desenvolvedores, isso significa que as ontologias não são apenas ferramentas para representação de conhecimento, mas também componentes essenciais para construir uma IA mais responsável e alinhada com os valores humanos.

Sinergia entre ontologias e LLMs para uma IA mais precisa e contextual

A relação entre ontologias e Modelos de Linguagem Grandes (LLMs) é cada vez mais vista como simbiótica. Conforme discutido anteriormente (Seção 1.3), a incorporação de ontologias de domínio nos LLMs tem o potencial de melhorar significativamente a precisão de suas saídas, aprimorar suas capacidades de raciocínio multiturno e fornecer uma fundamentação factual mais sólida para as informações que geram.¹ Essa integração visa mitigar problemas como as “alucinações” dos LLMs, onde eles podem gerar conteúdo incorreto ou sem sentido.

Por outro lado, os LLMs também estão sendo usados para auxiliar no desenvolvimento e manutenção de ontologias. O caso da Artificial Intelligence Ontology (AIO), que será detalhado a seguir, é um exemplo onde os LLMs foram utilizados no processo de curadoria.⁸ Essa relação bidirecional sugere um ciclo virtuoso: LLMs ajudam a construir ontologias melhores e mais rapidamente, e essas ontologias, por sua vez, ajudam a tornar os LLMs mais precisos, confiáveis e contextualmente conscientes.

Estudo de Caso: A Artificial Intelligence Ontology (AIO)

Um exemplo paradigmático da aplicação de ontologias no próprio campo da IA é a Artificial Intelligence Ontology (AIO), detalhada em uma publicação de abril de 2024.⁸ A AIO é uma sistematização formal dos conceitos, metodologias e suas inter-relações no vasto e dinâmico domínio da Inteligência Artificial. Seu desenvolvimento combinou curadoria manual especializada com a assistência de LLMs, refletindo as práticas modernas de engenharia de ontologias. O principal objetivo da AIO é padronizar a terminologia e os conceitos dentro do campo da IA, servindo como um recurso valioso para pesquisadores, desenvolvedores e educadores.⁸

A estrutura da AIO é organizada em torno de seis ramos de alto nível: Redes (Networks), Camadas (Layers), Funções (Functions), LLMs, Pré-processamento (Preprocessing) e, crucialmente, Viés (Bias). A inclusão de “Viés” como uma classe de alto nível sublinha o compromisso da ontologia em abranger não apenas os aspectos técnicos, mas também as considerações éticas e sociais inerentes às tecnologias de IA.⁸

A utilidade da AIO já foi demonstrada através de aplicações práticas, como a anotação de dados sobre métodos de IA em um catálogo de publicações de pesquisa e sua integração ao BioPortal, um repositório de ontologias biomédicas, o que destaca seu potencial para pesquisa interdisciplinar.⁸ A AIO serve como um excelente estudo de caso de uma ontologia recente, desenvolvida para um domínio complexo e em rápida evolução, utilizando abordagens de desenvolvimento contemporâneas (assistência de LLM) e visando aplicações de grande impacto (padronização, anotação e fomento de discussões éticas).

Aplicações Setoriais (e.g., Saúde, Finanças, Indústria da Construção)

A aplicação de ontologias transcende o campo da pesquisa em IA e se estende a diversos setores industriais e de serviços, onde elas fornecem valor tangível ao resolver problemas específicos de cada domínio.

• Saúde: As ontologias são amplamente utilizadas na área médica. Por exemplo, modelos de diagnóstico podem ser construídos utilizando ontologias médicas padronizadas como SNOMED CT e o Unified Medical Language System (UMLS).¹ Uma análise dos melhores artigos em Gestão e Representação do Conhecimento (KRM) em medicina em 2022 revelou um foco considerável na criação de ontologias e grafos de conhecimento para o setor.¹⁶
• Finanças: No setor financeiro, as ontologias são aplicadas para tarefas como categorização de risco e detecção de fraude.¹ O tema “Ontologias em Finanças e Manufatura” está agendado para discussão no onto:Nexus Forum 2025, indicando atividade contínua nessa área.¹⁷
• Indústria da Construção: Este setor tem visto um aumento no uso de ontologias para melhorar a gestão da informação. Aplicações incluem o gerenciamento de diversos tipos de registros de segurança (SM) ⁷ (publicado em janeiro de 2023) e o desenvolvimento de modelos ontológicos específicos, como o Safety and Health Exchange (SHE), para o gerenciamento de riscos de segurança nas fases de projeto e planejamento ¹⁸ (publicado em 2022). Outro exemplo é o desenvolvimento de uma ontologia para o gerenciamento de retrabalho, visando apoiar a tomada de decisão gerencial e a melhoria contínua ¹⁹ (publicado em 2023).

