SERAMIS v1.0

Semantic Reasoning and AI Management Intelligent System

Plataforma de evaluación semántica automatizada para el cumplimiento del Reglamento Europeo de Inteligencia Artificial (EU AI Act)

Trabajo Fin de Máster - UNIR

Este proyecto ha sido desarrollado como Trabajo Fin de Máster del programa de Máster en Inteligencia Artificial de la Universidad Internacional de La Rioja (UNIR).

Equipo de Desarrollo

Rol	Nombre
Autores	David Fernández González, Dr. Mariano Ortega de Mues
Directora	Dra. Xiomara Patricia Blanco Valencia
Co-Director	Dr. Sergio Castillo

Agradecimientos

Este proyecto utiliza datos del AIAAIC Repository (AI, Algorithmic, and Automation Incidents and Controversies), una base de datos independiente que documenta incidentes de IA a nivel mundial. Agradecemos a Charlie Pownall y al equipo de AIAAIC por este recurso invaluable.

La ontología SERAMIS incorpora compatibilidad con AIRO (AI Risk Ontology), desarrollada por Delaram Golpayegani et al. en el ADAPT Centre, Dublin City University. Agradecemos al equipo de AIRO por su trabajo en la estandarización de conceptos de stakeholders para sistemas de IA.

La integración con W3C Data Privacy Vocabulary (DPV) 2.2 permite mapear requisitos del EU AI Act a medidas técnicas y organizativas estándar, facilitando la generación de planes de evidencia para cumplimiento normativo.

La integración con European Legislation Identifier (ELI) proporciona URIs persistentes y desreferenciables para referenciar artículos específicos del AI Act en EUR-Lex, garantizando la interoperabilidad con el ecosistema legislativo europeo.

Este software fue parcialmente desarrollado empleando Claude Sonnet (Anthropic), asistente de IA utilizado para acelerar el desarrollo de código, y la documentación.

1. Descripción

SERAMIS implementa un sistema de evaluación semántica automatizada para sistemas de IA regulados por el EU AI Act. Combina una ontología formal OWL (v1.0.0) con reglas de inferencia SWRL para derivar automáticamente requisitos de cumplimiento, evaluaciones de riesgo y obligaciones regulatorias.

Características Principales

Razonamiento Semántico Híbrido (SWRL + SHACL) para clasificación automática de riesgo
Análisis Forense Post-Incidente con extracción LLM de narrativas de incidentes
Cumplimiento Multi-Framework: EU AI Act + ISO 42001 + NIST AI RMF + DPV
Evidence Planner: Generación automática de planes de evidencia basados en gaps de cumplimiento
DPV Browser: Explorador interactivo del W3C Data Privacy Vocabulary con taxonomías de riesgos, medidas y conceptos del AI Act
Visualización 3D interactiva del grafo de conocimiento
Persistencia Dual: MongoDB para documentos + Apache Jena Fuseki para RDF/SPARQL
Servidor MCP (Model Context Protocol) para integración con agentes de IA

2. Arquitectura del Sistema

flowchart TB
    subgraph Frontend["React Frontend :5173"]
        SP[AI Systems DB<br/>Registration & Classification]
        GV[AI Knowledge Graph<br/>3D Force Graph]
        RP[AI Symbolic Reasoning<br/>SWRL Inference]
        FA[Forensic AI Agent<br/>AIAAIC Analysis]
        DP[DPV Browser<br/>W3C DPV Explorer]
    end

    subgraph Backend["FastAPI Backend :8000"]
        CL[Core Logic<br/>Derivation & Requirements]
        RT[Routers<br/>/systems /reason /fuseki]
    end

    subgraph Forensic["Forensic Agent :8002"]
        AE[Analysis Engine<br/>LLM Extraction]
        CL2[EU AI Act Classification<br/>ISO 42001 / NIST Mappings]
        EP[Evidence Planner<br/>DPV Integration]
    end

    subgraph Data["Data Layer"]
        MG[(MongoDB :27017<br/>Documents)]
        FK[(Fuseki :3030<br/>RDF/SPARQL)]
    end

    subgraph Reasoner["Reasoner Service :8001"]
        RS[SWRL Inference<br/>OwlReady2]
    end

