A l'era digital, milions d'organitzacions acumulen grans quantitats de dades en arxius especialitzats. Tanmateix, extreure informació valuosa d'aquests repositoris continua sent un repte majúscul, especialment quan el personal tècnic no té habilitats per redactar consultes estructurades. Aquest problema es magnifica en àmbits com la investigació neurocientífica, la biomedicina o l'enginyeria, on la semàntica del domini és complexa i les metadades segueixen vocabularis específics. La solució, segons un estudi recent, passa per combinar ontologies formals amb models de llenguatge de gran escala (LLMs). El sistema anomenat NLKGQ (Natural Language Knowledge Graph Query) demostra que és possible generar consultes SPARQL precises a partir de preguntes en llenguatge natural, sense necessitat d'entrenament addicional ni augment per recuperació. I ho fa gràcies a un disseny acurat de l'ontologia i a l'aprofitament de les capacitats dels LLMs.
En l'entorn empresarial, la capacitat de respondre preguntes ad-hoc sobre dades històriques pot marcar la diferència en la presa de decisions. Per exemple, un director financer podria voler saber 'quin va ser el marge de benefici per producte en l'últim exercici?' sense dependre d'un equip de TI. Aquí és on entren en joc les solucions de Business Intelligence com Power BI, que Q2BSTUDIO implementa freqüentment en clients de diversos sectors. Tanmateix, Power BI requereix consultes predefinides o taules preparades; l'enfocament de NLKGQ permet preguntes completament obertes, combinant el millor de tots dos mons. En integrar un graf de coneixement amb un LLM, qualsevol usuari pot formular preguntes en el seu propi llenguatge i obtenir respostes immediates, sense necessitat de conèixer SPARQL ni SQL. Això democratitza l'accés a les dades i accelera els cicles d'anàlisi.
L'enfocament de NLKGQ és rellevant no només per a l'acadèmia, sinó per a qualsevol empresa que gestioni grans volums de dades amb estructures semàntiques definides. A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, veiem una oportunitat clara per aplicar aquests principis en solucions empresarials. La creació de programari a mida que integri llenguatges naturals i bases de coneixement gràfiques pot transformar la forma en què les organitzacions interactuen amb les seves dades. Per exemple, un analista de negoci podria preguntar 'quines van ser les vendes de l'últim trimestre per regió?' i obtenir una resposta immediata sense conèixer SPARQL ni SQL. Aquesta capacitat és especialment útil quan es combina amb eines de BI, com Power BI, que Q2BSTUDIO implementa per als seus clients en entorns cloud d'AWS o Azure. La infraestructura cloud permet escalar el sistema segons la demanda, mantenint temps de resposta baixos fins i tot amb volums massius de dades.
El secret de l'èxit de NLKGQ rau en dos factors fonamentals: noms d'entitats llegibles per humans i anotacions semàntiques ben definides. Segons l'estudi, aquests elements influeixen més en la precisió que l'elecció del model de llenguatge o l'enginyeria de prompts. Això subratlla la importància d'invertir en un modelatge ontològic rigorós. Les ontologies OWL capturen no només el vocabulari, sinó les relacions semàntiques entre conceptes, permetent que el LLM interpreti correctament la intenció de la pregunta. En contrast, les bases de dades relacionals tradicionals amb SQL DDL ofereixen menys context semàntic, resultant en un rendiment inferior per a la generació automàtica de consultes. Per a les empreses, això significa que migrar a arquitectures basades en grafs de coneixement, amb ajuda d'experts en intel·ligència artificial, pot ser un diferenciador competitiu.
A més, els agents d'IA poden actuar com a intermediaris intel·ligents: reben la pregunta, la tradueixen a SPARQL, executen la consulta i retornen la resposta en llenguatge natural. Aquests agents s'integren en assistents virtuals, chatbots corporatius o portals d'autoservei. A Q2BSTUDIO hem desenvolupat prototips d'agents d'IA que utilitzen LLMs locals per garantir la privacitat, una preocupació recurrent en sectors com la banca o la sanitat. La ciberseguretat és un altre pilar: en executar els models en maquinari institucional, les dades mai no abandonen l'organització. Els nostres serveis de ciberseguretat s'encarreguen d'auditar i protegir aquestes infraestructures, assegurant que l'accés a les dades mitjançant llenguatge natural sigui tan segur com qualsevol altre sistema corporatiu.