Esses exemplos demonstram que a adoção prática de ontologias é frequentemente impulsionada pela sua capacidade de atender a necessidades específicas de um domínio. Ontologias como SNOMED na saúde ou SHE na segurança da construção abordam terminologias e desafios particulares de seus respectivos campos, resultando em melhorias na gestão de dados, tomada de decisão e interoperabilidade. A utilidade de uma ontologia é, portanto, diretamente proporcional à sua capacidade de capturar com precisão a semântica do domínio alvo e de resolver seus problemas específicos. Embora ontologias genéricas possam fornecer uma base, são as extensões específicas do domínio ou ontologias dedicadas que geralmente geram o impacto mais significativo no mundo real.

Construção de ferramentas semânticas de Recuperação da Informação

A recuperação da informação (RI) é uma área que tem se beneficiado enormemente da aplicação de ontologias, permitindo a transição de sistemas baseados em simples correspondência de palavras-chave para ferramentas de busca verdadeiramente semânticas. As ontologias impulsionam a busca inteligente, capacitando os motores de busca a entender a intenção por trás das consultas dos usuários e o significado do conteúdo dos documentos.¹

Uma revisão abrangente sobre Recuperação Semântica da Informação e Engenharia de Ontologias, publicada em julho de 2023 ²⁰, destaca como o raciocínio ontológico oferece um framework formal, flexível e escalável para representação de conhecimento, raciocínio e inferência. Esse framework supera muitas das limitações dos sistemas de RI tradicionais. As principais técnicas que utilizam ontologias para aprimorar a RI incluem ²²:

• Expansão de Consulta: As ontologias são usadas para expandir as consultas dos usuários, adicionando termos sinônimos, relacionados ou hierarquicamente conectados (termos mais genéricos ou mais específicos). Isso ajuda a superar problemas de incompatibilidade de vocabulário entre a consulta do usuário e os documentos, melhorando a abrangência da busca.
• Anotação e Indexação Semântica: Documentos podem ser anotados com conceitos de uma ontologia, criando metadados semânticos ricos. Esses metadados permitem uma indexação mais precisa e uma correspondência baseada no significado, em vez de apenas na presença de palavras-chave.
• Alinhamento e Integração de Ontologias: Em cenários onde múltiplas fontes de informação ou ontologias precisam ser consideradas, técnicas de alinhamento e integração são usadas para reconciliar diferenças semânticas e permitir buscas que abranjam conhecimento de diversas fontes.

A aplicação de ontologias é particularmente valiosa na recuperação de informação de coleções digitais complexas, como as de imagens. Um estudo de julho de 2022 ²³ enfatiza que o uso de ontologias é “muito eficaz para melhorar a acessibilidade e precisão da recuperação” de imagens, ajudando a lidar com ambiguidades, dúvidas e as metáforas humanas que são difíceis para as máquinas interpretarem apenas com base no conteúdo visual ou em metadados textuais limitados.

O desafio da sobrecarga de informação no mundo digital torna cada vez mais difícil encontrar conteúdo relevante de forma eficiente. Motores de busca tradicionais, como observado em ²⁴ (embora uma publicação mais antiga, o problema central persiste), frequentemente lutam com a ambiguidade das consultas e não conseguem fornecer contexto adequado para os resultados. As ontologias abordam essa questão fornecendo uma “maneira estruturada e padronizada de descrever o conhecimento”.²⁰ Ao permitir que os sistemas compreendam o significado por trás das consultas e dos documentos, as ontologias são a chave para desbloquear o valor real contido no vasto oceano de informações digitais. A busca semântica, potencializada por ontologias, está se tornando essencial para navegar em paisagens de informação complexas, oferecendo aos usuários resultados mais relevantes e precisos e, para os desenvolvedores de sistemas de informação, um componente crítico para construir ferramentas de recuperação de próxima geração.

