El punto ciego de todo proyecto de datos
Imagine recibir una tabla con 50.000 filas. Encabezados de columna: «evento», «fecha», «fuente», «valor». Los datos están completos. Los datos están actualizados. Y aun así, nadie en la sala puede decir qué significan.
¿Por qué? Porque la tabla contiene hechos, pero no contexto. Dice que algo ocurrió. No dice qué significa, por qué es relevante ni cómo se relaciona con las otras 49.999 filas. Un evento sigue siendo un evento. Una fuente sigue siendo una fuente. Lo que falta es conocimiento sobre cómo se relacionan esos conceptos y qué conclusiones son admisibles.
No es un problema marginal. Es el estado habitual en muchas instituciones públicas, organizaciones de seguridad y empresas industriales. Los datos existen, pero no hablan entre sí.
La razón tiene un nombre: falta de ontología.
Qué es una ontología y qué no es
Una ontología no es un esquema de base de datos. No es un glosario. Tampoco es una taxonomía clásica.
Una ontología es un modelo formal de la realidad: define qué conceptos existen, cómo se relacionan entre sí y qué reglas se aplican a esas relaciones.
Un ejemplo sencillo del ámbito de la seguridad:
«Vehículo» es un concepto. «Persona» es un concepto. «Matrícula» es un concepto. Una ontología establece que un vehículo tiene una matrícula, que una persona puede conducir un vehículo, que una matrícula está registrada ante una autoridad y que esa autoridad es responsable de un territorio determinado.
Cuando estas relaciones están formalmente codificadas, ocurre algo decisivo: un sistema puede extraer conclusiones de los datos que no aparecen en ninguna fila individual. Puede reconocer conexiones que una persona solo vería tras horas de análisis, o quizá nunca.
Los tres niveles del problema de los datos
Para entender por qué las ontologías son tan importantes, conviene mirar los tres niveles en los que suelen fracasar los proyectos de datos.
Nivel 1: sintaxis. Los datos están en formatos distintos: CSV aquí, XML allí, una base propietaria en otro lugar. Las herramientas ETL modernas resuelven bien este problema. Es resoluble.
Nivel 2: semántica. ¿Qué significa «evento» en el sistema A y qué significa «incidente» en el sistema B? ¿Se refieren a lo mismo? A menudo no. Aquí empieza el verdadero problema.
Nivel 3: pragmática. ¿Cuál es la consecuencia de este evento respecto a los objetivos de mi organización? ¿Qué acción debe activarse?
Sin ontología, toda integración de datos queda atrapada en el nivel 1. Con una ontología, los niveles 2 y 3 se vuelven manejables.
Por qué esto importa a autoridades e infraestructuras críticas
En una empresa, la falta de contexto de datos cuesta dinero. En autoridades públicas, organizaciones de seguridad e infraestructuras críticas, puede ser peligrosa.
Cuando un centro de situación recibe mensajes de doce sistemas distintos, control de acceso, cámaras, registros, informes de patrulla y fuentes externas, no necesita solo una interfaz que muestre todo. Necesita una capa que entienda qué significan esos datos en conjunto.
Eso es lo que aporta una ontología de dominio. Es al mismo tiempo la memoria y la gramática del sistema. Permite reunir fuentes heterogéneas no solo técnicamente, sino de forma comprensible.
Qué significa en la práctica
Una ontología bien modelada permite:
- conexiones transversales entre puntos de datos que no están vinculados explícitamente en ninguna fuente
- inferencias basadas en reglas: si A y B son ciertos, entonces se sigue C, de forma automática, trazable y auditable
- explicabilidad: cada afirmación del sistema puede rastrearse hasta su fundamento
- adaptabilidad: nuevos conceptos y relaciones pueden añadirse sin reconstruir la base
Esa es la diferencia entre un sistema que muestra datos y un sistema que entiende datos.
MAKOR: la ontología como tecnología central
MAKOR no es una solución de visualización que embellece los datos. MAKOR es una plataforma de análisis basada en ontologías. El conocimiento de dominio sobre situaciones de seguridad, procesos y relaciones no está escondido en la interfaz. Está modelado formalmente, es legible por máquina y verificable.
En el próximo artículo explicamos qué significa esto en la práctica: por qué esa capa inteligente sobre los datos no solo hace que los sistemas sean más inteligentes, sino también más seguros.