Atualmente, as ontologias estão voltando à cena. Espera-se que elas resolvam os desafios de acesso a dados para agentes de IA, estruturando e utilizando o conhecimento disponível na empresa. Juntamente com os gráficos de conhecimento e os gráficos de propriedades rotuladas, elas formam os três blocos de construção centrais da modelagem semântica. No entanto, embora as ontologias definam esquemas e regras e os gráficos mapeiem as relações, muitas implementações ainda são muito complexas e só são usadas de forma limitada na prática.
No contexto da IA, entretanto, esses conceitos são frequentemente reinventados com uma complexidade exagerada. Foram feitos esforços consideráveis para desenvolver modelos sofisticados baseados em gráficos usando tecnologias como a Linguagem de Ontologia da Web (OWL), a Estrutura de Descrição de Recursos (RDF) e o SPARQL (Protocolo SPARQL e Linguagem de Consulta RDF). Embora essas abordagens sejam cientificamente sólidas, sua aplicação prática é limitada fora dos campos especializados. Exceções notáveis são o gerenciamento do ciclo de vida do produto (PLM), a modelagem CAD avançada e o gráfico de conhecimento de moda da Zalando.
A ontologia pragmática adota uma abordagem diferente e menos acadêmica. O foco é fornecer uma camada semântica que funcione de forma confiável na maioria dos cenários de negócios reais e ofereça suporte a agentes de IA e usuários humanos.
A abordagem não exige nenhum esforço teórico ou técnico desnecessário e, ainda assim, mapeia a rede, as relações e a semântica dos dados. Dessa forma, ela permite a geração simples e eficiente baseada em ontologia (Ontology-Augmented Generation, OAG).
A ontologia pragmática pode ser obtida por meio de seis princípios.
Os bancos de dados relacionais continuam a formar a espinha dorsal da TI corporativa. Com exceção de algumas exceções para casos de uso especiais, a maioria dos sistemas operacionais é baseada em tecnologia relacional.
A ontologia pragmática baseia-se na TI corporativa estabelecida, usando princípios objeto-relacionais em vez de bancos de dados gráficos ou armazenamento RDF. Mesmo que algumas das consultas multi-hop associadas sejam um pouco mais complexas, essa abordagem permite uma implementação mais rápida, estruturas mais claras e uma melhor adaptação às arquiteturas existentes. As modernas tecnologias objeto-relacionais também oferecem suporte a tipos de dados estendidos, como incorporações semânticas. Na prática, portanto, as vantagens práticas superam as limitações teóricas.
Qual é o papel do NoSQL em tudo isso? Ele pode servir como um meio-termo flexível, embora com limitações. Embora tenhamos conseguido criar valor agregado com bancos de dados NoSQL e mecanismos de pesquisa corporativos, problemas como junções tornam essas soluções, em grandes quantidades de dados, menos atraentes para cargas de trabalho com dados em rede. Além disso, as restrições de esquema geralmente surgem com o tempo devido à lógica comercial, o que relativiza a vantagem da flexibilidade do NoSQL. Portanto, vemos apenas um benefício limitado de longo prazo nessa abordagem.
A ontologia pragmática foi projetada para ser acessível a analistas, engenheiros e usuários corporativos. Ela forma a base comum sobre a qual são criados painéis, relatórios e aplicativos. Os objetos, relacionamentos e definições são transparentes, pesquisáveis e estruturados de forma compreensível. Isso cria um entendimento comum entre os agentes de IA e os atores humanos, reduz a ambiguidade e fortalece a confiança nos processos automatizados de tomada de decisão.
A ontologia pragmática não é outro lago de dados e não centraliza os dados fisicamente. Em vez disso, ela virtualiza os dados em sistemas distribuídos e leva em conta que nenhuma plataforma única pode atender a todos os requisitos. Os dados permanecem em sistemas operacionais, bancos de dados transacionais, lagos de dados existentes, lakehouses, data warehouses e malhas de dados. A ontologia combina essas fontes para fornecer uma visão semântica padronizada sem a necessidade de copiar dados. Isso permite uma introdução e gravação de dados passo a passo, já que muitas cargas de trabalho baseadas em agentes são orientadas por OLTP. O armazenamento em cache ou a materialização são usados somente quando necessário para fins analíticos, a fim de não sobrecarregar os sistemas de origem e seguir um padrão semelhante ao CQRS.
A ontologia pragmática serve como um nível semântico operacional e realizável, e não apenas como um índice descritivo. Enquanto os catálogos de dados se concentram na documentação de conjuntos de dados, esquemas, fluxos de dados e responsabilidades, a ontologia pragmática define objetos de domínio e relacionamentos que podem ser usados diretamente por humanos e agentes de IA em tempo de execução.
As relações entre objetos são descritas em linguagem natural e não como hierarquias de classes formais. O objetivo é a clareza e a facilidade de uso, não a completude teórica. Ao mesmo tempo, reconhece-se que a realidade nas empresas é complexa e nem sempre pode ser retratada em um modelo completamente consistente.