    subgraph MCPServer["MCP Server :8080"]
        MCP[FastMCP 2.0<br/>SPARQL Tools]
    end

    subgraph LLM["LLM Runtime :11434"]
        OL[Ollama<br/>Llama 3.2]
    end

    SP & GV & RP -->|HTTP/REST| Backend
    DP -->|HTTP/REST| Backend
    FA -->|HTTP/REST| Forensic
    Backend -->|MongoDB Protocol| MG
    Backend -->|HTTP/SPARQL| FK
    Backend -->|HTTP/REST| RS
    RS -->|HTTP/SPARQL| FK
    Forensic -->|HTTP/JSON| OL
    Forensic -->|SSE/JSON-RPC| MCP
    MCP -->|HTTP/SPARQL| FK
    Forensic -->|MongoDB Protocol| MG
    Forensic -->|HTTP/SPARQL UPDATE| FK
    AE --> CL2

    style Frontend fill:#3b82f6,color:#fff
    style Backend fill:#10b981,color:#fff
    style Forensic fill:#8b5cf6,color:#fff
    style Data fill:#f59e0b,color:#fff
    style Reasoner fill:#ef4444,color:#fff
    style MCPServer fill:#ef4444,color:#fff
    style LLM fill:#ef4444,color:#fff

3. Instalación

Prerrequisitos

Docker & Docker Compose
Git
Ollama (para el agente forense LLM - usa llama3.2:3b)

Inicio Rápido

# 1. Clonar repositorio

# 2. Iniciar todos los servicios
docker-compose up -d

# 3. Verificar despliegue
docker-compose ps

Puntos de Acceso

Servicio	URL	Descripción
Frontend	http://localhost:5173	Interfaz web principal
AI Systems DB	http://localhost:5173/systems	Base de datos de sistemas de IA
AI Knowledge Graph	http://localhost:5173/graph	Visualización 3D de la ontología
AI Symbolic Reasoning	http://localhost:5173/reasoning	Razonamiento SWRL
Forensic AI Agent	http://localhost:5173/forensic	Análisis de incidentes AIAAIC
DPV Browser	http://localhost:5173/dpv	Explorador Data Privacy Vocabulary
API Docs	http://localhost:8000/docs	Documentación API (Swagger)
API Forense	http://localhost:8002/docs	Documentación API forense
SPARQL Endpoint	http://localhost:3030	Consultas RDF/SPARQL
MCP Server	http://localhost:8080/mcp	Model Context Protocol

4. Módulos del Frontend

El frontend de SERAMIS proporciona una interfaz web completa para la gestión y análisis de sistemas de IA:

Módulo	Ruta	Descripción
Dashboard	`/`	Panel principal con métricas y resumen del sistema
AI Systems DB	`/systems`	Base de datos de sistemas de IA con formulario de registro, clasificación de riesgo EU AI Act y gestión de requisitos
AI Knowledge Graph	`/graph`	Visualización 3D interactiva del grafo de conocimiento usando Force Graph y Three.js
AI Symbolic Reasoning	`/reasoning`	Interfaz para ejecutar razonamiento SWRL sobre sistemas registrados
Forensic AI Agent	`/forensic`	Análisis forense post-incidente de sistemas de IA usando datos AIAAIC
DPV Browser	`/dpv`	Explorador interactivo del W3C Data Privacy Vocabulary 2.2
Ontology Docs	`/ontology`	Documentación de la ontología SERAMIS

4.1 Dashboard

El Dashboard (/) es la página de bienvenida que presenta una visión general del sistema SERAMIS. Incluye:

Descripción del sistema: Muestra el contenido del archivo Welcome2SERAMIS.md renderizado como Markdown
Características principales: Resumen de las funcionalidades clave de SERAMIS
Interoperabilidad ontológica: Enlaces a ontologías integradas (AIRO, DPV, ELI, ISO 42001, NIST AI RMF)
Stack tecnológico: Logos de las tecnologías utilizadas (React, Python, FastAPI, MongoDB, Jena Fuseki, Ollama)
Licencia: Información de licenciamiento CC BY-SA 4.0

