Els grafs de coneixement s'han convertit en una infraestructura fonamental per representar entitats del món real i les relacions que existeixen entre elles. Respondre consultes lògiques multi-salt sobre aquests grafs implica recórrer diversos salts entre nodes fins a trobar la resposta, una cosa molt habitual en sistemes de recomanació, atenció al client o anàlisi de riscos. El problema és que molts mètodes actuals assumeixen, de manera implícita, que el graf està complet. Aquesta suposició és bastant restrictiva en entorns reals, on les dades canvien constantment i no sempre es disposa de totes les relacions possibles.
La majoria de les aproximacions existents treballen amb lògica de primer ordre existencial, coneguda per les sigles EFO. Aquest tipus de lògica inclou operadors de conjunció, disjunció i negació, cosa que permet representar consultes força expressives. Aplicar aquests operadors sobre un graf de coneixement requereix transformar entitats i relacions en vectors numèrics. L'objectiu és que el raonament es pugui reproduir mitjançant operacions algebraiques. No obstant això, la major part dels models utilitzen un enfocament transductiu: només saben operar sobre nodes que ja han vist durant l'entrenament i no poden generalitzar a nodes nous.
InductWave proposa un canvi important. En lloc de memoritzar nodes, aprèn representacions vectorials, també anomenades embeddings, basades en ondetes o wavelets, que permeten generalitzar a entitats no vistes durant l'entrenament. Aquesta qualitat inductiva resulta decisiva quan el graf creix de manera constant, com passa en aplicacions empresarials on cada dia apareixen nous clients, productes, comandes o transaccions. Gràcies a aquesta capacitat, un model entrenat amb un subgraf petit es pot avaluar després sobre un graf molt més extens.
La idea central és descompondre el graf a múltiples escales mitjançant wavelets. Això significa que el model captura tant l'entorn immediat d'un node com la seva posició global dins de l'estructura completa. Amb aquesta informació, els operadors lògics es poden aplicar sense necessitat que totes les entitats siguin presents a la fase d'entrenament. És una manera de raonar més flexible i escalable, perquè no depèn d'una taula fixa d'identificadors. A més, la representació multiescala resulta especialment adequada per a consultes que combinen diversos fets i negacions.
Un altre benefici rellevant és la reducció de la complexitat computacional. Molts mètodes basats en xarxes neuronals necessiten dotzenes de capes de propagació de missatges per obtenir un bon resultat. InductWave aconsegueix un rendiment competitiu amb menys capes. En diverses proves es comporta al nivell dels models de referència i en molts casos els supera, utilitzant aproximadament un 75% de les capes de les alternatives. En certes configuracions, el nombre de capes de propagació de missatges es redueix a la meitat. Això es tradueix en un menor consum de memòria, entrenaments més ràpids i una inferència més lleugera, cosa molt valuosa en producció.
Aquest estalvi de recursos és especialment rellevant en grafs massius. Els sistemes transductius solen necessitar reentrenar des de zero cada vegada que apareix un node nou, cosa que resulta inviable en plataformes que creixen diàriament. InductWave, en canvi, es pot entrenar amb un subgraf de mida reduïda i avaluar després sobre un graf més gran. Aquesta propietat permet treballar amb conjunts de dades com Wiki-KG, que difícilment cabrien en un pipeline transductiu tradicional. En reduir els requisits d'entrenament, també es redueix el cost d'infraestructura.
Una manera habitual de mesurar el seu comportament és utilitzar diferents proporcions d'entrenament i prova sobre el conjunt FB15k-237. En canviar el percentatge de nodes disponibles durant l'entrenament, s'observa que InductWave manté un bon rendiment fins i tot en escenaris amb escassetat de dades. Això encaixa amb la realitat de moltes empreses: no sempre es disposa de totes les dades etiquetades ni de tota la infraestructura necessària. Poder obtenir respostes raonablement bones amb menys informació és un avantatge competitiu.
Des d'una perspectiva tècnica i empresarial, aquest tipus de models obre oportunitats molt interessants. Les consultes lògiques sobre grafs es poden utilitzar per detectar frau en xarxa, identificar patrons sospitosos en ciberseguretat o enriquir sistemes de recomanació. També poden ajudar en la gestió d'identitats, en la detecció d'anomalies o en la traçabilitat d'operacions. La capacitat de treballar amb nodes nous sense reentrenar redueix el cost operatiu i accelera la posada en producció de solucions basades en coneixement.
A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, veiem un gran potencial en combinar aquests avenços amb solucions adaptades a cada negoci. El desenvolupament d'aplicacions a mida permet integrar models d'IA en processos reals, adaptant la interfície, les regles de negoci i els fluxos de dades a les necessitats del client. Un graf de coneixement no aporta valor si no està connectat amb els sistemes interns de l'organització. Per això, l'enginyeria de programari continua sent el pont entre un model acadèmic i una eina útil.
La infraestructura de núvol AWS/Azure és l'entorn natural per a aquest tipus de càrregues de treball. Permet escalar horitzontalment el processament, gestionar grafs de gran mida i desplegar models de manera reproducible. A més, les solucions d'intel·ligència artificial s'han d'integrar amb capes de governança, observabilitat i seguretat. La ciberseguretat és present a cada capa: des de l'accés a les dades fins a la comunicació entre microserveis. Un desplegament robust al núvol facilita que aquests sistemes siguin auditables i fiables.
També resulta molt valuós connectar el resultat d'aquestes consultes amb panells de BI/Power BI. D'aquesta manera, els equips de negoci poden visualitzar tendències, alertes o conclusions extretes d'un graf de coneixement sense dependre d'un equip tècnic. Fins i tot es poden construir agents d'IA que expliquin en llenguatge natural una resposta generada a partir de múltiples salts lògics. La combinació de BI amb raonament sobre grafs converteix les dades en decisions operatives.
En conjunt, InductWave representa una direcció prometedora per al raonament inductiu a gran escala. No es tracta només de millorar la precisió acadèmica, sinó de fer viable la IA explicable i consultable sobre dades complexes. La combinació de grafs de coneixement, models lògics i plataformes empresarials ben dissenyades pot marcar la diferència en sectors com la banca, la salut, la logística o el comerç electrònic. Les empreses que comencin a adoptar aquesta tecnologia estaran millor posicionades per aprofitar les seves dades.
En definitiva, l'evolució cap a sistemes inductius és imparable. Cada vegada més organitzacions necessiten processar informació dinàmica sense assumir que el món està congelat en un conjunt fix de nodes. Propostes com InductWave, juntament amb la feina d'integració que realitzen empreses com Q2BSTUDIO, ajuden a transformar la recerca en solucions pràctiques. Construir una arquitectura sòlida, amb IA, núvol, ciberseguretat i BI, és el següent pas natural per a qualsevol companyia que vulgui liderar el seu sector.