Estruturas de herança profundas e complexas são deliberadamente evitadas, pois hierarquias de classes extensas são difíceis de projetar e manter. Nos sistemas de IA, os grandes modelos de linguagem (LLMs) já têm amplo conhecimento semântico por meio de pré-treinamento, tornando supérflua a modelagem de hierarquia explícita em muitos casos práticos. Ao representar a semântica em linguagem natural, a ontologia pragmática permanece compreensível para os seres humanos e interpretável para a IA.
A ontologia pragmática não tenta criar um modelo único e universal para dados corporativos. Modelos grandes e monolíticos de entidade-relacionamento (ER) que visam padronizar tudo têm se mostrado repetidamente difíceis de dominar na prática. Isso contrasta com uma abordagem orientada por domínio, na qual são criados modelos independentes para áreas específicas (domínios) e finalidades que existem lado a lado, sem serem forçados a uma estrutura uniforme.
A ontologia pragmática se desenvolve passo a passo. Ela foi projetada mais como uma base para casos de uso concretos do que visando ser completa abstratamente. Novos objetos, relacionamentos e definições são adicionados conforme necessário. Essa abordagem aditiva garante a rápida criação de valor e, ao mesmo tempo, mantém a coerência da arquitetura. Com o tempo, a camada semântica cresce organicamente, orientada por requisitos reais, validada por aplicações práticas e continuamente adaptada às necessidades dos seres humanos e da IA. Não se trata de um projeto de TI de larga escala e de vários anos, mas de uma solução que gradualmente cria valor agregado. E sim, mesmo que isso possa parecer um pouco caótico: em nossa experiência, um pouco de caos saudável é o fator decisivo que leva os casos de uso ao sucesso.
Esses princípios podem ser implementados na forma de uma arquitetura de cinco estágios, embora outras realizações também sejam possíveis. Nesse modelo multicamadas, a arquitetura consiste nos cinco níveis ou camadas a seguir, de cima para baixo: L1 – Nível de interação, L2 – Nível de acesso semântico, L3 – Nível da ontologia principal, L4 – Nível de execução e L5 – Nível da fonte de dados.
Esse nível é voltado principalmente para os usuários humanos que interagem com o sistema. Inclui ferramentas de business intelligence, aplicativos e notebooks e, em especial, visualizações padronizadas, gráficas e acessíveis ao homem dos objetos vinculados (a rigor, esse nível pode ser considerado fora da ontologia).
Esse nível atua como um ponto de entrada controlado ou camada de API para o sistema. Ele fornece dados e operações por meio de interfaces comuns, como SQL, REST, GraphQL e MCP. Esse nível é responsável por aspectos de segurança, como autorização, verificações de política e limitação de taxa, e garante que o acesso seja seguro e controlado. O acesso de gravação é feito principalmente por meio de servidores MCP ou consultas SQL.
O significado técnico está ancorado aqui. O nível define objetos de domínio (por exemplo, clientes, pedidos ou incidentes), descreve relacionamentos em linguagem natural, mapeia esses conceitos para os sistemas de origem subjacentes e especifica como o acesso de gravação e as atualizações devem ocorrer. Ele atua como uma espécie de tradutor entre as intenções humanas ou de IA e a implementação técnica.
A camada de virtualização e execução na qual ocorre a execução real das solicitações. Ela lida com a federação de consultas em vários sistemas, usa padrões como CQRS, armazenamento em cache e materialização para otimizar o desempenho e encaminha transações de forma direcionada, dependendo da operação e da fonte de dados.
No nível mais baixo estão os próprios sistemas de origem. Eles incluem sistemas operacionais (OLTP), data warehouses analíticos ou data lakes, bem como APIs SaaS externas, incluindo REST (a rigor, esse nível também pode ser considerado fora da ontologia).
Em geral, o fluxo de dados é bidirecional: as solicitações são transferidas de humanos e agentes de IA para os sistemas de origem, enquanto os dados e os resultados retornam para cima.
Em resumo, a ontologia pragmática é uma camada semântica orientada para a prática e relacionada a objetos, projetada tanto para agentes de IA quanto para humanos. Ela aceita conscientemente compromissos em favor da facilidade de uso, da velocidade e da adequação operacional. Em vez de depender de modelos complexos baseados em gráficos, armazenamento centralizado de dados ou modelos empresariais monolíticos, ela virtualiza os dados distribuídos nos sistemas existentes e descreve as relações em linguagem natural. Na prática, seus modelos baseados em domínio e orientados para casos de uso evoluem de forma incremental, permitindo uma implementação mais rápida e um valor agregado mensurável.
Essa abordagem não tem pretensão de perfeição teórica e não abrange todos os casos marginais. As ontologias baseadas em gráficos podem ser bem-sucedidas em determinados contextos, e não há uma solução única para todos. No entanto, ao se orientar para as estruturas de TI corporativas existentes e utilizar os recursos semânticos dos grandes modelos de linguagem (LLMs), a ontologia pragmática oferece uma base escalável, compreensível e praticável para a semântica corporativa. Na prática, um certo grau de imperfeição controlada – ou "caos produtivo" – pode ser um fator decisivo de sucesso.