Gestão e análise de dados potencializadas por ontologias

A gestão e análise de dados são áreas críticas em todas as organizações, e as ontologias estão emergindo como ferramentas poderosas para enfrentar desafios persistentes como a heterogeneidade dos dados, a interoperabilidade entre sistemas e a extração de insights significativos de grandes volumes de informação.

Integração de dados heterogêneos e interoperabilidade

Um dos principais benefícios das ontologias na gestão de dados é sua capacidade de facilitar a integração de dados provenientes de fontes heterogêneas e promover a interoperabilidade entre sistemas distintos.²⁰ Muitas organizações lutam com “silos de dados”, onde informações valiosas estão dispersas em diferentes bancos de dados, formatos e sistemas, cada um com seu próprio esquema e semântica. As ontologias oferecem uma solução ao fornecerem um vocabulário comum e um modelo conceitual compartilhado que pode ser usado para descrever e relacionar esses dados díspares.¹

A ontologia ODO-IM, por exemplo, foi explicitamente projetada para integrar diversos “ativos científicos”.⁵ Uma pesquisa recente sobre gerenciamento semântico de dados, com previsão de publicação para maio de 2025 ²⁶, reforça essa visão, destacando que ontologias e grafos de conhecimento são ferramentas poderosas para aumentar a usabilidade e a interpretação dos dados, facilitando a integração de dados através de abordagens como o Acesso Baseado em Ontologias a Dados (Ontology-Based Data Access – OBDA).

Ao mapear as fontes de dados heterogêneas para uma ontologia comum, é possível superar as lacunas semânticas entre elas. Isso permite que os dados sejam consultados e analisados de forma unificada, como se residissem em um único repositório coeso, mesmo que fisicamente permaneçam em suas localizações originais. As ontologias atuam, portanto, como uma “cola semântica” que une silos de dados díspares, permitindo uma visão holística da informação e, consequentemente, uma tomada de decisão mais informada e insights mais profundos.

Grafos de Conhecimento Virtuais (VKGs) para acesso unificado a dados

Uma abordagem arquitetônica específica que utiliza ontologias para a integração de dados é a dos Grafos de Conhecimento Virtuais (Virtual Knowledge Graphs – VKGs). Um tutorial de 2022 sobre “Designing Virtual Knowledge Graphs with Ontop and Ontopic Studio” ¹⁴ explica que os VKGs funcionam expondo os dados das fontes subjacentes através de um modelo flexível – um grafo de conhecimento cujo vocabulário é definido por uma ontologia de domínio. Em vez de materializar (copiar e transformar) todos os dados para um novo repositório, os VKGs mantêm o grafo de conhecimento virtual. Isso é alcançado através de mapeamentos que especificam como os dados nas fontes originais correspondem aos conceitos e relações na ontologia. As consultas são feitas contra a ontologia, e o sistema VKG as traduz em consultas sobre as fontes de dados subjacentes em tempo real.

Ontop é um exemplo de sistema VKG de ponta, compatível com padrões da Web Semântica como RDF, OWL 2 QL, R2RML (para mapeamentos) e SPARQL (para consultas).²⁷ O perfil OWL 2 QL da linguagem OWL é particularmente otimizado para o acesso a grandes volumes de dados, pois permite que as consultas ontológicas sejam reescritas de forma eficiente em consultas SQL (ou outras linguagens de consulta de banco de dados) sobre os dados relacionais subjacentes.²⁷ Os VKGs, portanto, oferecem uma maneira poderosa e flexível de alcançar o acesso unificado a dados sem os custos e a complexidade da migração e sincronização de dados em larga escala.

