021 — Representación del conocimiento y ontologías

← Clase anterior · Índice de la parte · Clase siguiente →

Parte: 01 — IA simbólica, búsqueda, lógica y planificación
Nivel: fundamentos · Horas estimadas: 4
Laboratorio: logic · Estado: EXECUTABLE_CORE

🎯 Propósito

Comprender representación del conocimiento y ontologías dentro de la evolución de la inteligencia artificial, implementar un experimento mínimo verificable y distinguir qué parte constituye evidencia frente a una afirmación todavía no comprobada.

📚 Resultados de aprendizaje

Al finalizar podrás:

1. Explicar representación del conocimiento y ontologías usando los conceptos ontologías, taxonomías, relaciones, inferencia.
2. Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
3. Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
4. Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
5. Producir una evidencia reproducible y una conclusión que no exceda los datos.

🧩 Conceptos centrales

ontologías, taxonomías, relaciones, inferencia

🗺️ Ubicación en el mapa de la IA

Si las clases 019-020 dieron el lenguaje (lógica), esta clase trata el contenido: qué conceptos, categorías y relaciones hay que escribir para que un sistema razone sobre un dominio. La ingeniería ontológica viene de las redes semánticas (Quillian, 1968) y los marcos (Minsky, 1974), maduró en las lógicas de descripción y cristalizó en estándares web (RDF, OWL). Hoy sostiene los grafos de conocimiento de Google y Wikidata, y es la mitad simbólica de los sistemas neuro-simbólicos del proyecto de la clase 024.

📖 Fundamentos

🏛️ Ontología: definición operativa

Una ontología es una especificación explícita y formal de una conceptualización compartida (Gruber, 1993): define clases (categorías), individuos (instancias), relaciones (propiedades entre objetos), atributos y axiomas que restringen las interpretaciones válidas. Una taxonomía es el caso particular donde solo hay jerarquía de subsunción (⊑, "es-un").

Distinción estructural clave:

• TBox (terminológico): conocimiento sobre conceptos — Perro ⊑ Mamífero, Mamífero ⊓ Ave ⊑ ⊥ (disjuntos).
• ABox (asercional): conocimiento sobre individuos — Perro(Fido), dueño(Fido, Ana).

🕸️ Redes semánticas y herencia

Una red semántica es un grafo: nodos = conceptos/individuos, aristas = relaciones tipadas (es-un, parte-de, tiene). Su operación central es la herencia: las propiedades fluyen hacia abajo por es-un. La herencia por defecto con excepciones (los pájaros vuelan; los pingüinos son pájaros que no vuelan) exige razonamiento no monótono: añadir información (Piolín es pingüino) puede retirar conclusiones (ya no vuela). La lógica clásica es monótona, por eso se desarrollaron formalismos específicos (lógica por defecto de Reiter, circunscripción de McCarthy).

HEREDAR(individuo, propiedad):
    valor ← buscar propiedad localmente en individuo
    si existe: devolver valor                     # la excepción gana
    para cada clase C en cadena es-un (de específica a general):
        si C define propiedad: devolver C.valor   # el más específico gana
    devolver desconocido

🔬 Lógicas de descripción: expresividad con decidibilidad

Las description logics (DL) son fragmentos de FOL diseñados para que la inferencia sea decidible con complejidad conocida. Constructores típicos: ⊓ (intersección), ⊔ (unión), ¬, ∃r.C ("algún r lleva a un C"), ∀r.C, cardinalidades. Servicios de razonamiento estándar:

• Subsunción: ¿C ⊑ D se sigue de la TBox? (clasificar la jerarquía completa).
• Satisfacibilidad de concepto: ¿puede C tener instancias?
• Realización: ¿de qué clases es instancia cada individuo de la ABox?
• Consistencia global de TBox + ABox.

OWL 2 DL (estándar W3C) corresponde a la DL SROIQ; sus perfiles (EL, QL, RL) recortan expresividad a cambio de razonamiento polinómico — OWL 2 EL es el perfil de SNOMED CT, la ontología clínica de ~350 000 conceptos que se clasifica en minutos con razonadores tipo ELK.