4.2 AI Systems DB

El módulo AI Systems DB (/systems) proporciona un formulario completo de registro de sistemas de IA con 8 secciones estructuradas según el EU AI Act:

System Identification: Nombre y versión del sistema
System Purposes: Propósitos del sistema alineados con el Anexo III del EU AI Act
Deployment Context: Contextos de despliegue que activan requisitos regulatorios específicos
Technical Factors: Tipos de algoritmo, escala del modelo y origen de datos de entrenamiento
System Capabilities: Capacidades específicas que activan requisitos adicionales de cumplimiento
Capability Metrics (GPAI): Indicadores para clasificación GPAI según Arts. 51-55 (parámetros, autonomía, aplicabilidad general)
AIRO Stakeholders: Identificación de stakeholders según AIRO y Art. 3 EU AI Act (Provider, Deployer, Developer, User, Affected Person)
Article 5 - Prohibited Practices: Prácticas prohibidas de riesgo inaceptable con excepciones legales y autorización judicial

Incluye:

Validación en tiempo real de campos obligatorios
Vista previa del sistema (SystemCard) antes de guardar
Filtros y paginación para la lista de sistemas existentes
Acciones CRUD: Crear, cargar, modificar y eliminar sistemas

4.3 AI Knowledge Graph

El AI Knowledge Graph (/graph) proporciona una visualización 3D interactiva del grafo de conocimiento RDF almacenado en Apache Jena Fuseki utilizando react-force-graph-3d y Three.js:

Visualización 3D: Renderizado WebGL con nodos esféricos y enlaces direccionales
Categorías de nodos: Clasificación por colores según tipo (System, Purpose, Deployment, Technical, Capability, Compliance, AIRO)
Filtros interactivos: Filtrado por categoría de nodo y búsqueda textual
Selección de sistema: Selector desplegable para visualizar el grafo de un sistema específico
Controles de visualización:
- Ajuste de distancia entre nodos
- Toggle de etiquetas de nodos y enlaces
- Reset de vista
Interacción:
- Click en nodo: Enfocar cámara
- Arrastrar nodo: Fijar posición
- Right-click: Liberar nodo fijado
Panel de información: Muestra detalles del sistema seleccionado (nombre, nivel de riesgo, propósitos, contextos, URN)
Estadísticas: Contador de nodos y enlaces en tiempo real

4.4 AI Symbolic Reasoning

El módulo AI Symbolic Reasoning (/reasoning) permite ejecutar inferencia semántica SWRL sobre sistemas de IA registrados:

Selector dual de sistemas:
- Manual Systems: Sistemas registrados manualmente en AI Systems DB
- Forensic Analyzed Systems: Sistemas derivados del análisis forense de incidentes AIAAIC
Vista previa del sistema: Muestra información relevante antes de ejecutar el razonamiento
Resultados de inferencia:
- Criterios normativos, técnicos y contextuales inferidos
- Requisitos generales y técnicos derivados
- Clasificación GPAI (si aplica)
- Nivel de riesgo inferido
Exportación TTL: Visualización del grafo RDF completo en formato Turtle

4.5 Forensic AI Agent

El Forensic AI Agent (/forensic) proporciona análisis forense post-incidente de sistemas de IA utilizando datos del repositorio AIAAIC:

Carga de incidentes: Importación desde el repositorio AIAAIC (2,139+ incidentes)
Filtros avanzados: Por sector, país, año, tecnología y búsqueda textual
Selección múltiple: Permite analizar varios incidentes en lote
Modos de análisis:
- Pipeline Mode: Flujo determinista de 7 pasos
- ReAct Agent Mode: Agente autónomo con razonamiento iterativo (experimental)
Streaming en tiempo real: Visualización paso a paso del proceso de análisis
Opciones de análisis:
- Con/sin plan de evidencias DPV
- Proveedor LLM: Ollama (llama3.2:3b) local. La integración con Anthropic Claude está prevista en el roadmap, pero aún no está implementada.
Resultados del análisis:
- Clasificación de riesgo EU AI Act
- Clasificación de incidente grave Art. 3(49) (si aplica)
- Indicador de obligación de notificación Art. 73
- Requisitos aplicables
- Gaps de cumplimiento
- Mappings ISO 42001 y NIST AI RMF
- Plan de evidencias DPV (opcional)
Gestión de sistemas analizados: Lista de sistemas forenses persistidos con opciones de visualización y eliminación
Exportación PDF: Generación de informes forenses en PDF

