RelationalAI

En el Radar compartido: Trial (valoración de la edición aportada).

Cómo funciona

Permite expresar conceptos y relaciones y razonar sobre grafos derivados. Su integración con Snowflake facilita utilizar datos ya alojados en esa plataforma.

Ejemplo de uso

Modelar empresas, beneficiarios y transacciones para explorar conexiones indirectas. Revisar cada relación relevante contra los registros de origen antes de usarla en una decisión.

Qué aporta

RelationalAI se ejecuta como aplicación nativa dentro de Snowflake y permite construir un modelo semántico (conceptos, relaciones y reglas) sobre tablas existentes, sin mover los datos. Sobre ese modelo ofrece varios tipos de razonamiento:

Razonador	Uso típico
Reglas	Derivar hechos: «un cliente está relacionado si comparte dirección y teléfono»
Grafos	Centralidad, comunidades, caminos, componentes conectados
Prescriptivo	Optimización: asignar recursos o decidir con restricciones
Predictivo	Modelos que usan las relaciones del grafo como características

Ejemplo conceptual: detección de redes de fraude

1. Conceptos: Persona, Cuenta, Dispositivo, Solicitud.
2. Relaciones: una persona usa un dispositivo, es titular de una cuenta, presenta una solicitud.
3. Regla: dos solicitudes están vinculadas si comparten dispositivo o cuenta de desembolso.
4. Algoritmo: detección de comunidades sobre solicitudes vinculadas.
5. Resultado: comunidades grandes y recientes se marcan para revisión manual.

Las consultas se escriben en Python sobre el modelo, y el cálculo ocurre en Snowflake bajo sus controles de acceso.

Cuándo considerarlo

Señal	Lectura
Consultas SQL con muchos joins recursivos o autorreferencias	El problema es de grafo
Reglas de negocio duplicadas en varias consultas	Un modelo semántico común reduce inconsistencias
Datos ya centralizados en Snowflake	Evita copiar a una base de grafos externa
Necesidad de optimización con restricciones	El razonador prescriptivo cubre un caso poco habitual en BI

Si no se usa Snowflake, alternativas como Neo4j, bases de grafos gestionadas o librerías como NetworkX cubren la parte de grafos, y GraphRAG o Graphiti la combinación de grafos con LLM.

Riesgos

Una relación inferida (por ejemplo, «misma persona») puede ser un falso positivo con consecuencias para un cliente. Conserva la explicación de cada inferencia, aplica revisión humana en decisiones adversas y revisa los sesgos que introducen las reglas.

Criterios de implementación

Evaluar coste, latencia y actualización del modelo, así como permisos sobre datos derivados. Una relación inferida necesita una interpretación y evidencia claras.