🧱 Decisiones de diseño recurrentes

• Clase vs. individuo: ¿"Águila" es una clase (cada águila concreta) o un individuo (la especie, en una ontología de taxonomía biológica)? Depende del uso; mezclarlos es fuente clásica de incoherencias (OWL 2 permite punning controlado).
• es-un vs. parte-de: la subsunción hereda propiedades; la mereología no (el motor es parte del coche; el coche no hereda "gira a 3000 rpm").
• Mundo abierto vs. cerrado: OWL asume mundo abierto (lo no afirmado es desconocido, no falso), al contrario que las bases de datos y Prolog. Cambia radicalmente qué se puede concluir: que la ontología no diga que Ana tiene hijos no permite inferir que no los tiene.
• Reutilizar vs. construir: ontologías superiores (BFO, DOLCE) y de dominio (SNOMED, Gene Ontology, schema.org) existen para no partir de cero.

🧮 Ejemplo trabajado

Mini-ontología zoológica (TBox + ABox) y las inferencias que un razonador DL extrae:

TBox:
  A1: Pinguino ⊑ Ave                A2: Ave ⊑ Vertebrado
  A3: Ave ⊑ Ovíparo                 A4: Mamifero ⊑ Vertebrado
  A5: Ave ⊓ Mamifero ⊑ ⊥            (disjuntos)
  A6: Volador ≡ Animal ⊓ ∃medio.Aire
ABox:
  F1: Pinguino(Piolin)              F2: Mamifero(Rex)

Inferencias paso a paso:

1. Subsunción transitiva:  Pinguino ⊑ Ave ⊑ Vertebrado  ⇒  Pinguino ⊑ Vertebrado
2. Realización:            F1 + A1 ⇒ Ave(Piolin);  + A2 ⇒ Vertebrado(Piolin)
                           F1 + A3 ⇒ Ovíparo(Piolin)
3. Consistencia:           si alguien añade Mamifero(Piolin), A5 hace la ABox
                           inconsistente ⇒ el razonador lo rechaza con explicación
4. Mundo abierto:          ¿Volador(Piolin)? DESCONOCIDO — nada afirma ∃medio.Aire,
                           pero tampoco lo niega. Para negar hace falta el axioma
                           Pinguino ⊑ ¬Volador (así se modela la excepción en DL,
                           que no tiene defaults: la clase excepcional se excluye
                           explícitamente).

El punto 4 es el contraste práctico entre herencia por defecto (redes semánticas) y DL: en DL las "excepciones" se modelan con axiomas de exclusión explícitos, conservando la monotonía.

📊 Propiedades y comparación

flowchart TD
    subgraph TBox["TBox (conceptos)"]
        V["Vertebrado"]
        AVE["Ave"] -->|"⊑"| V
        MAM["Mamífero"] -->|"⊑"| V
        PIN["Pingüino"] -->|"⊑"| AVE
        AVE -.-|"⊓ = ⊥ (disjuntos)"| MAM
    end
    subgraph ABox["ABox (individuos)"]
        P["Piolín"] -->|"instancia de"| PIN
        R["Rex"] -->|"instancia de"| MAM
    end
    RZ["🔎 Razonador DL"] --> I1["Clasificación:<br/>Pingüino ⊑ Vertebrado"]
    RZ --> I2["Realización:<br/>Ave(Piolín), Vertebrado(Piolín)"]
    RZ --> I3["Consistencia:<br/>Mamífero(Piolín) ⇒ ⊥ rechazado"]

⚠️ Errores conceptuales frecuentes

1. Confundir es-un (subsunción) con instancia-de. "Fido es-un Perro" es pertenencia (ABox); "Perro es-un Mamífero" es inclusión de clases (TBox). Colapsarlos produce herencias sin sentido ("Fido es una subclase").
2. Modelar parte-de como subsunción. La rueda no es un tipo de coche. La mereología necesita relaciones propias (transitivas, pero sin herencia de propiedades arbitrarias).
3. Leer OWL con mentalidad de base de datos (mundo cerrado). La ausencia de un hecho no lo hace falso; las restricciones de cardinalidad no "validan datos faltantes" como un esquema SQL, y esa confusión es la queja n.º 1 de los recién llegados a OWL.
4. Esperar defaults y excepciones de la lógica clásica. DL/OWL son monótonas: "los pájaros vuelan, salvo los pingüinos" exige remodelar (clase AveVoladora, o axioma de exclusión), no un default que se retracta.
5. Construir la ontología por los nombres y no por los axiomas. Llamar a una clase "ClienteImportante" no le da semántica; sin axiomas que la definan, el razonador no puede clasificar nada en ella.