4.3.3. Plataformas para Gerenciamento Semântico de Dados

Diversas plataformas e ferramentas estão disponíveis ou em desenvolvimento para suportar o gerenciamento semântico de dados baseado em ontologias:

• k.LAB: É um software de semântica web open-source projetado para modelagem integrada, que utiliza a ontologia de núcleo ODO-IM como sua referência semântica.⁵
• Ontop e Ontopic Studio: Como mencionado, são ferramentas chave para o design e implementação de Grafos de Conhecimento Virtuais.¹⁴
• Semantic Data Lakes: A pesquisa em gerenciamento semântico de dados também está explorando o conceito de “data lakes semânticos”, que visam integrar tecnologias de Big Data com tecnologias da Web Semântica (incluindo ontologias e KGs) para gerenciar e analisar grandes volumes de dados heterogêneos de forma mais significativa.²⁶

Essas plataformas e abordagens demonstram o esforço contínuo para tornar a gestão e análise de dados mais inteligente, eficiente e orientada pelo significado, com as ontologias desempenhando um papel central nessa transformação.

Outras aplicações avançadas e inovadoras (2022-2025)

Além das áreas já consolidadas, as ontologias continuam a encontrar novas e inovadoras aplicações em diversos campos, refletindo sua versatilidade e o reconhecimento crescente de seu valor.

Um campo emergente é a aplicação do pensamento ontológico no design de interação e na crítica de sistemas de IA. Um artigo previsto para a conferência CHI ’25, intitulado “Ontologies in Design: How Imagining a Tree Reveals Possibilities and Assumptions in Large Language Models” ²⁸, propõe, segundo seu resumo, quatro orientações para considerar ontologias no design: pluralismo, fundamentação (groundedness), vivacidade (liveliness) e atuação (enactment). O objetivo é utilizar essas orientações para analisar Modelos de Linguagem Grandes (LLMs), revelando potencialidades e pressupostos embutidos nesses sistemas. Embora os detalhes completos do artigo não estivessem disponíveis para esta análise além do resumo, a própria proposta indica uma direção inovadora para o uso de ontologias na avaliação e no design ético e reflexivo de tecnologias de IA.

O onto:Nexus Forum 2025, um fórum internacional sobre modelagem e análise ontológica, também sinaliza a amplitude das aplicações contemporâneas. A agenda do evento inclui tópicos como “Ontologias em Finanças e Manufatura”, “Modelagem do Espaço – Uma Suíte de Ontologias para Astronáutica e Astronomia” e “Análise Ontológica de Códigos de Construção em Modelos BIM (Building Information Modeling)”.¹⁷ Esses temas ilustram como as ontologias estão sendo aplicadas para estruturar conhecimento e resolver problemas em domínios tão diversos quanto o aeroespacial e a regulamentação da construção civil, todos com um foco em desenvolvimentos e discussões atuais (2025).

A tabela abaixo consolida diversas aplicações de ontologias em múltiplos domínios, com um recorte no período de 2022-2025, para ilustrar a amplitude e o impacto dessas tecnologias.

Tabela 4: Aplicações de Ontologias em Diversos Domínios (Recorte 2022-2025)

Esses exemplos demonstram que as ontologias são ferramentas versáteis, adaptáveis a uma vasta gama de desafios e oportunidades em múltiplos setores, impulsionando a inovação e a busca por sistemas mais inteligentes e compreensíveis.

Desafios atuais e oportunidades futuras na utilização de ontologias

Apesar do progresso significativo e da crescente adoção de ontologias em diversas aplicações, o campo ainda enfrenta desafios consideráveis. Ao mesmo tempo, a evolução contínua da Inteligência Artificial, especialmente dos Modelos de Linguagem Grandes (LLMs), abre novas e promissoras oportunidades.

