Towards Intelligent Geospatial Data Discovery: a knowledge graph-driven multi-agent framework powered by large language models

Título: Hacia la Descubrimiento Inteligente de Datos Geoespaciales: Un marco multi-agente impulsado por modelos de lenguaje grande y grafos de conocimiento

1. Planteamiento del Problema

El crecimiento exponencial en volumen, variedad y velocidad de los datos geoespaciales ha creado ecosistemas de datos altamente distribuidos, heterogéneos y semánticamente inconsistentes. A pesar de la proliferación de portales de datos y catálogos (como Data.gov, INSPIRE, GEOSS), los sistemas actuales dependen mayoritariamente de búsquedas basadas en palabras clave. Estas limitaciones generan:

• Falta de alineación semántica: Diferentes estándares de metadatos (FGDC, ISO 19115, STAC, CKAN) dificultan la interoperabilidad.
• Baja comprensión de la intención: Los sistemas tradicionales no capturan la intención del usuario ni entienden relaciones espaciales y temporales complejas.
• Rendimiento de recuperación deficiente: Los usuarios deben realizar procesos iterativos de "prueba y error" en sistemas de clasificación opacos, lo que reduce la eficiencia en la identificación de datos relevantes para la investigación o la toma de decisiones.

2. Metodología

El estudio propone un marco multi-agente impulsado por Modelos de Lenguaje Grande (LLM) y dirigido por Grafos de Conocimiento (KG). La arquitectura se divide en tres componentes integrados:

A. Ontología y Grafo de Conocimiento de Metadatos Geoespaciales:

• Ontología Unificada: Se diseñó una capa de mediación semántica que mapea múltiples estándares (STAC, FGDC CSDGM, CKAN) a una ontología compartida. Las entidades clave incluyen Dataset, Topic, Space, Time, Organization, Format y License.
• Construcción del KG: Se ingieren metadatos de 6 catálogos (incluyendo Google Earth Engine, Microsoft Planetary Computer, Data.gov, PASDA), se normalizan y se enriquecen.
  • Se utilizan LLMs para generar entidades de "Tema" (Topic) a partir de títulos y descripciones.
  • Se completan metadatos espaciales y temporales faltantes mediante inferencia con LLMs.
  • Se implementan índices vectoriales, espaciales y temporales en una base de datos gráfica (Neo4j) para consultas eficientes.

B. Arquitectura Multi-Agente Colaborativa:
El proceso de descubrimiento sigue un ciclo de percepción-razonamiento-acción gestionado por un módulo de orquestación:

1. Agente de Análisis de Intención (Intent Parsing Agent):
   • Convierte consultas en lenguaje natural en representaciones estructuradas (GeoIntent).
   • Detecta si la consulta es nueva o una refinación de una anterior (usando memoria de sesión).
   • Extrae restricciones temáticas, espaciales, temporales y de formato.
   • Implementa un mecanismo de confianza: si la puntuación de confianza es baja, activa un ciclo human-in-the-loop para aclarar ambigüedades con el usuario.
2. Agente de Recuperación de Gráficos (Graph Retrieval Agent):
   • Realiza recuperación basada en similitud semántica (embeddings) y coincidencia de entidades en el KG.
   • Aplica filtrado estricto ("hard filtering") para restricciones espaciales y temporales.
   • Calcula una puntuación de relevancia multidimensional ponderada (tema, espacio, tiempo, organización, formato, licencia) utilizando métricas como el puntaje F1 para superposición espacial/temporal.
3. Agente de Síntesis de Respuestas (Answer Synthesis Agent):
   • Reclasifica los resultados iniciales (Top K) utilizando el LLM para generar una lista final (Top N).
   • Genera explicaciones interpretables sobre por qué cada dataset cumple con la intención del usuario.
   • Produce subgrafos estructurados para visualizar la evidencia semántica y mejorar la transparencia.

C. Evaluación:
Se diseñó una evaluación con 100 consultas de prueba de cuatro niveles de complejidad (temática, espacio-temporal simple, espacio-temporal doble, y compleja). Se utilizaron métricas como:

• EIMR (Exact Intent Match Rate): Precisión en la extracción de restricciones.
• NDCG@10: Calidad de la clasificación en los 10 primeros resultados.
• Recall@20: Cobertura de recuperación en los 20 primeros resultados.

3. Contribuciones Clave

1. Modelado Semántico Unificado: Introducción de una ontología que permite la alineación semántica transversal entre estándares de metadatos dispares, facilitando la construcción de un grafo de conocimiento coherente.
2. Flujo de Trabajo Multi-Agente Interpretativo: Diseño de un pipeline modular que integra el análisis de intención, la recuperación en grafos y la síntesis de respuestas, logrando un proceso de descubrimiento de extremo a extremo que es tanto automatizado como explicable.
3. Validación Empírica: Demostración sistemática de que el enfoque propuesto supera significativamente a los sistemas tradicionales (como Data.gov) en precisión de intención, calidad de clasificación y transparencia, sirviendo como base para la infraestructura de datos espaciales autónoma.

4. Resultados

• Precisión de Intención: El agente de análisis de intención alcanzó una tasa de coincidencia exacta (EIMR) del 99.27%, incluso en consultas complejas.
• Calidad de Clasificación (NDCG@10): El sistema completo (IGDD-G&A) obtuvo un NDCG@10 de 85.22%, superando a Data.gov (43.65%) en un 41.57%. Incluso al restringir la fuente solo a Data.gov, el sistema propuesto mejoró el rendimiento en un 30.64%.
• Recuperación (Recall@20): El sistema logró un Recall@20 del 66.54% frente al 34.61% de Data.gov, una mejora del 31.93%. La ventaja de recuperación aumenta con la complejidad de la consulta.
• Casos de Uso: Los casos de estudio (datos climáticos, censos, salud pública, imágenes satelitales y catálogos locales) demostraron la capacidad del sistema para:
  • Eliminar datos ruidosos mediante la re-clasificación del LLM.
  • Priorizar fuentes locales (ej. PASDA) cuando están disponibles.
  • Manejar conversaciones multi-turno y desambiguación con intervención humana.
• Rendimiento: El ciclo completo de descubrimiento tarda entre 30 y 40 segundos por consulta, lo que se considera viable para tareas de descubrimiento inteligente en tiempo real.

5. Significado e Impacto

Este estudio representa un avance significativo hacia el paradigma del GIS Autónomo (Nivel 3), donde los sistemas pueden descubrir, acceder y preparar datos automáticamente basándose en tareas especificadas por humanos o agentes.

• Cambio de Paradigma: Transita de la búsqueda por palabras clave a un descubrimiento inteligente, consciente de la intención y semánticamente rico.
• Interoperabilidad: Proporciona una solución práctica para la heterogeneidad de los metadatos geoespaciales, un obstáculo histórico en las Infraestructuras de Datos Espaciales (SDI).
• Transparencia: La capacidad de generar explicaciones y trazas de ejecución (subgrafos) aborda la "caja negra" de los sistemas de IA, aumentando la confianza del usuario.
• Futuro: Establece las bases metodológicas para infraestructuras de datos espaciales de próxima generación, con potencial para extenderse hacia la generación automática de datos listos para el análisis.