🚀 Del aprendizaje a la operación

Una ontología operativa es un artefacto de software con ciclo de vida: control de versiones y revisión por expertos de dominio, pruebas de regresión de inferencias (¿esta edición reclasificó 400 conceptos sin querer?), razonadores dimensionados al perfil elegido (ELK para EL, HermiT para DL completa), y pipelines de poblado de la ABox desde datos reales — hoy, a menudo con extracción por LLM validada contra los axiomas. El costo dominante no es el razonador sino el mantenimiento del consenso: una ontología es un acuerdo social formalizado, y sin gobernanza se degrada en meses.

🧪 Laboratorio

python lab.py

El laboratorio llama a ai_evolution.labs.run_lab("logic"). Esta decisión evita 183 implementaciones divergentes: cada clase tiene un entrypoint propio, pero los motores didácticos se prueban como una biblioteca común.

🔍 Evidencia esperada

• tipo de laboratorio y semilla;
• entradas o decisiones observables;
• resultado estructurado;
• lista evidence con hechos que pueden inspeccionarse;
• lista limitations que impide presentar la demo como producción.

📓 Notebooks

• 📓 notebook.ipynb: recorrido guiado con la materia resumida.
• ✍️ notebook_student.ipynb: ejercicios para resolver.
• ✅ notebook_solution.ipynb: solución de referencia explicada.

📝 Evaluación

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

❓ Preguntas frecuentes

¿Debo usar una API comercial?
No. El núcleo funciona localmente. Las extensiones LIVE se documentan por separado.

¿El laboratorio representa una implementación industrial?
No por sí solo. Enseña el contrato y el patrón; producción exige integración, seguridad, observabilidad, pruebas y operación.

¿Dónde profundizo?
Revisa las especializaciones enlazadas en el README raíz y la ruta siguiente.

🔗 Referencias

• Russell, S. y Norvig, P. (2021). AIMA (4.ª ed.), cap. 10 "Knowledge Representation". https://aima.cs.berkeley.edu/ — uso: desarrollo extendido del tema
• Gruber, T. R. (1993). "A translation approach to portable ontology specifications". Knowledge Acquisition, 5(2). https://doi.org/10.1006/knac.1993.1008 — uso: fuente primaria del mecanismo estudiado
• Baader, F. et al. (eds.) (2007). The Description Logic Handbook (2.ª ed.). Cambridge University Press. — uso: desarrollo extendido del tema
• W3C (2012). OWL 2 Web Ontology Language — Overview (2.ª ed.): https://www.w3.org/TR/owl2-overview/ — uso: marco normativo de referencia
• Minsky, M. (1974). "A Framework for Representing Knowledge". MIT AI Memo 306. https://dspace.mit.edu/handle/1721.1/6089 — uso: referencia consultada en su fuente original

📜 Papers que fundamentan esta clase

Bloque generado por python scripts/link_papers_to_classes.py. La fuente es papers/catalog/papers.json.

Cada ficha explica el problema anterior, la matemática mínima, los límites y los errores de atribución más frecuentes. Para leerlas con método: cómo leer un paper de IA · anexos matemáticos.

📚 Bibliografía de apoyo

Bloque generado por python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado en sources/bibliography.json.

Los papers dicen de dónde salió el mecanismo. Estas obras lo desarrollan con el espacio que una clase no tiene: teoría completa, demostraciones y ejercicios.

Normas y documentación oficial que aplica esta clase: https://www.w3.org/TR/owl2-overview/

⬅️ Clase anterior

020 — Lógica de primer orden y unificación

➡️ Siguiente clase

022 — Sistemas expertos y motores de reglas

📝 Evaluación completa

❓ Preguntas

1. Define representación del conocimiento y ontologías sin usar una marca o framework como definición.
2. Explica la relación entre ontologías, taxonomías, relaciones, inferencia.
3. Ejecuta lab.py dos veces con la misma semilla. ¿Qué debe conservarse?
4. Identifica una afirmación permitida y una afirmación exagerada sobre el resultado.
5. Propón una prueba negativa o un caso límite.

🏆 Reto verificable

Amplía el resultado del laboratorio con una clave student_extension que incluya:

• el supuesto que estás probando;
• una medición o comprobación;
• la conclusión;
• una limitación.

✅ Criterio de aceptación

• [ ] lab.py termina con código 0.
• [ ] El resultado contiene kind, seed, evidence y limitations.
• [ ] La extensión no modifica el comportamiento de otras clases.
• [ ] La interpretación referencia datos impresos por el laboratorio.
• [ ] Se declara al menos un riesgo o condición de no uso.