Principais obstáculos na engenharia, integração e manutenção

A jornada desde a concepção de uma ontologia até sua implementação e manutenção eficaz é repleta de obstáculos que exigem atenção e pesquisa contínuas:

• Complexidade da Engenharia de Ontologias (EO): Como já mencionado, a EO permanece um processo intrinsecamente complexo, demorado e propenso a erros, mesmo para especialistas.³ A tarefa de capturar adequadamente a semântica de um domínio, definir relações precisas e garantir a consistência lógica requer um esforço considerável. Manter as ontologias atualizadas em face de domínios em evolução também é um desafio persistente.²⁰
• Desafios com LLMs na EO: Embora os LLMs ofereçam potencial para auxiliar na EO, sua utilização traz seus próprios desafios. Estes incluem a ocorrência de erros comuns nos rascunhos gerados, variabilidade na qualidade dos resultados, a necessidade de métodos de avaliação multidimensionais robustos para validar as ontologias produzidas por LLMs, e o risco de “vazamento de dados” (onde o LLM pode ter sido treinado nos dados que está sendo usado para avaliar).³
• Obstáculos na Recuperação de Informação Semântica: A aplicação de ontologias na RI enfrenta dificuldades como a aquisição e curadoria do conhecimento ontológico, o tratamento da ambiguidade inerente à linguagem natural, a garantia de escalabilidade e adaptabilidade dos sistemas à medida que o volume de dados cresce, o design e construção eficazes das próprias ontologias de RI, e a superação da heterogeneidade semântica entre diferentes fontes de informação e vocabulários.²⁰
• Dificuldades no Gerenciamento Semântico de Dados (especialmente para Big Data e Data Lakes): A aplicação de ontologias em ambientes de Big Data e data lakes, embora promissora, enfrenta barreiras significativas. Estas incluem o grande investimento inicial necessário para criar grafos de conhecimento e mapeamentos semânticos para um grande número de conjuntos de dados heterogêneos; a dificuldade em avaliar a precisão e a qualidade dos modelos semânticos gerados automaticamente; desafios de interoperabilidade técnica, especialmente com modelos de dados NoSQL e a necessidade de processamento de consultas federadas; a necessidade de maior abstração técnica para tornar as ferramentas utilizáveis por usuários não técnicos; e a garantia de aplicabilidade e desempenho em cenários de Big Data reais.²⁶

Um tema recorrente em muitos desses desafios é o trade-off entre escalabilidade e qualidade na gestão de ontologias. A engenharia manual de ontologias, embora capaz de produzir resultados de alta qualidade, é lenta, cara e difícil de escalar.³ Por outro lado, métodos automatizados, incluindo aqueles baseados em LLMs, prometem maior escalabilidade e velocidade, mas frequentemente enfrentam problemas relacionados à qualidade, consistência, precisão e à dificuldade de avaliação rigorosa dos resultados.³ À medida que o volume de dados e a complexidade dos domínios continuam a crescer, a necessidade de ontologias aumenta, mas também aumenta a dificuldade de criá-las e mantê-las em escala de forma eficaz. Uma direção de pesquisa significativa e contínua é, portanto, encontrar o equilíbrio certo entre técnicas automatizadas para velocidade e escala, e a supervisão e expertise humana para garantir qualidade, precisão e relevância. Abordagens híbridas, que combinam o melhor de ambos os mundos, são provavelmente o caminho mais viável para o futuro, reconhecendo que não existem soluções fáceis e que o campo está ativamente buscando maneiras de tornar a gestão de ontologias tanto eficaz quanto eficiente diante das crescentes demandas.

Oportunidades emergentes com a evolução da IA, especialmente LLMs

Apesar dos desafios, o futuro das ontologias é promissor, em grande parte devido às oportunidades abertas pela contínua evolução da Inteligência Artificial, e em particular, dos Modelos de Linguagem Grandes (LLMs).