4.6 DPV Browser

El DPV Browser (/dpv) es un explorador de planes de evidencia basados en el W3C Data Privacy Vocabulary (DPV) 2.2:

Carga de sistemas: Muestra sistemas (forenses y manuales) que tienen planes de evidencia generados
Visualización de planes: Para cada gap de cumplimiento identificado:
- Requisito EU AI Act asociado
- Prioridad (CRITICAL, HIGH, MEDIUM, LOW)
- Medidas DPV recomendadas
- Roles responsables (Deployer, Provider, DPO, Legal, Technical)
- Plazos de implementación
Items de evidencia: Para cada requisito:
- Tipo de evidencia (Policy, Technical, Audit, Training, Assessment, Contractual)
- Frecuencia de recolección
- Plantillas de documentos sugeridas
- Guía de implementación
Filtros: Por prioridad, tipo de evidencia, rol responsable y búsqueda textual
Estadísticas: Resumen por prioridad, tipo y rol
Recomendaciones: Sugerencias automáticas basadas en los gaps identificados

4.7 Ontology Docs

El módulo Ontology Docs (/ontology) proporciona acceso a la documentación de la ontología SERAMIS generada con WIDOCO:

Documentación multilingüe: Soporte para inglés y español (detectado automáticamente)
Iframe integrado: Visualización completa de la documentación HTML
Contenido:
- Descripción de clases OWL
- Propiedades de objeto y datos
- Individuos definidos
- Axiomas y restricciones
- Ejemplos de uso

5. Agente Forense

El Agente Forense es un microservicio potenciado por LLM para análisis de cumplimiento post-incidente. Extrae información estructurada de narrativas de incidentes y evalúa el cumplimiento contra múltiples frameworks.

📖 Documentación completa: forensic_agent/README.md

5.1 Fuente de Datos: AIAAIC Repository

El agente utiliza datos del AI, Algorithmic, and Automation Incidents and Controversies (AIAAIC) Repository, una base de datos independiente que documenta incidentes relacionados con sistemas de IA a nivel mundial.

🔗 AIAAIC Repository: https://www.aiaaic.org/aiaaic-repository

5.2 Características

Característica	Descripción
Extracción LLM	Usa Ollama (llama3.2:3b) local para extraer datos estructurados (integración con Anthropic Claude prevista en el roadmap, aún no integrada)
Análisis Multi-Framework	EU AI Act + ISO 42001 (15 mappings) + NIST AI RMF (18 mappings) + DPV 2.2
Clasificación de Riesgo	Categorización automática según 8 categorías del Anexo III + GPAI
Clasificación de Incidentes Graves	Taxonomía Art. 3(49): muerte/salud, infraestructura crítica, derechos fundamentales, propiedad/medio ambiente
Detección Art. 73	Identifica automáticamente si el incidente requiere notificación obligatoria (15 días)
Detección de Brechas	Identifica requisitos faltantes y calcula ratio de cumplimiento
Evidence Planner	Genera planes de evidencia con 14 requisitos y ~40 items de evidencia
Persistencia Dual	Guarda en MongoDB + Fuseki RDF para consultas semánticas

5.3 Ejemplo de Análisis

curl -X POST http://localhost:8002/forensic/analyze \
  -H "Content-Type: application/json" \
  -d '{
    "narrative": "Sistema de reconocimiento facial utilizado por fuerzas policiales para identificar manifestantes. El sistema mostró sesgo significativo contra minorías.",
    "source": "AIAAIC Repository",
    "metadata": {
      "aiaaic_id": "AIAAIC0042",
      "headline": "Sesgo en reconocimiento facial policial"
    }
  }'

6. Ontología

6.0 Versión: 1.0.0

Propiedad	Valor
Namespace	`http://ai-act.eu/ai#`
Formato	Turtle (.ttl)
Clases	70+
Propiedades	55+
Individuos	130+
Tripletas	~2,200

