107 — Knowledge graphs y GraphRAG

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

Parte: 08 — Recuperación, contexto, memoria y conocimiento
Nivel: avanzado · Horas estimadas: 6
Laboratorio: logic · Estado: EXECUTABLE_CORE

🎯 Propósito

Comprender knowledge graphs y graphrag 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 knowledge graphs y graphrag usando los conceptos knowledge graph, entidades, relaciones, GraphRAG.
  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

knowledge graph, entidades, relaciones, GraphRAG

🗺️ Ubicación en el mapa de la IA

Los knowledge graphs son la herencia de la IA simbólica (redes semánticas, lógica de descripción, la Web Semántica) dentro de la era neuronal: conocimiento como entidades y relaciones explícitas en vez de vectores opacos. El RAG vectorial (097-103) recupera pasajes similares; falla cuando la respuesta exige conectar hechos dispersos o agregar sobre todo el corpus. GraphRAG (Microsoft, 2024) cierra el círculo: usa LLMs para construir el grafo y el grafo para estructurar lo que el LLM lee — neuro-simbólico en la práctica.

📖 Fundamentos

🔺 Tripletas: la unidad del conocimiento explícito

Un knowledge graph representa el conocimiento como tripletas (sujeto, predicado, objeto): nodos = entidades, aristas = relaciones tipadas y dirigidas. En el estándar RDF del W3C toda afirmación tiene esa forma; en los grafos de propiedades (Neo4j) nodos y aristas llevan además atributos clave-valor (fecha, fuente, confianza). Frente al texto, el grafo aporta:

🔎 Consultar el grafo: Cypher conceptual

Cypher (Neo4j) expresa patrones de caminos con sintaxis "ASCII-art": (nodo) y -[relación]->. No hace falta memorizarla; hace falta leer el patrón:

MATCH (p:Persona)-[:FUNDÓ]->(e:Empresa)-[:ADQUIRIÓ]->(x:Empresa {nombre: "Instagram"})
RETURN p.nombre

"Encuentra la persona que fundó la empresa que adquirió Instagram": los dos saltos que en la clase 106 exigían descomposición secuencial son aquí un solo patrón declarativo resuelto por el motor del grafo.

🧠 Extracción de tripletas con LLM

Construir el grafo a mano no escala; los LLMs extraen tripletas de texto con un prompt de extracción (entidades → relaciones → normalización). Los dos problemas duros no son la extracción sino después:

🌐 GraphRAG (Microsoft, arXiv:2404.16130)

GraphRAG ataca las preguntas globales ("¿cuáles son los temas dominantes en este corpus?") que el RAG vectorial no puede responder — ningún top-k local las cubre. Pipeline de indexación:

1. Extraer entidades y relaciones de cada chunk con un LLM  → grafo del corpus
2. Detectar comunidades jerárquicas (algoritmo de Leiden)   → clusters de entidades
3. Resumir cada comunidad con un LLM                        → resúmenes por nivel
Consulta global: map-reduce sobre resúmenes de comunidades → respuesta agregada
Consulta local:  entidades de la consulta → vecindario del grafo + chunks asociados

El grafo funciona como un índice temático jerárquico construido una vez (coste alto de indexación en llamadas LLM) y consultado muchas veces.

🧮 Ejemplo trabajado

Extracción de tripletas del párrafo:

"Marie Curie descubrió el polonio en 1898 junto a su esposo Pierre. Por sus investigaciones sobre la radiactividad recibió el Premio Nobel de Física en 1903, compartido con Pierre y Henri Becquerel."

(Marie Curie,  DESCUBRIÓ,        polonio)         {año: 1898}
(Pierre Curie, DESCUBRIÓ,        polonio)         {año: 1898}   ← "junto a su esposo"
(Marie Curie,  CASADA_CON,       Pierre Curie)
(Marie Curie,  RECIBIÓ,          Nobel de Física) {año: 1903}
(Pierre Curie, RECIBIÓ,          Nobel de Física) {año: 1903}
(H. Becquerel, RECIBIÓ,          Nobel de Física) {año: 1903}
(Marie Curie,  INVESTIGÓ,        radiactividad)

Decisiones no triviales que el ejemplo esconde: "su esposo Pierre" exige resolver la correferencia al nodo Pierre Curie; el "compartido con" genera tres tripletas RECIBIÓ distintas, no una; y el año va como propiedad de la arista, no como nodo. Con el grafo, "¿quién compartió un Nobel con un descubridor del polonio?" es un patrón de dos saltos; en texto plano exigiría reunir frases dispersas.

