.jpg)
Introducción: Retrieval-Augmented Generation RAG requiere estrategias de fragmentación efectivas para dividir el conocimiento en unidades recuperables. Mientras que la segmentación basada en texto por palabras, oraciones o párrafos está bien estudiada para documentos, las ontologías plantean desafíos únicos por su estructura semántica. En este artículo presentamos un análisis empírico de diversas estrategias de chunking aplicadas a una ontología del dominio legal y describimos un problema crítico que llamamos problema del axioma huérfano.
Contexto y motivación: La calidad de la recuperación afecta directamente la relevancia contextual, la precisión de la respuesta y la latencia de consulta en sistemas RAG que combinan motores de búsqueda vectorial con modelos de lenguaje. En ontologías, la existencia de TBox con definiciones y jerarquías y de ABox con instancias y afirmaciones exige estrategias de chunking conscientes de OWL para evitar fragmentación semántica o concentración excesiva de axiomas.
El problema del axioma huérfano: En nuestra ontología legal de prueba el 93.8% de los axiomas pertenecen al ABox y solo 6.2% al TBox. Esa distribución provoca el efecto blob donde las estrategias basadas en jerarquía agrupan la mayoría de las afirmaciones de instancia en un unico chunk masivo, perdiendo la granularidad deseable. Denominamos esto problema del axioma huérfano. Consecuencia inmediata: las particiones jerárquicas fallan en ontologías ABox pesadas, mientras que la fragmentación por oración puede separar nombre de entidad y estado, produciendo respuestas incompletas.
Metodología resumida: Evaluamos 10 estrategias: cuatro textuales WordChunking, SentenceChunking, ParagraphChunking y FixedSizeChunking; seis OWL aware ClassBased, AnnotationBased, NamespaceBased, DepthBased, ModuleExtraction y SizeBased. La ontología de prueba incluye 195 axiomas, tres casos procesales, tres tribunales, varios jueces y abogados, y profundidad de jerarquía máxima 2. Medimos similitud superior por coseno, varianza en top 5, calidad de respuesta manual binaria, número y balance de chunks, tiempo de indexado y espacio en disco de índice vectorial.
Resultados clave: SentenceChunking obtuvo la puntuación de similitud top mas alta 0.7258 pero produjo las peores respuestas al fragmentar nombres de entidad y propiedades, demostrando que la integridad semántica supera a la similitud matemática para la efectividad de RAG. ModuleExtractionChunking consiguió la mayor consistencia OWL aware con similitud 0.7068 y varianza 0.0012 en los top 5, lo que sugiere robustez frente al ruido de embeddings y a la selección kNN. AnnotationBasedChunking dio agrupamientos finos dependientes de convenciones de nombres con similitud 0.7010 y 39 chunks, útil cuando las anotaciones son coherentes.
Análisis del fallo por fragmentación: SentenceChunking suele separar factos de instancia en oraciones cortas. Ante la pregunta cuales casos estan actualmente activos el chunk con caseStatus Active pudo obtener alta similitud pero carecer del nombre del caso. El modelo LLM recibe contexto incompleto y devuelve respuestas parciales o ambiguas. Esta falla es predecible cuando el taman~o medio de la oracion es mucho menor que el taman~o medio de la entidad en axiomas.
Por que ModuleExtraction funciona: La extraccion de modulo produce clausuras de dependencia que agrupan axiomas relacionados formando módulos lógicamente coherentes y auto contenidos. En nuestro experimento los top 5 chunks de ModuleExtraction mostraron puntuaciones muy cercanas, lo que reduce el riesgo de recuperar un chunk irrelevante y mejora la robustez ante variaciones en embeddings. Trade off: mayor tamaño por chunk pero mayor completitud semántica.
Heuristicas para elegir estrategia: Proponemos un marco de decision práctico basado en caracteristicas de la ontologia. Si orphan_ratio es mayor que 0.8 evitar ClassBased y DepthBased. Si existe cobertura consistente de prefijos en etiquetas considerar AnnotationBased. Si la jerarquia tiene profundidad mayor o igual a 5 DepthBased o ClassBased pueden ser eficaces. Si las entidades son compactas WordChunking puede bastar. En escenarios mixtos empezar con ModuleExtraction mas WordChunking para validacion rapida.