6.0.1 Cobertura Regulatoria

EU AI Act Anexo III (8/8 categorías de alto riesgo)
Artículo 2 (Ámbito de aplicación - exclusiones y overrides)
Artículo 3(49) (Taxonomía de incidentes graves)
Artículo 5 (Prácticas Prohibidas - Riesgo Inaceptable)
Artículo 73 (Obligaciones de notificación de incidentes)
Artículos 51-55 (requisitos GPAI)
Taxonomía de algoritmos (Anexo I)
Framework de gobernanza de datos
Shapes SHACL de validación (15 shapes)
Reglas de inferencia SWRL

6.1 Article 2 Scope Determination

La ontología modela semánticamente el Artículo 2 (Ámbito de aplicación) del EU AI Act, permitiendo determinar si un sistema está dentro del ámbito regulatorio mediante consultas SPARQL.

6.1.1 Clases de Exclusión (ScopeExclusion)

Clase	Artículo	Descripción
`ai:PersonalNonProfessionalUse`	Art. 2.10	Uso personal no profesional
`ai:PureScientificResearch`	Art. 2.6	Investigación científica pura
`ai:MilitaryDefenseUse`	Art. 2.3	Uso militar/defensa nacional
`ai:EntertainmentWithoutRightsImpact`	Recital 12	Entretenimiento sin impacto en derechos
`ai:ThirdCountryExclusion`	Art. 2.7	Sistemas de terceros países

6.1.2 Contextos de Override (traen sistemas de vuelta al scope)

Contexto	Efecto	Requisito Adicional
`ai:CausesRealWorldHarmContext`	Anula exclusión de entretenimiento	FRIA (Art. 27)
`ai:VictimImpactContext`	Activa protección de víctimas	FRIA + medidas de protección
`ai:AffectsFundamentalRightsContext`	Activa Art. 27	FRIA obligatoria
`ai:LegalConsequencesContext`	Activa supervisión humana	Human oversight (Art. 14)
`ai:MinorsAffectedContext`	Escrutinio reforzado	Protección de menores
`ai:BiometricProcessingContext`	Posible Art. 5	Revisión de prohibiciones

6.1.3 Propiedades de Scope

ai:mayBeExcludedBy      # Purpose → ScopeExclusion
ai:overridesExclusion   # DeploymentContext → ScopeExclusion
ai:hasScopeOverride     # IntelligentSystem → DeploymentContext
ai:isInEUAIActScope     # IntelligentSystem → boolean
ai:requiresFRIA         # Context → boolean (Art. 27)

6.2 Taxonomía de Incidentes Graves (Art. 3(49))

La ontología v1.0.0 modela la definición de incidente grave según el Artículo 3(49) del EU AI Act, permitiendo la clasificación automática de incidentes y la determinación de obligaciones de notificación según el Artículo 73.

6.2.1 Jerarquía de Clases de Incidente Grave

ai:SeriousIncident (clase base)
  ├── ai:DeathOrHealthHarm             [Art. 3(49)(a)]
  ├── ai:CriticalInfrastructureDisruption [Art. 3(49)(b)]
  ├── ai:FundamentalRightsInfringement   [Art. 3(49)(c)]
  └── ai:PropertyOrEnvironmentHarm       [Art. 3(49)(d)]

6.2.2 Tipos de Incidente Grave

Tipo	Artículo	Descripción	Keywords de Extracción
`ai:DeathOrHealthHarm`	Art. 3(49)(a)	Muerte de persona o daño grave a la salud	death, fatal, injury, hospitalized, casualties
`ai:CriticalInfrastructureDisruption`	Art. 3(49)(b)	Interrupción grave de infraestructura crítica	blackout, power grid, transport disruption
`ai:FundamentalRightsInfringement`	Art. 3(49)(c)	Violación de derechos fundamentales UE	discrimination, wrongful arrest, privacy breach
`ai:PropertyOrEnvironmentHarm`	Art. 3(49)(d)	Daño grave a propiedad o medio ambiente	property damage, environmental damage

