LLMs con ontología para diagnóstico de defectos en fabricación aditiva

La impresión 3D metálica por fusión de lecho de polvo láser (LPBF, del inglés Laser Powder Bed Fusion) lleva años siendo uno de los procesos más prometedores para fabricar piezas de alta complejidad en aeronáutica, implantes médicos o componentes de automoción. El problema: cuando aparece un defecto —porosidad, grietas, delaminación— saber exactamente qué lo causó y cómo corregirlo requiere experiencia de proceso muy específica, escasa y difícil de escalar. Un artículo publicado el 6 de mayo de 2026 en arXiv propone una vía concreta para atacar ese cuello de botella.

El trabajo, disponible en arXiv:2605.01100, describe un sistema de soporte a decisiones que no se limita a lanzar consultas contra un LLM genérico. En su lugar, construye una base de conocimiento estructurada con 27 tipos de defectos LPBF categorizados jerárquicamente, con sus relaciones causales codificadas en una ontología. El modelo de lenguaje actúa como interfaz de razonamiento sobre ese grafo de conocimiento, no como fuente de verdad por sí solo.

Qué hace exactamente el sistema

La arquitectura se articula en tres capas funcionales que conviene entender por separado:

• Recuperación de conocimiento mediante consultas en lenguaje natural: el operador puede escribir una descripción imprecisa del síntoma observado —una consulta «fuzzy»— y el sistema la traduce a una búsqueda estructurada sobre la ontología. Esto elimina la dependencia de terminología técnica exacta por parte del usuario final.
• Explicación trazable con respaldo bibliográfico: las respuestas sobre causas y estrategias de mitigación no son generadas libremente por el LLM; se anclan a literatura codificada en la base de conocimiento. Cada diagnóstico lleva su cadena de razonamiento explícita, lo que permite auditarla.
• Módulo multimodal de evaluación de imágenes: integra modelos de visión (foundation models) para interpretar micrografías de defectos. El sistema usa semantic alignment scoring para asociar descriptores de defecto con regiones de la imagen, en lugar de depender de una clasificación cerrada.

El conjunto fue evaluado mediante comparativas cualitativas frente a modelos de visión-lenguaje de propósito general, un estudio de ablación y un análisis de fiabilidad entre evaluadores (inter-rater reliability). Los investigadores argumentan que la integración de la ontología es lo que marca la diferencia respecto a usar un LLM sin estructura: reduce las alucinaciones factuales en el dominio y permite que un experto verifique el razonamiento paso a paso.

Por qué importa este enfoque

El problema de fondo que resuelve este trabajo no es exclusivo de LPBF: es el de cómo hacer que un LLM sea útil en dominios de seguridad crítica donde el error tiene consecuencias físicas reales. En fabricación aeroespacial o médica, un diagnóstico incorrecto de un defecto no es un artículo de Wikipedia mal redactado; puede traducirse en una pieza que falla en servicio.

La estrategia de anclar el razonamiento del LLM a una ontología verificada por expertos es una de las respuestas más sólidas que la investigación está ofreciendo a ese problema. No es nueva como concepto —los sistemas expertos basados en ontologías llevan décadas en ingeniería del conocimiento— pero la novedad aquí está en combinarla con la interfaz en lenguaje natural y con el módulo de análisis de imagen, lo que la hace operativa para usuarios que no son ingenieros de conocimiento.

Para quienes trabajan en integración de LLMs en entornos industriales, el paper ofrece un esquema de referencia concreto: ontología como capa de verdad, LLM como capa de razonamiento e interfaz, y modelos de visión como capa perceptual. Cada capa es reemplazable o actualizable de forma relativamente independiente.

Para quién es relevante

Este trabajo interesa a tres perfiles distintos. Primero, a equipos de ingeniería de fabricación que estén evaluando si los LLMs pueden ayudar en control de calidad sin asumir riesgos de explicabilidad. Segundo, a desarrolladores que construyan sistemas RAG (Retrieval-Augmented Generation) en dominios técnicos y busquen patrones de arquitectura donde la fuente de recuperación sea una ontología en lugar de un corpus de texto plano. Tercero, a quienes estén definiendo criterios de validación para IA en entornos regulados: el enfoque de inter-rater reliability como métrica de evaluación es directamente exportable a otros dominios.

El código y la base de conocimiento no aparecen mencionados como públicos en el resumen disponible, lo que es una limitación práctica relevante si se quiere replicar o extender el trabajo.

---

Desde EP, encontramos que la dirección es correcta: menos LLM como oráculo, más LLM como interfaz sobre conocimiento verificable. El reto ahora es que este tipo de arquitecturas salgan del laboratorio con documentación suficiente para que equipos industriales puedan adoptarlas sin depender de los autores originales.