Knowledge Graph

Knowledge Graph es un núcleo semántico sobre los datos existentes del operador: documentos, configuraciones, catálogos de productos y tarifas. Conecta la información dispersa en una sola imagen y muestra la fuente de cada respuesta. Nada se traslada ni se reindexa: los índices de búsqueda existentes (por ejemplo, AWS Bedrock Knowledge Base) se conectan en modo de solo lectura, y el grafo añade encima relaciones, estructura y procedencia. Es la capa de conocimiento de Agent Fabric-T y un producto por derecho propio para otras plataformas de agentes y de automatización.

Qué aporta al operador

• Respuestas fiables Cada respuesta llega con su fuente y el responsable de los datos, de modo que las decisiones se basan en hechos y no en suposiciones.
• Impacto antes del cambio Se ve qué cambiará o se romperá si cambia una tarifa, una regla tarifaria o un proceso, antes de que entre en producción.
• Las inversiones en búsqueda siguen rindiendo Los índices existentes permanecen donde están y se conectan en modo de solo lectura, sin migración ni reindexación.
• Un lenguaje de procesos común El grafo habla en los grupos verticales de eTOM —Fulfillment, Assurance, Billing—, un lenguaje que entiende todo el negocio.
• Responsabilidad visible Cada elemento muestra su responsable y quién rinde cuentas, lo que simplifica el gobierno de datos y las decisiones.
• Coherencia entre BSS y OSS Un único núcleo semántico elimina las diferencias en cómo sistemas separados interpretan los mismos datos.
• Incorporación más rápida Un nuevo miembro del equipo pregunta al grafo en lenguaje natural y entra en contexto más rápido.
• Una base para agentes El agente Product Offering AI toma del grafo su conocimiento de la plantilla tarifaria; para agentes de fulfillment, assurance y billing, el mismo grafo puede servir de contexto: relaciones exactas en lugar de párrafos parecidos.

La búsqueda textual responde a “dónde está escrito esto”; el grafo responde a “cómo está conectado esto en realidad”. Se complementan: la búsqueda encuentra la entidad de partida a partir de una formulación libre, y el grafo despliega sus relaciones con exactitud.

Product Offering AI: el grafo de conocimiento en el chat de AI

El grafo de conocimiento funciona en Product Offering AI, la aplicación de chat de AI de la plataforma para los paquetes tarifarios de WideCoup Convergent BSS. Un configurador de tarifas carga el archivo de su plantilla de importación y edita el paquete en la tabla del chat o con palabras a través del agente. El agente toma del grafo de conocimiento, y no de un texto integrado en la aplicación, su conocimiento de las columnas, los valores permitidos y los códigos de la plantilla; la aplicación comprueba cada cambio frente a las reglas de la plantilla. Use case: un asistente de AI para ofertas de producto.

• Preguntas con palabras “¿Cómo cambio la cuota de suscripción?”, “¿Cómo aumento el tráfico incluido en la cuota?”, “¿Cómo configuro un paquete de tráfico de prueba para la activación diferida del servicio?”: se responden a partir de la tabla y del conocimiento de la plantilla en el grafo.
• Cambios con palabras “+10 % a los precios por excedente”, “en el servicio de excedente de datos, aumentar el volumen incluido en 200 MB”, “cambiar la moneda del paquete a EUR”: el agente convierte a las unidades de la plantilla, cambia las filas correctas y muestra exactamente qué ha cambiado.
• Comprobación de reglas de la plantilla Cada cambio se comprueba frente a las reglas de la plantilla: una infracción lo detiene con un motivo y una pista, uno dudoso pasa con una advertencia; cuando una persona edita una celda directamente o nombra la columna, un rechazo se convierte en advertencia.
• Controles de Revenue Assurance El grafo describe los controles de riesgo de ingresos del paquete. Los controles que solo necesitan un archivo —concesiones tarifarias e importes brutos redondos— se ejecutan en la carga y en el commit, con una advertencia en rojo, el código y la posición en la fila.
• Impacto de un cambio de columna El grafo contiene las comprobaciones de configuración del paquete como estructura: de qué regla se deriva una comprobación, qué columnas lee, en qué tipos de fila, su clase de riesgo y su mensaje al configurador. Así, “qué comprobaciones afectará en el commit un cambio en esta columna” se responde con aristas, y en el commit las comprobaciones se ejecutan solas.
• La decisión sigue en manos de una persona El agente crea una nueva versión de trabajo pero nunca hace commit: una persona aprueba la versión confirmada, cada versión queda en el historial del paquete y el usuario descarga el archivo para importarlo en el BSS.
• El conocimiento cambia en el grafo El conocimiento de columnas, valores permitidos y códigos cambia en el grafo, no en la aplicación; cada versión del grafo lleva un número de versión y la aprobación del rol de responsable de los datos.