• LLMs como Ferramentas de Apoio à EO: Os LLMs têm o potencial de reduzir significativamente o trabalho manual para engenheiros de ontologias experientes e de fornecer uma assistência valiosa para novatos no campo, diminuindo a barreira de entrada para a criação de ontologias.³ O fine-tuning de LLMs com datasets específicos do domínio da engenharia de ontologias ou de domínios de aplicação particulares pode aumentar ainda mais sua utilidade e a qualidade das ontologias geradas.¹²
• Sinergia entre Ontologias e IA Generativa: A integração de ontologias com LLMs para aplicações de IA Generativa (GenAI) é uma área de grande potencial. Ao fornecer uma base de conhecimento estruturado e factual, as ontologias podem ajudar a GenAI a produzir saídas mais precisas, contextualmente relevantes e fundamentadas, mitigando problemas como a geração de informações incorretas.¹
• LLMs no Gerenciamento Semântico de Dados: No contexto do gerenciamento semântico de dados, os LLMs abrem oportunidades para automatizar tarefas como a descrição de fontes de dados, a criação inicial de ontologias de domínio a partir de dados textuais ou semiestruturados, e a descoberta de relações semânticas entre diferentes conjuntos de dados.²⁶

Observa-se uma coevolução entre ontologias e LLMs. Por um lado, os LLMs estão sendo cada vez mais utilizados como ferramentas para construir e manter ontologias de forma mais eficiente.³ Por outro lado, as ontologias estão sendo propostas e utilizadas para melhorar o desempenho e a confiabilidade dos próprios LLMs, fornecendo-lhes conhecimento de domínio estruturado, capacidade de raciocínio e uma base para explicações mais transparentes.¹ Esta relação recíproca sugere que o desenvolvimento futuro de ambos os campos provavelmente estará cada vez mais interligado. Avanços em LLMs levarão a ferramentas de engenharia de ontologias mais sofisticadas e acessíveis, enquanto ontologias mais ricas e bem elaboradas permitirão aplicações de LLM mais poderosas, confiáveis e inteligentes. Isso aponta para um futuro onde os sistemas de IA serão construídos sobre uma integração mais estreita de abordagens simbólicas (baseadas em ontologias) e subsimbólicas (baseadas em LLMs), levando a sistemas que combinam a capacidade de aprendizado a partir de grandes volumes de dados com a precisão e a interpretabilidade do conhecimento formal.

A relevância da colaboração comunitária e da padronização

O avanço e a adoção generalizada de ontologias não dependem apenas de progressos técnicos individuais, mas também da força e da colaboração da comunidade de pesquisadores e praticantes, bem como da adesão a padrões e boas práticas.

Iniciativas como a Artificial Intelligence Ontology (AIO), que é um projeto open source e encoraja contribuições da comunidade ⁹, e fóruns como o onto:Nexus Forum, que visa fomentar colaborações na comunidade de modelagem ontológica ¹⁷, são exemplos da importância do trabalho colaborativo. Eventos como o Ontobras, com seus tutoriais sobre temas atuais como princípios FAIR para ontologias ¹⁴, também desempenham um papel vital na disseminação de conhecimento e no fortalecimento da comunidade.

A importância de padrões como OWL ¹ para a representação de ontologias e a aplicação de princípios como os FAIR (Findable, Accessible, Interoperable, Reusable) ⁵ são fundamentais para garantir a interoperabilidade e a reusabilidade das ontologias. Ontologias e iniciativas de sucesso frequentemente enfatizam padrões abertos, colaboração comunitária e o compartilhamento de recursos. O desenvolvimento de estruturas de conhecimento complexas como as ontologias beneficia-se imensamente da diversidade de expertise e dos esforços compartilhados que uma comunidade ativa pode proporcionar. Padrões e princípios fornecem o terreno comum necessário para tal colaboração e para assegurar que as ontologias possam ser amplamente utilizadas, integradas e compreendidas por diferentes sistemas e equipes.

O progresso no campo das ontologias é, portanto, catalisado não apenas por avanços técnicos isolados, mas pela construção de um ecossistema colaborativo. A abertura promove uma adoção mais ampla, facilita o feedback e impulsiona a melhoria contínua, enquanto a padronização assegura que os esforços não sejam fragmentados e que as ontologias possam interagir de forma eficaz. O impacto futuro das ontologias dependerá fortemente da vitalidade dessa comunidade e da adesão a padrões e melhores práticas compartilhadas. Para aprendizes e profissionais da área, engajar-se com essas comunidades, contribuir para padrões e adotar princípios de abertura são passos chave para se manter atualizado e para contribuir efetivamente para o avanço do campo.

