Un framework formal para estructurar el conocimiento en objetos de decisión ejecutables
Abstract
Este artículo introduce un enfoque ontology-first para el diseño de sistemas de decisión, donde la unidad fundamental no es una página, un documento o una herramienta, sino una entidad computacional—una representación estructurada y ejecutable del conocimiento que integra definiciones, variables, restricciones, transformaciones y lógica decisional.
Los sistemas de información tradicionales separan el contenido de la computación, generando fragmentación entre la representación del conocimiento y los outputs accionables. Proponemos un framework unificado en el que las estructuras ontológicas definen directamente el comportamiento computacional, habilitando procesos de decisión deterministas, auditables y escalables.
La arquitectura formaliza las entidades como objetos tipados con reglas embebidas, permitiendo la generación automática de calculadoras, evaluadores e interfaces de decisión. Este paradigma soporta aplicaciones multi-dominio, incluyendo modelado financiero, cálculos de ingeniería, cumplimiento normativo y sistemas de decisión asistidos por IA.
1. Introducción
La mayoría de los sistemas digitales tratan:
- El contenido como texto estático
- La computación como lógica separada
Esta separación genera inconsistencia, duplicación, falta de trazabilidad y débil fiabilidad decisional. Proponemos un cambio de paradigma:
De páginas a entidades computacionales
En este nuevo paradigma, cada unidad de conocimiento es estructurada, tipada, ejecutable y componible.
2. Planteamiento del problema
Los sistemas tradicionales se definen como:
Sistema = Contenido + Código
Con acoplamiento débil entre ambos. Redefinimos el sistema como:
Sistema = {E_1, E_2, ..., E_n}
Donde cada E_i es una entidad computacional:
E = (D, V, C, R, T, O)
Donde:
- D: definiciones
- V: variables
- C: restricciones
- R: reglas
- T: transformaciones
- O: salidas
3. Modelo de entidad computacional
3.1 Definición formal
Una entidad computacional es una función:
E: (V, C, R) → O
sujeta a:
C(V) = true
y:
O = T(R(V))
3.2 Propiedades
Cada entidad debe ser determinista, auditable, versionada, componible y context-aware.
3.3 Esquema de entidad (Ejemplo)
{
"entity_id": "loan_payment",
"type": "financial_calculation",
"inputs": ["principal", "rate", "term"],
"constraints": ["principal > 0", "rate >= 0"],
"formula": "PMT = P * r / (1 - (1 + r)^-n)",
"outputs": ["monthly_payment"]
}
4. Diseño ontology-first
4.1 Capa ontológica
Esta capa define entidades, relaciones, tipos y jerarquías.
Ejemplo:
FinancialEntity
├── Loan
├── Mortgage
└── Investment
4.2 Capa de ejecución
Transforma la ontología en calculadoras, motores de decisión y evaluadores.
4.3 Separación de responsabilidades
| Capa | Responsabilidad |
|---|---|
| Ontología | Significado |
| Reglas | Lógica |
| Motor | Ejecución |
| Interfaz | Presentación |
5. Arquitectura
Figura 1 — Sistema ontology-driven
Capa ontológica
↓
Definiciones de entidades
↓
Rule Engine
↓
Execution Engine
↓
Salidas (Calculadoras / Decisiones)
Figura 2 — Composición de entidades
Entidad A (Entradas)
↓
Entidad B (Transformación)
↓
Entidad C (Decisión)
6. Pipeline de decisión
Definimos un pipeline donde cada etapa está gobernada por reglas de entidad:
Entrada → Validación → Transformación → Evaluación → Salida
7. Relación con paradigmas existentes
7.1 Knowledge Graphs
Representan relaciones, pero típicamente carecen de lógica ejecutable.
7.2 Sistemas basados en reglas
Ejecutables, pero a menudo no estructurados semánticamente.
7.3 Sistemas de machine learning
Predictivos, pero generalmente no interpretables.
7.4 Nuestra contribución
Unificamos ontología, reglas y ejecución en una única estructura coherente.
8. Integración con sistemas de decisión
Este framework se integra con Dual-Evidence Systems, scoring engines y pipelines de optimización. Cada entidad puede producir características de forma independiente, evaluar restricciones y generar salidas.
9. Casos de uso
- Calculadoras financieras: Préstamos, ROI, tributación.
- Sistemas de ingeniería: Cálculos estructurales, verificaciones de seguridad.
- Policy engines: Cumplimiento, regulación.
- Decision Intelligence Platforms: Simulación de escenarios, optimización.
10. Propiedades formales
10.1 Componibilidad
E_3 = E_2(E_1(x))
10.2 Idempotencia (opcional)
E(E(x)) = E(x)
10.3 Determinismo
E(x) = y ⇒ E(x) = y
11. Limitaciones
- Complejidad del diseño ontológico
- Riesgo de explosión de reglas
- Necesidad de gobernanza estricta
- Posible rigidez
12. Trabajos relacionados
- Ontology Engineering: Gruber (1993) — Ontologías como especificaciones de conceptualizaciones.
- Representación del conocimiento: Frameworks RDF / OWL.
- Sistemas de reglas: Sistemas expertos, Prolog.
- Sistemas de decisión: Teoría de la decisión, análisis de decisión multicriterio.
13. Trabajo futuro
- Generación automática de ontologías
- Integración con LLMs
- Sistemas híbridos simbólicos y estadísticos
- Entidades auto-actualizantes
14. Conclusión
Proponemos un cambio de perspectiva:
De sistemas content-driven a sistemas computacionales ontology-driven
Esto habilita consistencia, escalabilidad, trazabilidad y fiabilidad decisional sin precedentes en dominios complejos.
Referencias
- Gruber, T. (1993). A translation approach to portable ontology specifications. Knowledge Acquisition.
- Newell, A. (1982). The knowledge level. Artificial Intelligence.
- Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. Pearson.
- Pearl, J. (2000). Causality: Models, Reasoning, and Inference. Cambridge University Press.