📊 Propiedades y comparación

Dimensión RAG vectorial GraphRAG / KG
Unidad recuperada chunk de texto entidades, caminos, resúmenes de comunidad
Preguntas multi-hop frágil (requiere descomposición) naturales (patrón de camino)
Preguntas globales/agregadas no alcanzables por top-k resúmenes jerárquicos (map-reduce)
Coste de indexación embeddings: bajo extracción LLM + comunidades: alto
Actualización añadir chunk e indexar insertar tripletas + rehacer comunidades afectadas
Fallos típicos contexto irrelevante entidades sin resolver, esquema inconsistente
Procedencia por chunk por hecho (tripleta) 
flowchart TD
    D[Documentos] --> CH[Chunking]
    CH --> EX["Extracción LLM:<br/>(sujeto, predicado, objeto)"]
    EX --> ER["Resolución de entidades<br/>+ normalización de relaciones"]
    ER --> KG[(Knowledge graph)]
    KG --> COM["Comunidades (Leiden)<br/>+ resúmenes por nivel"]
    Q[Consulta] -->|local: entidades| KG
    Q -->|global: temas| COM
    KG --> CTX["Vecindario + chunks fuente"]
    COM --> CTX
    CTX --> LLM["Generación con citas"]

⚠️ Errores conceptuales frecuentes

  1. "El grafo reemplaza al índice vectorial". Son complementarios: el grafo responde estructura y agregación; el vectorial, similitud semántica sobre texto libre. GraphRAG usa ambos (búsqueda local parte de embeddings de entidades).
  2. Confundir esquema con datos. Definir predicados (FUNDÓ, ADQUIRIÓ) es diseño de esquema; poblarlos es extracción. Saltarse el esquema produce un grafo donde cada hecho usa su propio predicado y nada conecta.
  3. Asumir que la extracción LLM es fiable. Las tripletas extraídas heredan las alucinaciones y omisiones del modelo; sin muestreo de verificación contra el texto fuente, el grafo institucionaliza errores con apariencia de base de datos.
  4. Ignorar la resolución de entidades. Es el fallo silencioso más común: el grafo "funciona" pero cada mención es una isla y los caminos multi-hop no existen.
  5. Usar GraphRAG para preguntas locales simples. Si la respuesta vive en un pasaje, el RAG vectorial la encuentra por una fracción del coste; GraphRAG se justifica en preguntas globales o relacionales.

🚀 Del aprendizaje a la operación

Entre este núcleo y un GraphRAG operativo faltan: el coste real de indexación (miles de llamadas LLM por corpus mediano, que se repiten al re-extraer), un proceso de calidad para la resolución de entidades (muestreo, métricas de duplicación), el versionado del esquema de predicados cuando el dominio evoluciona, la actualización incremental de comunidades sin reconstruir el grafo entero, y la decisión operativa de qué preguntas enrutar al grafo y cuáles al índice vectorial (clase 106, routing).

🧪 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

📓 Notebooks

📝 Evaluación

Criterio Peso
Comprensión conceptual 25 %
Ejecución reproducible 25 %
Interpretación basada en evidencia 25 %
Riesgos, límites y mejora propuesta 25 %

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

Síntoma Causa probable Corrección
El código corre, pero no hay conclusión Se confundió ejecución con aprendizaje Explica qué demuestra y qué no demuestra
El resultado cambia sin explicación No se registró semilla o configuración Conserva semilla, versión y parámetros
Se promete uso real Se extrapoló desde una demo educativa Declara entorno, datos, límites y revisión humana
Se copia una métrica aislada No existe baseline ni costo de error Añade comparación y criterio de decisión

❓ 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

📜 Papers que fundamentan esta clase

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

Paper Año Qué desbloqueó Miniatura
P31 · Agentes generativos: simulacros interactivos de comportamiento humano 2023 Resuelve la memoria de un agente que vive mucho tiempo: qué recordar, cuándo y por qué, cuando el contexto no da para todo. notebook

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.

Obra Edición Localizador Papel en esta clase
Manning, Christopher D., Raghavan, Prabhakar y Schütze, Hinrich — Introduction to Information Retrieval 2008 ISBN 9780521865715 · web de la obra obra de referencia de la parte 08 · toda la parte
Jurafsky, Daniel y Martin, James H. — Speech and Language Processing 2.ª (la 3.ª circula como borrador abierto sin ISBN) · 2009 ISBN 9780131873216 · web de la obra obra de referencia de la parte 08 · representaciones vectoriales de significado

Normas y documentación oficial que aplica esta clase: https://www.w3.org/TR/rdf11-concepts/

⬅️ Clase anterior

106 — Transformación y descomposición de consultas

➡️ Siguiente clase

108 — Memoria de corto y largo plazo

📝 Evaluación completa

❓ Preguntas

  1. Define knowledge graphs y graphrag sin usar una marca o framework como definición.
  2. Explica la relación entre knowledge graph, entidades, relaciones, GraphRAG.
  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:

✅ Criterio de aceptación