GraphRAG es una forma popular de utilizar grafos de conocimiento para fundamentar aplicaciones de IA en hechos. La mayoría de los tutoriales de GraphRAG utilizan modelos de lenguaje de gran tamaño (LLMs) para construir grafos automáticamente a partir de datos no estructurados. Sin embargo, ¿qué sucede si estás trabajando en casos como el periodismo de investigación o el cumplimiento de sanciones —»atrapando a los malos»— donde se requiere transparencia en las decisiones y evidencias?

Esta charla explora cómo aprovechar datos abiertos, modelos abiertos y software de código abierto para construir grafos investigativos que sean responsables y que exploren relaciones ocultas en los datos que indiquen fraude o corrupción. Profesionales que trabajan en áreas como el cumplimiento de sanciones, el fraude fiscal, la lucha contra el terrorismo, entre otros —áreas a las que nuestro equipo presta apoyo— generalmente no pueden hablar abiertamente de su trabajo. Sin embargo, podemos utilizar datos abiertos y software de código abierto para ilustrar cómo el aprendizaje automático asiste en este tipo de análisis complejo.

Esta charla muestra cómo construir un grafo investigativo sobre posible lavado de dinero, utilizando la resolución de entidades (ER) para fusionar datos abiertos de ICIJ Offshore Leaks, Open Ownership y OpenSanctions. Exploraremos las técnicas utilizadas en casos reales de producción para la lucha contra el lavado de dinero (AML), la identificación del beneficiario final (UBO), el movimiento rápido de fondos (RMF) y otras áreas de cumplimiento de sanciones.

Primero, construiremos una «columna vertebral» para el grafo de forma que preserve la evidencia y permita auditorías. Luego, utilizaremos pipelines de spaCy para analizar artículos de noticias relacionados, usando GLiNER para extraer entidades, y el nuevo spacy-lancedb-linker para enlazarlas en el grafo. Finalmente, mostraremos análisis de grafos que utilizan los resultados, conectándose con lo que se necesita para casos de uso como GraphRAG.

Este enfoque utiliza bibliotecas de código abierto de Python, como la base de datos de grafos KùzuDB y la base de datos vectorial LanceDB. Para cada tarea de procesamiento de lenguaje natural (NLP), utilizamos modelos abiertos de última generación (la mayoría no LLMs), destacando cómo ajustarlos al contexto del dominio: reconocimiento de entidades nombradas, extracción de relaciones, textgraph, enlace de entidades, así como resolución de entidades utilizada para fusionar datos estructurados y producir una superposición semántica que organiza el grafo.

Todo el código está disponible en GitHub, organizado en cuadernos de Jupyter.