6.2.3 Propiedades de Incidente

ai:hasSeriousIncidentType    # IntelligentSystem → SeriousIncident
ai:indicatorKeywords         # SeriousIncident → xsd:string
ai:mapsToAIAAICType          # SeriousIncident → xsd:string (ground truth)
ai:triggersArticle73         # SeriousIncident → xsd:boolean

6.2.4 Integración con DPV-Risk

La taxonomía de incidentes graves se integra con el vocabulario DPV-Risk mediante equivalencias semánticas:

Tipo de Incidente SERAMIS	Concepto DPV-Risk
`ai:FundamentalRightsInfringement`	`dpv-risk:RightsImpact`
`ai:DeathOrHealthHarm`	`dpv-risk:PhysicalHarm`
`ai:PropertyOrEnvironmentHarm`	`dpv-risk:MaterialDamage`

6.2.5 Artículo 73: Obligaciones de Notificación

Todos los tipos de incidente grave activan la propiedad ai:triggersArticle73 = true, lo que implica:

Plazo de notificación: 15 días desde el conocimiento del incidente
Destinatario: Autoridad de vigilancia del mercado competente
Contenido obligatorio: Identificación del sistema, descripción del incidente, medidas adoptadas

Inferencia automática:

SI sistema tiene hasSeriousIncidentType con triggersArticle73 = true
   → Sistema requiere notificación obligatoria Art. 73
   → Plazo: 15 días

6.3 Integración AIRO (AI Risk Ontology)

La ontología SERAMIS incorpora compatibilidad con AIRO para la gestión de stakeholders según el EU AI Act:

Propiedad SERAMIS	Clase AIRO	Artículo EU AI Act
`ai:hasProvider`	`airo:AIProvider`	Art. 3.3
`ai:hasDeployer`	`airo:AIDeployer`	Art. 3.4
`ai:hasDeveloper`	`airo:AIDeveloper`	-
`ai:hasUser`	`airo:AIUser`	-
`ai:hasSubject`	`airo:AISubject`	Art. 86 (Affected Person)
`ai:hasOversightBody`	`airo:Regulator`	Art. 70

Esta integración permite:

Trazabilidad de responsabilidad: Identificar claramente quién desarrolla, despliega y opera cada sistema
Análisis forense mejorado: El Agente Forense extrae deployer/developer de incidentes AIAAIC
Interoperabilidad: Compatible con otras ontologías que usen AIRO
Razonamiento sobre Affected Persons: Inferencia automática de requisitos basados en personas afectadas

6.4 Integración DPV (Data Privacy Vocabulary)

SERAMIS integra el W3C Data Privacy Vocabulary (DPV) 2.2 para la generación de planes de evidencia de cumplimiento.

Extensión DPV	Propósito	Uso en SERAMIS
dpv:core	Medidas técnicas y organizativas	Mapeo de requisitos a medidas
dpv:ai	Sistemas de IA, capacidades, riesgos	Clasificación de sistemas
dpv:risk	Gestión de riesgos	Evaluación de gaps
dpv:legal/eu/aiact	Conceptos específicos AI Act	Equivalencias semánticas

6.3.1 Tipos de Evidencia Definidos

El módulo dpv-integration.ttl define 6 tipos de evidencia:

Tipo	Descripción	Ejemplo
`PolicyEvidence`	Políticas y procedimientos	Human Oversight Policy
`TechnicalEvidence`	Documentación técnica	Model Card, System Architecture
`AuditEvidence`	Logs, tests, auditorías	Bias Audit Report
`TrainingEvidence`	Registros de formación	Operator Training Records
`AssessmentEvidence`	Evaluaciones de impacto	FRIA Report, DPIA
`ContractualEvidence`	Contratos y acuerdos	Data Processing Agreement

6.3.2 Mappings Requisito → Medida DPV

ai:HumanOversightRequirement
    ai:mapsToDPVMeasure dpv:HumanInvolvement ;
    ai:requiresEvidence ai:HumanOversightPolicyEvidence,
                        ai:OverrideDecisionLogEvidence .

ai:FundamentalRightsAssessmentRequirement
    ai:mapsToDPVMeasure dpv:ImpactAssessment ;
    ai:requiresEvidence ai:FRIAReportEvidence .

