El proyecto AI.NEEDS.DATA, desarrollado por el Centro de Investigación y Tecnología Industrial de Cantabria (CITICAN), impulsado por la Universidad Europea del Atlántico (UNEATLANTICO), ha avanzado en el desarrollo de una propuesta metodológica innovadora para la generación automática de grafos de conocimiento a partir de datos no estructurados y semiestructurados, combinando técnicas de Inteligencia Artificial, Procesamiento del Lenguaje Natural (PLN) y aprendizaje automático, en el marco europeo de la IA explicable.
La iniciativa tiene como objetivo diseñar y validar una aproximación metodológica capaz de transformar grandes volúmenes de información textual en estructuras de conocimiento que faciliten su análisis, interpretación y explotación en diferentes ámbitos de aplicación. Como caso de estudio, el proyecto trabaja con documentación jurídica procedente de fuentes oficiales, un entorno especialmente complejo por el elevado volumen de información y las relaciones existentes entre normas, disposiciones y documentos.
Durante el desarrollo del proyecto se han definido las bases metodológicas necesarias para abordar todo el ciclo de transformación de los datos: desde la recopilación y el preprocesamiento de información, hasta la extracción automática de entidades y relaciones, la construcción de grafos de conocimiento y la validación de los modelos obtenidos.
Utilizando un entorno de desarrollo levantado sobre los entornos virtuales de Python, servidores Jupyter y Notebooks, se han evaluado distintas tecnologías y herramientas especializadas que se integran en un abordaje donde LangChain, LangGraph, Pedanty y modelos de lenguaje de última generación se articulan para producir Grafos de Conocimiento que serán validados y explicados en un entorno de Neo4j, utilizando algoritmos asociados a las Ciencias de Datos orientadas a Grafos (GDS). Esta arquitectura tecnológica permite automatizar procesos de extracción semántica y representación del conocimiento, mejorando la eficiencia y la calidad del tratamiento de datos complejos.
Uno de los principales resultados del proyecto ha sido la definición de un pipeline metodológico específico para la generación de grafos de conocimiento, basado en estándares actuales de ingeniería de Machine Learning y Deep Learning y adaptado a las necesidades de proyectos que trabajan con grandes volúmenes de información no estructurada. Este enfoque facilita la reutilización del conocimiento generado y sienta las bases para futuras aplicaciones en ámbitos como el análisis documental, la gestión del conocimiento, la investigación científica o la transformación digital de las organizaciones.
Asimismo, el proyecto contempla la validación de los modelos desarrollados en el contexto de la IA explicable, mediante conjuntos de pruebas específicos y métricas orientadas a garantizar la calidad de la información generada, permitiendo evaluar tanto el rendimiento técnico como la utilidad práctica de los grafos obtenidos.
Con AI.NEEDS.DATA se da un paso adelante en la investigación sobre técnicas de Inteligencia Artificial aplicadas a la estructuración automática del conocimiento, contribuyendo al desarrollo de soluciones capaces de convertir información compleja en recursos inteligentes para la toma de decisiones.
Este proyecto se desarrolla en el marco del programa de Proyectos de I+D en el Sector TIC 2024, con la financiación de la Sociedad para el Desarrollo Regional de Cantabria (SODERCAN), contribuyendo al impulso de nuevas capacidades tecnológicas en el ámbito de la Inteligencia Artificial y la Ciencia de Datos.