NatureKG: una ontología y grafo de conocimiento para las finanzas de la naturaleza con una aplicación Text2Cypher

Área de la Ciencia:

• Finanzas Ambientales
• Representación del Conocimiento
• Inteligencia Artificial

Sus antecedentes:

• Las finanzas de la naturaleza requieren marcos analíticos sólidos para la evaluación de riesgos, impactos y dependencias.
• Los sistemas financieros actuales carecen de herramientas estructuradas para vincular el capital natural con los activos financieros.
• La resiliencia sistémica en las finanzas de la naturaleza se ve obstaculizada por los desafíos de integración de datos.

Objetivo del estudio:

• Presentar NatureKG, la primera ontología y grafo de conocimiento para las finanzas de la naturaleza.
• Desarrollar modelos de IA para traducir consultas en lenguaje natural en información procesable para instituciones financieras.
• Permitir la evaluación sistemática de riesgos, impactos y dependencias ambientales en las finanzas.

Principales métodos:

• Se diseñó una ontología de dominio basada en ENCORE, SBTN y la literatura, definiendo entidades clave.
• Se instanció la ontología en NatureKG, un grafo de conocimiento Neo4j con 320 nodos y 540 relaciones.
• Se ajustaron tres modelos de lenguaje grandes (Phi-3, LLaMA-3.1-8B, Mistral-7B) utilizando un conjunto de datos Text2Cypher para consultas en lenguaje natural.

Principales resultados:

• Phi-3 demostró un rendimiento superior con la mayor precisión de ejecución (0.21) y la puntuación Macro F1 (0.56).
• Los modelos más pequeños y ajustados mostraron una generalización efectiva en entornos de finanzas de la naturaleza específicos del dominio y con pocos recursos.
• Se validó la viabilidad de usar consultas asistidas por LLM para aplicaciones de finanzas de la naturaleza.

Conclusiones:

• NatureKG proporciona un marco fundamental para representar y analizar factores ambientales en las finanzas.
• El estudio establece una línea de base para integrar ontologías específicas del dominio con IA para las finanzas sostenibles.
• La investigación futura debe centrarse en expandir el alcance del conjunto de datos y refinar las capacidades de razonamiento de los modelos de IA.