Ingeniería de grafos: cuando la IA aprende a pensar en redes, no en listas

Autor conceptual: Claude (Anthropic). Originador y director del corpus: Javi Ciborro.

Imagina que le pides a alguien que te describa a un amigo usando solo una ficha: edad, altura, color de ojos, profesión. Esa ficha te da datos, pero no te dice nada de con quién se relaciona esa persona, a quién influye, ni por qué acaba coincidiendo siempre con el mismo grupo en según qué situaciones. Eso es, en esencia, lo que le pasa a la IA "tradicional" cuando trabaja con tablas: ve filas y columnas, atributos aislados, pero pierde de vista el tejido de relaciones que en muchos problemas reales es justamente lo importante.

La ingeniería de grafos nace para resolver ese punto ciego. No es un algoritmo concreto, sino el conjunto de técnicas que transforman datos en bruto en una estructura de red —nodos conectados por aristas— para que los modelos de IA puedan aprender de las relaciones, no solo de los atributos.

¿Qué es exactamente un grafo, en términos simples?

Un grafo tiene dos piezas:

• Nodos: las entidades. Pueden ser personas, productos, cuentas bancarias, átomos de una molécula o palabras de un texto.
• Aristas: los enlaces entre esas entidades. Una arista dice "A está conectado con B", y a menudo añade matices: desde cuándo, con qué intensidad, en qué dirección.

Lo que cambia respecto a una tabla convencional es que aquí la posición de un nodo dentro de la red pasa a ser información en sí misma. Dos usuarios pueden tener el mismo perfil demográfico y comportarse de forma completamente distinta según a quién estén conectados, y un grafo es capaz de capturar esa diferencia; una tabla plana, no.

Los tres trabajos de fondo de la ingeniería de grafos

Detrás de cualquier sistema de IA que "razona en red" hay tres tareas previas, poco vistosas pero decisivas.

1. Construir variables a partir de la estructura. No basta con conectar los nodos: hay que extraer de esa red números que un modelo pueda usar. Por ejemplo, cuántas conexiones tiene un nodo (su centralidad), si sus vecinos están conectados entre sí (agrupamiento), o qué caminos recurrentes aparecen en la red. Estas variables estructurales suelen aportar más poder predictivo que los atributos individuales por sí solos.

2. Decidir cómo se guarda el grafo. Cuando una red tiene pocas conexiones por nodo —lo habitual en el mundo real—, conviene una representación ligera que solo liste los vecinos de cada nodo. Cuando la red es densa, resulta más práctico una tabla que marque directamente qué pares están conectados. La elección no es un detalle técnico menor: de ella depende si un modelo puede entrenarse en minutos o se queda sin memoria al intentar procesar millones de nodos.

3. Construir grafos de conocimiento. Aquí la ingeniería de grafos se cruza con el procesamiento de lenguaje natural: se extraen entidades y relaciones de texto no estructurado —artículos, informes, conversaciones— para levantar una red que funciona como una especie de memoria semántica. Es lo que permite a un asistente de IA conectar un dato mencionado en un documento con otro mencionado en uno distinto, y responder preguntas que ningún texto por separado contestaba de forma explícita.

Por qué importa: cuatro terrenos donde pensar en red cambia el resultado

• Detección de fraude. Una transacción aislada puede parecer perfectamente normal. El fraude organizado, en cambio, suele dejar huella en la estructura: grupos de cuentas que se mueven de forma coordinada, patrones circulares de transferencias. Eso solo se ve mirando el grafo completo, no fila por fila.
• Sistemas de recomendación. En lugar de fijarse solo en lo que un usuario compró, el sistema observa la red de afinidades: a quién se parece ese usuario, qué conexiones comparte, qué recorridos siguen personas con un perfil de red similar. El resultado son recomendaciones que responden a un contexto, no a una coincidencia estadística superficial.
• Descubrimiento de fármacos. Una molécula es, literalmente, un grafo: átomos como nodos, enlaces químicos como aristas. Modelarla así permite predecir propiedades —toxicidad, afinidad con una proteína— a partir de su topología, antes incluso de sintetizarla en un laboratorio.
• Ciberseguridad. Un ataque coordinado rara vez se detecta mirando un solo equipo comprometido. Se detecta viendo cómo se propaga la anomalía a través de la red: qué nodos empiezan a comunicarse entre sí de forma anómala, qué comunidades emergen de repente donde antes no había ninguna.

La pieza que lo hace posible: las redes neuronales de grafos

Todo este trabajo previo tiene un destino: alimentar a las llamadas Redes Neuronales de Grafos (GNN, por sus siglas en inglés). Son modelos diseñados para que cada nodo "aprenda" no solo de sus propios atributos, sino de los de sus vecinos, y de los vecinos de sus vecinos. Sin una ingeniería de grafos sólida detrás —buenas variables estructurales, una representación eficiente, un grafo de conocimiento bien construido—, estas redes no tienen de dónde aprender. La estructura de datos previa determina, literalmente, el techo de lo que el modelo puede llegar a captar.

En síntesis

• La ingeniería de grafos convierte datos aislados en una red donde las relaciones entre entidades son información de primer orden, no un añadido.
• Sus tres tareas centrales son: extraer variables desde la estructura, elegir la representación de almacenamiento adecuada, y construir grafos de conocimiento a partir de texto no estructurado.
• Sus aplicaciones más maduras están en fraude, recomendación, descubrimiento de fármacos y ciberseguridad: todos ellos problemas donde el patrón importa más que el dato suelto.
• Las Redes Neuronales de Grafos son el motor final que aprovecha esta estructura, pero dependen por completo de que la ingeniería de grafos previa esté bien hecha.