El sistema NLKGQ va ser provat en un arxiu de neuroimatge a gran escala, aconseguint un 100% de precisió en un conjunt de preguntes de competència i regressió. Els investigadors van utilitzar LLMs locals executant-se en maquinari institucional modest, cosa que aborda preocupacions de privacitat en dades de subjectes humans. Això és crucial per a sectors com la salut, on la confidencialitat és primordial. A Q2BSTUDIO oferim solucions de ciberseguretat que garanteixen que les dades sensibles romanguin protegides, alhora que aprofitem la potència de la IA generativa per a consultes avançades. La integració d'agents d'IA especialitzats en la interpretació de preguntes i l'execució de consultes és un altre dels serveis que estem desenvolupant per a empreses que desitgen automatitzar els seus processos d'anàlisi de dades.
Des d'una perspectiva tècnica, el sistema NLKGQ consta d'una interfície web on els usuaris plantegen preguntes en llenguatge natural. Un 'harness' independent del domini tradueix aquestes preguntes a SPARQL mitjançant un LLM i les executa contra un graf de coneixement. El procés de desenvolupament comença amb la captura del vocabulari i la semàntica en una ontologia OWL formal. Després, codi específic del domini extreu metadades de les fonts d'arxiu i les importa al graf. Tant l'ontologia com el codi estan dissenyats per ser reutilitzables en diferents dominis, cosa que redueix significativament l'esforç d'implementació en nous contextos. Aquesta arquitectura modular és similar a la que emprem a Q2BSTUDIO per a projectes de cloud computing, on despleguem microserveis a AWS o Azure per garantir escalabilitat i flexibilitat. A més, la integració amb eines de BI com Power BI permet visualitzar els resultats de les consultes en temps real, generant dashboards que s'actualitzen automàticament amb cada nova pregunta.
Per a les organitzacions que encara dubten entre bases de dades relacionals i grafs de coneixement, l'estudi va comparar el rendiment de SPARQL enfront de SQL generat automàticament. Els resultats van ser concloents: l'ontologia OWL, amb les seves característiques estructurals (classes, propietats, restriccions), proporciona un avantatge substancial sobre la definició de llenguatges de bases de dades relacionals (SQL DDL) quan es tracta de generar consultes mitjançant LLMs. Això es deu al fet que la semàntica explícita de l'ontologia redueix l'ambigüeitat i facilita que el model comprengui el significat de les dades. A la pràctica, les empreses que adopten grafs de coneixement, ja sigui per a catàlegs de productes, repositoris de documents o dades de clients, poden oferir als seus empleats un accés més democràtic a la informació, sense necessitat de formació tècnica avançada. Q2BSTUDIO ajuda els seus clients a dissenyar aquestes ontologies i a implementar els processos d'extracció i càrrega de dades, garantint que el sistema funcioni des del primer dia.
El futur de la consulta de dades passa per la combinació d'IA generativa i ontologies. NLKGQ és un excel·lent exemple de com un disseny acurat pot aconseguir resultats perfectes en tasques complexes. A Q2BSTUDIO estem convençuts que aquesta aproximació es generalitzarà a múltiples sectors. Per això oferim serveis de consultoria i implementació de sistemes de consulta basats en llenguatge natural, integrant tecnologies d'intel·ligència artificial, cloud i automatització. El nostre equip treballa amb ontologies OWL, grafs de coneixement i LLMs per construir solucions que permetin a qualsevol usuari preguntar i obtenir respostes precises de les seves dades, sense barreres tècniques. L'automatització de processos, combinada amb la potència dels agents d'IA, permet que fins i tot preguntes complexes siguin respostes en segons, transformant la forma en què les empreses exploten el seu capital d'informació.
En conclusió, NLKGQ demostra que l'accés a metadades mitjançant llenguatge natural ja és una realitat, gràcies a la sinergia entre ontologies ben dissenyades i models de llenguatge avançats. Les empreses que vulguin liderar en l'era de la dada han de considerar aquesta aproximació com a part de la seva estratègia digital. Ja sigui desenvolupant aplicacions a mida, millorant els seus sistemes de BI o implementant agents d'IA, la clau està en combinar la riquesa semàntica de les ontologies amb la potència dels LLMs. A Q2BSTUDIO estem preparats per acompanyar aquest procés, oferint des de la definició d'ontologies fins al desplegament en cloud, sempre amb un enfocament en la seguretat i la privacitat de les dades. La consulta en llenguatge natural no és el futur: és el present, i està a l'abast de qualsevol organització que decideixi fer el pas.