Navegando o futuro semântico com ontologias

Recapitulação da importância e versatilidade das ontologias

Ao longo desta análise, explorou-se a natureza multifacetada das ontologias, desde seus componentes fundamentais e princípios de desenvolvimento até suas aplicações avançadas no cenário tecnológico de 2022-2025. Ficou evidente que as ontologias são muito mais do que meras estruturas de dados; elas são representações formais e explícitas do conhecimento que servem como a espinha dorsal semântica para uma vasta gama de sistemas inteligentes. Sua capacidade de definir conceitos, propriedades e relações de maneira não ambígua e compreensível por máquinas as torna indispensáveis para aprimorar a compreensão contextual na Inteligência Artificial, para potencializar a recuperação de informação verdadeiramente semântica, para facilitar a gestão e integração de dados heterogêneos e para impulsionar inovações em domínios tão diversos quanto saúde, finanças, indústria da construção e pesquisa científica. A distinção entre ontologias e grafos de conhecimento, bem como a compreensão dos diferentes tipos de ontologias – de domínio, superiores, de núcleo e híbridas – são cruciais para apreciar a adaptabilidade dessas ferramentas a diferentes necessidades e escopos.

Perspectivas para a evolução e adoção de ontologias

Olhando para o futuro, a trajetória das ontologias parece intrinsecamente ligada à evolução da própria Inteligência Artificial. A integração sinérgica com Modelos de Linguagem Grandes (LLMs) representa uma das fronteiras mais promissoras, onde os LLMs podem auxiliar na superação dos desafios da engenharia de ontologias, enquanto as ontologias podem fornecer aos LLMs a fundamentação factual e a estrutura semântica necessárias para maior precisão e confiabilidade. A crescente ênfase nos princípios FAIR para ontologias sinaliza um movimento em direção a um ecossistema de conhecimento mais aberto, colaborativo e interoperável. A busca por maior automação na engenharia de ontologias, impulsionada por IA, continuará a ser uma área de intensa pesquisa e desenvolvimento, visando tornar a criação e manutenção de ontologias mais acessível e eficiente.

A expansão das ontologias para novos domínios e tipos de aplicação, como o design de interação e a análise de sistemas de IA sob uma perspectiva ontológica, demonstra a relevância duradoura do pensamento estruturado sobre o conhecimento. Os desafios relacionados à complexidade, escalabilidade, qualidade e avaliação persistem, mas são acompanhados por um vigoroso esforço da comunidade científica e industrial para desenvolver novas metodologias, ferramentas e padrões.

Em última análise, como destacado no início, na era da IA cada vez mais orientada por contexto e pela capacidade de raciocínio, as ontologias deixaram de ser um componente opcional para se tornarem elementos fundamentais.¹ Elas são a chave para construir sistemas que não apenas processam dados, mas que verdadeiramente “compreendem” o mundo ao seu redor, permitindo-nos navegar o futuro semântico com maior clareza, precisão e inteligência.