Indicadores concretos: Heuristica 1 riesgo de fragmentacion: si taman~o medio de oracion es menor que taman~o medio de entidad riesgo alto y evitar SentenceChunking. Heuristica 2 ratio de axiomas huérfanos: orphan_ratio = total_axiomas menos axiomas jerarquicos dividido por total_axiomas; si mayor que 0.8 evitar estrategias basadas en jerarquia. Heuristica 3 consistencia de nombres: si la cobertura de prefijos supera 0.7 AnnotationBased es viable.
Coste y rendimiento: En el experimento ModuleExtraction mostró buena relacion coste rendimiento con tiempos de indexado moderados y almacenamiento eficiente. SentenceChunking tuvo mayor coste de indexado y peor calidad de respuesta, por lo que no ofrece buen valor en ontologias ABox pesadas. La eleccion debe ponderar coste de indexado, latencia de consulta y riesgo de fragmentacion semantica.
Limitaciones: Estudio realizado en una ontologia de taman~o limitado 195 axiomas y en un dominio legal concreto; resultados pueden variar en ontologias de gran escala como SNOMED CT o DBpedia. Evaluacion de respuestas fue binaria y el conjunto de consultas fue reducido. Se utilizo un modelo de embedding concreto por lo que es necesario validar con otros proveedores y dimensiones.
Trabajo futuro: Validar escalado a ontologias grandes y diversas, analizar tipos de consulta mas variados factuales, estructurales y relacionales, y desarrollar estrategias hibridas adaptativas que combinen extraccion de modulo para relaciones complejas con chunking por anotacion o tamano para eficiencia. Tambien planteamos entrenar un modelo automatizado que prediga la estrategia optima a partir de metricas de ontologia como ABox porcentaje, profundidad, conteo de namespaces y entropia de nombres.
Recomendaciones practicas para implementacion: Para ontologias ABox dominantes elegir ModuleExtraction o AnnotationBased si las anotaciones son fiables. Evitar SentenceChunking cuando existan entidades cuyo conjunto de axiomas supera la longitud media de oracion. Realizar validaciones con preguntas representativas del caso de uso y medir no solo similitud sino integridad semantica en la respuesta.
Soluciones de negocio con Q2BSTUDIO: En Q2BSTUDIO desarrollamos soluciones a medida que integran estas buenas practicas en proyectos reales. Ofrecemos desarrollo de aplicaciones a medida y software a medida que incorporan arquitecturas RAG robustas, integración de modelos de inteligencia artificial y despliegue en la nube. Si necesita potenciar capacidades de IA para empresas o construir agentes IA conversacionales podemos ayudarle, visite nuestra pagina de inteligencia artificial en el apartado de servicios servicios de inteligencia artificial para conocer nuestras soluciones. Tambien trabajamos con arquitecturas cloud en AWS y Azure y podemos gestionar el despliegue, seguridad y escalado de su sistema, informacion disponible en nuestra seccion de servicios cloud servicios cloud aws y azure.
Servicios complementarios: Ademas de desarrollo de software a medida ofrecemos ciberseguridad y pentesting para proteger pipelines de datos y modelos, servicios inteligencia de negocio y dashboards con Power BI para explotar analitica de consulta, y automatizacion de procesos para optimizar costes operativos. Palabras clave que describen nuestro enfoque practico incluyen aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.
Conclusión: No existe una estrategia universal de chunking para RAG en ontologias. La eleccion depende de caracteristicas como el ratio ABox TBox, la profundidad jerarquica, y la calidad de metadatos. El problema del axioma huérfano expone la fragilidad de las estrategias basadas en jerarquia frente a ontologias ABox pesadas. Para la mayoria de casos reales recomendamos empezar con ModuleExtraction complementado con validacion por WordChunking y pruebas de integridad semantica. Q2BSTUDIO puede acompañarle en el disen~o, implementacion y operacion de sistemas RAG sobre ontologias, garantizando soluciones robustas y seguras adaptadas a sus necesidades de negocio.