Red y servicios

• Del servicio al cliente al recurso de red El grafo puede vincular los servicios orientados al cliente con los recursos de red: descomposición en Customer Facing Service (CFS) y Resource Facing Service (RFS), inventario y topología sobre modelos YANG, y las dependencias entre ellos. Este enfoque ofrece una base para el análisis de impacto y la automatización desde el producto hasta la prestación del servicio.
• Topología, servicios, SLA y políticas juntos Una sola capa semántica sobre los datos operativos: una conclusión se explica por su recorrido a través de las relaciones y tiene una fuente.
• Un modelo de red que no parte de cero El modelo de dominio se apoya en una ontología de referencia de Autonomous Networks alineada con TM Forum Autonomous Networks, 3GPP y TM Forum SID (Shared Information/Data).
• La dirección de TM Forum TM Forum describe el grafo como la capa de memoria y razonamiento para la autorreparación de la red —del fallo al impacto en el cliente y a la acción de reparación, con menor MTTR (Mean Time to Repair) y automatización explicable— en IG1373F “AI-Augmented Knowledge Graph for 5G Networks”.

Cómo funciona

• Para las personas: notas enlazadas El conocimiento vive como notas markdown enlazadas entre sí, en una vista compatible con Obsidian: un ingeniero lee y sigue los enlaces, y el grafo registra dónde está cada nota y en qué versión.
• Para la GenAI: consultas, no análisis de texto Un modelo consulta la estructura con SPARQL y obtiene solo el texto que necesita una respuesta, en lugar de analizar documentos completos cada vez: menos tokens por respuesta.
• Grounding Una petición en texto libre se asocia a las entidades tipadas del operador: servicios, recursos, procesos. Cuando los candidatos son cercanos pero pertenecen a áreas distintas, el grafo señala la ambigüedad y el chat formula una pregunta aclaratoria.
• Confianza en cada afirmación Una afirmación en el grafo tiene una fuente —un fragmento de documento con un resumen criptográfico de su contenido—, una evidencia descrita por dimensiones (autenticidad, autoridad, actualidad, corroboración, estado de validación) y un registro de quién la confirmó y cuándo. La actualidad se comprueba frente al fragmento: una edición en la página 200 no deja obsoleto un hecho de la página 5. Una confirmación revocada permanece en el historial.
• Dos tipos de conocimiento El conocimiento entregado con una versión del producto está versionado y lleva una decisión de publicación; los hechos adquiridos en el entorno del operador conservan quién los registró y cuándo. Una actualización del producto no sobrescribe lo que pertenece al operador.
• Roles, no nombres Un responsable en el grafo es un rol; quién lo ocupa se registra por separado, de modo que los cambios de personal no rompen el grafo.
• El límite de la organización Las anotaciones internas no salen de la organización: una exportación las descarta por tipo.
• Estándares abiertos del W3C El grafo se describe en RDF y en el Web Ontology Language (OWL), se intercambia como Turtle, sus cargas se comprueban con formas Shapes Constraint Language (SHACL) y se consulta con SPARQL.
• El chat solo lee El chat lee el grafo a través de una interfaz independiente de solo lectura y no lo modifica.

Alcance de la solución

• Knowledge Graph se utiliza en Product Offering AI, la aplicación de chat de AI para los paquetes tarifarios de WideCoup Convergent BSS; para otros dominios, el grafo se construye en el proyecto con los datos del operador.
• El modelo de servicios y recursos de red sobre modelos YANG se construye en el proyecto con los datos del operador.
• La taxonomía TM Forum eTOM está integrada en la ontología del grafo.
• Los índices de búsqueda externos permanecen en solo lectura: no somos sus propietarios ni los modificamos.
• Los agentes de fulfillment, assurance y billing sobre el grafo son un escenario objetivo cuyo alcance se acuerda en el proyecto.
• Los controles de Revenue Assurance que leen todo el conjunto del paquete —una tarifa por kilobyte desproporcionada respecto al paquete, una tarifa cara inalcanzable por una configuración errónea, un desequilibrio entre la cuota de suscripción y la tarifa de penalización— son un escenario objetivo cuyo alcance se acuerda en el proyecto.

El siguiente paso es un piloto sobre un conjunto limitado de sus datos, para ver con su propio ejemplo el valor del grafo para el negocio y para los agentes.

Especificación

La ontología, el módulo de confianza, el contrato de ingesta y los vocabularios se publican como referencia para la integración y la verificación.

• Ontología L1: clases, predicados, vocabularios y la taxonomía eTOM
• Módulo de confianza: afirmaciones con fuente, evidencia y confirmación
• Contrato de ingesta
• Vocabularios de valores permitidos

Más en platform.mef.dev

• Knowledge Graph: qué permiten las aristas tipadas
• Grafo y búsqueda juntos