Referências citadas

1. Ontology in AI (2025 Guide): Structure, Semantics & Applications in …, acessado em maio 29, 2025, https://dev.to/bikashdaga/ontology-in-ai-2025-guide-structure-semantics-applications-in-knowledge-representation-44aa
2. Ontology Engineering (Synthesis Lectures on Data, Semantics, and Knowledge): 9783031794858 – Amazon.com, acessado em maio 29, 2025, https://www.amazon.com/Ontology-Engineering-Synthesis-Semantics-Knowledge/dp/3031794850
3. arXiv:2503.05388v1 [cs.AI] 7 Mar 2025, acessado em maio 29, 2025, https://arxiv.org/pdf/2503.05388?
4. Ontology (information science) – Wikipedia, acessado em maio 29, 2025, https://en.wikipedia.org/wiki/Ontology_(information_science)
5. Ontology of Descriptions and Observations for Integrated Modelling (ODO-IM) – Semantic Web Journal, acessado em maio 29, 2025, https://www.semantic-web-journal.net/system/files/swj3663.pdf
6. protege.stanford.edu, acessado em maio 29, 2025, https://protege.stanford.edu/publications/ontology_development/ontology101.pdf
7. A Review of Ontology-Based Safety Management in Construction – MDPI, acessado em maio 29, 2025, https://www.mdpi.com/2071-1050/15/1/413
8. [2404.03044] The Artificial Intelligence Ontology: LLM-assisted construction of AI concept hierarchies – arXiv, acessado em maio 29, 2025, https://arxiv.org/abs/2404.03044
9. The Artificial Intelligence Ontology: LLM-assisted – construction of AI concept hierarchies – arXiv, acessado em maio 29, 2025, https://arxiv.org/pdf/2404.03044?
10. arxiv.org, acessado em maio 29, 2025, https://arxiv.org/pdf/2404.03044
11. Ontology Access Kit (OAK) Documentation – GitHub Pages, acessado em maio 29, 2025, https://incatools.github.io/ontology-access-kit/
12. Fine-Tuning Large Language Models for Ontology Engineering: A …, acessado em maio 29, 2025, https://www.mdpi.com/2076-3417/15/4/2146
13. arxiv.org, acessado em maio 29, 2025, https://arxiv.org/pdf/2503.05388
14. Tutorials 2022 – ONTOBRAS, acessado em maio 29, 2025, https://www.inf.ufrgs.br/ontobras/en/tutorials-2022/
15. [2311.04778] On the Multiple Roles of Ontologies in Explainable AI – arXiv, acessado em maio 29, 2025, https://arxiv.org/abs/2311.04778
16. Knowledge Representation and Management 2022: Findings in Ontology Development and Applications – PMC, acessado em maio 29, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10751114/
17. onto:Nexus Forum 2025 – openCAESAR, acessado em maio 29, 2025, https://www.opencaesar.io/events/onto-Nexus-Forum-2025
18. CONSTRUCTION SAFETY ONTOLOGY DEVELOPMENT AND ALIGNMENT WITH INDUSTRY FOUNDATION CLASSES (IFC), acessado em maio 29, 2025, https://www.itcon.org/papers/2022_05-ITcon-Farghaly.pdf
19. Full article: Curating a domain ontology for rework in construction: challenges and learnings from practice, acessado em maio 29, 2025, https://www.tandfonline.com/doi/full/10.1080/09537287.2023.2223566
20. (PDF) Comprehensive Review on Semantic Information Retrieval and Ontology Engineering, acessado em maio 29, 2025, https://www.researchgate.net/publication/372625265_Comprehensive_Review_on_Semantic_Information_Retrieval_and_Ontology_Engineering
21. [2307.13427] Comprehensive Review on Semantic Information Retrieval and Ontology Engineering – arXiv, acessado em maio 29, 2025, https://arxiv.org/abs/2307.13427
22. arxiv.org, acessado em maio 29, 2025, https://arxiv.org/pdf/2307.13427
23. Application of Ontologies in Information Retrieval of Digital …, acessado em maio 29, 2025, https://jks.atu.ac.ir/article_13594.html?lang=en
24. [1012.1617] User Centered and Ontology Based Information Retrieval System for Life Sciences – arXiv, acessado em maio 29, 2025, https://arxiv.org/abs/1012.1617
25. (PDF) Ontologies: Principles, methods and applications – ResearchGate, acessado em maio 29, 2025, https://www.researchgate.net/publication/302937543_Ontologies_Principles_methods_and_applications
26. (PDF) A survey on semantic data management as intersection of …, acessado em maio 29, 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, acessado em maio 29, 2025, https://www.inf.ufrgs.br/ontobras/wp-content/uploads/2022/11/ontobras-2022-tutorial-vkgs.pdf
28. [2504.03029] Ontologies in Design: How Imagining a Tree Reveals Possibilites and Assumptions in Large Language Models – arXiv, acessado em maio 29, 2025, https://arxiv.org/abs/2504.03029
29. Ontologies in Design: How Imagining a Tree Reveals Possibilites and Assumptions in Large Language Models – arXiv, acessado em maio 29, 2025, https://arxiv.org/html/2504.03029v1