NeurOWL busca huecos en el conocimiento formal con IA

El 17 de julio de 2026, un equipo de la Universidad de Mánchester y la Universidad de Zhejiang presentó NeurOWL, un sistema que intenta localizar conocimiento ausente en ontologías formales. La propuesta combina un razonador lógico, representaciones numéricas de conceptos y modelos de lenguaje para responder una pregunta concreta: cuando una relación no aparece en una base de conocimiento, ¿es realmente falsa o falta alguna regla que permitiría justificarla?

Un mapa de conceptos que también tiene huecos

Una ontología no es solo una lista de palabras. Es una colección de afirmaciones formales sobre conceptos y relaciones: por ejemplo, que una categoría pertenece a otra o que una entidad puede tener cierta propiedad. El estándar OWL se usa para representar ese conocimiento de manera que un programa pueda extraer consecuencias lógicas. Es especialmente relevante en dominios con vocabularios extensos, como la biomedicina o los datos de alimentos.

El problema es que esas estructuras rara vez están completas. El conocimiento cambia, la curación experta cuesta tiempo y algunas conexiones simplemente no se han escrito todavía. Un razonador convencional puede demostrar lo que se sigue de las reglas disponibles, pero no puede concluir una relación que depende de un axioma ausente. NeurOWL no pretende convertir una conjetura en un hecho: trata de decidir si la conjetura es semánticamente plausible y de proponer qué afirmación faltante habría que revisar.

Lógica primero, lenguaje después

El sistema organiza el trabajo en tres fases. Primero usa un razonador de lógica descriptiva para comprobar si la relación ya puede deducirse de la ontología. Si no puede, busca conceptos intermedios que sirvan de puente entre los dos términos. Los modelos de embeddings ordenan candidatos por cercanía semántica y un modelo de lenguaje valida las posibles conexiones.

Cuando ese camino no encuentra un puente útil, el método amplía la búsqueda con la información semántica de los embeddings. La salida no es solo un sí o un no: intenta devolver los axiomas potencialmente ausentes y una justificación que combine esas propuestas con las reglas que ya existían. Esa trazabilidad es importante porque una sugerencia de IA no debería entrar sola en una ontología utilizada por otras aplicaciones.

Qué probaron los autores

El preprint evalúa NeurOWL con versiones deliberadamente incompletas de dos ontologías reales: FoodOn, orientada a alimentos y agricultura, y SNOMED CT, una gran terminología clínica. Los autores retiraron algunas reglas para construir casos en los que una relación podía ser válida en la ontología original pero ya no era demostrable en la versión recortada. También crearon casos negativos para distinguir entre una laguna y una relación incorrecta.

En esas pruebas, el artículo comunica puntuaciones F1 de hasta 96,8 para valorar la plausibilidad de relaciones de inclusión y valores de hasta 89,3 y 79,3 en sus métricas de explicación, según el escenario. Son cifras altas, pero describen un entorno de evaluación construido a partir de ontologías conocidas. No equivalen todavía a demostrar que el sistema descubrirá conocimiento nuevo y correcto en cualquier base de datos del mundo real.

Una ayuda para revisar, no una máquina que reescribe la ciencia

La idea tiene una utilidad práctica clara. En una ontología sanitaria, una relación omitida puede afectar a búsquedas, integración de registros o herramientas de apoyo. En una ontología alimentaria, puede dificultar conectar información sobre ingredientes, producción y nutrición. Un sistema que priorice conexiones que merecen revisión puede ahorrar trabajo a expertos.

Pero el paso decisivo sigue siendo humano. Las etiquetas textuales de dos conceptos pueden sonar próximas y, sin embargo, una relación formal puede ser errónea, demasiado amplia o inapropiada para un contexto clínico. NeurOWL aporta una combinación interesante de rigor simbólico y capacidad lingüística, pero sus propuestas deben pasar por especialistas que conozcan el dominio y las consecuencias de añadir un axioma. El valor del sistema está precisamente en hacer explícita esa hipótesis y su justificación, en vez de esconderla tras una respuesta aparentemente segura.