En l'ecosistema actual d'intel·ligència artificial, els grans models de llenguatge (LLM) han demostrat capacitats impressionants per generar text, raonar i fins i tot simular coneixement del món. Tanmateix, en àmbits que exigeixen precisió absoluta —com la medicina, les finances o l'enginyeria— aquests models presenten riscos estructurals difícils d'ignorar: al·lucinacions, coneixement congelat en el temps, manca d'explicabilitat i dificultat per ser modificats sense costosos reentrenaments. Davant d'aquesta realitat, ha sorgit una proposta arquitectònica que promet reconciliar la flexibilitat del llenguatge natural amb la fiabilitat de les dades verificades: DaoQL, un sistema que separa explícitament el coneixement determinista en una base multimodal i deixa al LLM el paper de motor de raonament i llenguatge. Aquest enfocament, que anomenem 'ontologia primer les dades', ofereix avantatges mesurables en termes de descomposició contrafàctica i auditabilitat.
DaoQL no és un simple complement per a LLM; és una redefinició de com es construeixen els models del món. Al seu nucli, la plataforma integra motors de bases de dades de diferent naturalesa —grafs, columnes, vectors i text complet— dins d'un mateix procés. Aquesta unificació permet que les consultes híbrides, com les que combinen cerca semàntica amb relacions jeràrquiques, s'executin en temps de l'ordre de microsegons: per exemple, un recorregut BFS en graf es completa en 1.20 ms, una cerca HNSW en 83.1 µs i una consulta híbrida Fluent en 105.8 µs. Aquestes xifres, tot i que mesurades en entorns incrustats de la mateixa màquina, indiquen un potencial enginyeril significatiu per a aplicacions que requereixen respostes en temps real.
La clau teòrica de DaoQL rau en la seva capacitat per garantir la descomposició contrafàctica componible. Sota condicions d'independència de regles, avaluació determinista i resolució fixa de conflictes, els models explícits ofereixen una condició suficient perquè qualsevol canvi en les dades —un fet nou, una correcció— es reflecteixi de forma atòmica en les conclusions. Els models implícits, en no tenir semàntiques atòmiques de lectura i delta, no poden oferir aquesta garantia arquitectònica. Això és crucial per a sectors com el financer, on un model de risc ha de poder respondre a escenaris hipotètics ('què passaria si el tipus d'interès puja un 0.5%?') sense contaminar la resta del coneixement.
Des d'una perspectiva empresarial, DaoQL obre la porta a sistemes d'IA més auditables i modificables. Una empresa que desplegui assistents intel·ligents per a l'atenció al client, per exemple, pot actualitzar les polítiques de producte en temps real sense haver de reentrenar el LLM, gràcies al fet que la base multimodal actua com a capa de veritat verificada. En aquest context, el desenvolupament d'aplicacions a mida es converteix en el vehicle ideal per integrar DaoQL en els processos de negoci. Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, ha treballat en múltiples projectes on la combinació de coneixements explícits amb motors de llenguatge natural ofereix avantatges tangibles.
L'arquitectura de DaoQL també es beneficia de les capacitats de còmput al núvol. En separar la capa d'emmagatzematge verificat del motor de raonament, és possible escalar cada component de forma independent. Per exemple, les consultes vectorials per a cerca semàntica poden executar-se sobre clústers optimitzats en serveis al núvol AWS o Azure, mentre que el LLM es desplega en instàncies amb GPU. Aquesta flexibilitat permet a les empreses ajustar costos i rendiment segons les seves necessitats específiques.
A més, la seguretat de les dades és un pilar fonamental. DaoQL, en mantenir el coneixement determinista en una base explícita, redueix la superfície d'atac davant d'injeccions de prompt o manipulacions del model. Les consultes multimodals s'han de validar contra la capa d'emmagatzematge, cosa que permet implementar polítiques d'accés granulars. Q2BSTUDIO ofereix serveis de ciberseguretat que complementen aquest tipus d'arquitectures, garantint que tant les dades sensibles com els canals de comunicació estiguin protegits.
En l'àmbit de la intel·ligència de negoci, DaoQL pot actuar com un pont entre les dades estructurades d'un data warehouse i els assistents conversacionals. Un analista podria preguntar en llenguatge natural: 'mostra'm les vendes de l'últim trimestre desglossades per regió i per producte, i compara-les amb l'escenari contrafàctic d'haver aplicat un descompte del 10%' — i el sistema respondria amb precisió gràcies a la combinació de consultes SQL, cerques en grafs i raonament del LLM. Aquesta capacitat és especialment rellevant per a eines de BI i Power BI, on la integració de dades explícites amb llenguatge natural pot democratitzar l'accés a l'analítica.
Els experiments preliminars amb DaoQL, sobre conjunts de dades com LDBC SNB SF1 i ANN-Benchmarks, mostren resultats prometedors: cobertura del 100% en 34 consultes interactives, amb temps de resposta predominantment sub-mil·lisegon o mil·lisegon. A ANN-Benchmarks, després d'aplicar una correcció de protecció de vora, s'aconsegueix un Recall@10 >= 99% amb milers de consultes per segon. Tanmateix, el rendiment global en consultes BI llargues (BI/IC) es redueix a 1.8 QPS, cosa que suggereix que l'optimització d'aquest tipus de càrregues de treball és encara una àrea de millora. En un experiment contrafàctic de cinc dominis (n=1250), DaoQL combinat amb GPT-4o va aconseguir un 94% de descomposició contrafàctica componible, 49 punts percentuals per sobre de GPT-4o sol. Aquestes xifres reforcen la tesi que la separació del coneixement explícit millora la fiabilitat del raonament.
Q2BSTUDIO, amb la seva experiència en intel·ligència artificial i automatització, està explorant com integrar DaoQL en solucions de agents IA que puguin executar raonaments contrafàctics en entorns empresarials. La capacitat d'aquests agents per modificar la seva base de coneixement sense reentrenar el model de llenguatge suposa un salt qualitatiu en la mantenibilitat dels sistemes intel·ligents. Per exemple, un agent d'atenció al client podria actualitzar el seu catàleg de productes en temps real simplement afegint un nou node en el graf de coneixement, sense necessitat de regenerar embeddings ni ajustar pesos.
El camí cap a la maduresa de DaoQL passa per resoldre reptes d'enginyeria com la integració eficient de la memòria cau KVCache, les actualitzacions calentes d'experts en models mixtos, i un runtime d'agent que orquestri les consultes multimodals. La comunitat acadèmica i empresarial està seguint de prop aquests desenvolupaments, i s'espera que en els propers anys vegem implementacions productives en sectors crítics. Mentrestant, les empreses que busquen avançar-se a la corba poden beneficiar-se de la consultoria i el desenvolupament personalitzat que ofereix Q2BSTUDIO, adaptant els principis de DaoQL als seus casos d'ús concrets.
En conclusió, DaoQL representa un canvi de paradigma en la construcció de sistemes d'IA amb models del món explícits. En traslladar el coneixement determinista a una base multimodal verificada i deixar al LLM com a motor de raonament, es guanya en auditabilitat, modificabilitat i explicabilitat. Les mètriques preliminars són encoratjadores, i la combinació amb serveis al núvol, ciberseguretat, intel·ligència de negoci i agents IA promet aplicacions transformadores. Q2BSTUDIO està posicionat per acompanyar les organitzacions en aquesta transició, oferint enginyeria de programari d'alta qualitat per integrar aquestes capacitats en entorns productius.