6.5 Razonamiento sobre Affected Persons (Art. 86)

El reasoner implementa 4 reglas de inferencia basadas en la identificación de "Affected Persons" (personas afectadas por decisiones del sistema de IA):

Regla	Artículo	Condición	Inferencia
7	Art. 86	`hasSubject` + `HighRisk`	`requiresExplainability = true`
8	Art. 27	Affected person en grupo vulnerable	`requiresFundamentalRightsAssessment = true`
9	Art. 26	Propósito de empleo + affected persons	`requiresAffectedPersonNotification = true`
10	Art. 5	Biométrico + espacio público + affected persons	`requiresProhibitionReview = true`

Grupos vulnerables detectados automáticamente:

Menores (Minor/Child)
Personas mayores (Elderly)
Personas con discapacidad (Disabled)
Migrantes y solicitantes de asilo (Migrant/Asylum)

Propiedades de inferencia añadidas:

ai:requiresExplainability - Requiere explicabilidad Art. 86
ai:requiresFundamentalRightsAssessment - Requiere FRIA Art. 27
ai:requiresAffectedPersonNotification - Requiere notificación Art. 26
ai:requiresProhibitionReview - Requiere revisión prohibiciones Art. 5

Requisitos de cumplimiento inferidos:

ai:ExplainabilityRequirement
ai:FundamentalRightsImpactAssessment
ai:WorkerNotificationRequirement
ai:Article5ProhibitionReview

6.6 Integración ELI (European Legislation Identifier)

SERAMIS integra el European Legislation Identifier (ELI) para proporcionar referencias persistentes y desreferenciables a la legislación oficial en EUR-Lex.

Propiedad	Descripción
Prefijo	`eli: <http://data.europa.eu/eli/ontology#>`
Propiedad	`eli:cites` vincula conceptos a URIs EUR-Lex
Base URI	`http://data.europa.eu/eli/reg/2024/1689`
Estándar	Council Conclusions 2012/C 325/02

Ejemplo de URI ELI:

ai:HumanOversightRequirement eli:cites <http://data.europa.eu/eli/reg/2024/1689/art_14/oj> .

Esta integración permite:

Trazabilidad normativa: Enlaces directos al texto legal oficial
Persistencia: URIs que sobreviven consolidaciones legislativas
Interoperabilidad: Estándar EU para referencias legislativas
Auditoría: Referencias verificables para compliance

6.7 Integración ISO/IEC 42001:2023

La ontología incluye 15 mappings bidireccionales con el estándar de gestión de IA ISO/IEC 42001:2023, candidato a estándar armonizado bajo el EU AI Act.

Requisito EU AI Act	Artículo	Control ISO 42001	Sección
Risk Management	Art. 9	Risk assessment and treatment	8.1
Data Governance	Art. 10	Data management	8.3
Documentation	Art. 11-12	Documentation and records	8.4
Transparency	Art. 13	Transparency and explainability	8.7
Human Oversight	Art. 14	Human oversight controls	8.6
Accuracy/Robustness	Art. 15	Performance evaluation	8.2
Cybersecurity	Art. 15	AI system security	8.5.1
Conformity Assessment	Art. 43	Internal audit	9.2
Monitoring	Art. 72	Monitoring and measurement	9.1
Incident Response	Art. 73	Incident management	10.1

Propiedades de mapping:

ai:HumanOversightRequirement
    ai:equivalentToISOControl iso:Control_8_6 ;
    ai:isoSection "8.6" ;
    ai:mappingConfidence "HIGH" .

6.8 Integración NIST AI RMF 1.0

La ontología incluye 16 mappings con el NIST AI Risk Management Framework, cubriendo las 4 funciones principales:

Función NIST	Categorías	Requisitos AI Act mapeados
GOVERN	1.1, 1.2, 1.3	Derechos fundamentales, Gestión de riesgos, Documentación
MAP	2.1, 2.2, 2.3	Clasificación de riesgo, Gobernanza de datos, No discriminación
MEASURE	3.1, 3.2, 3.3	Precisión, Robustez, Evaluación de conformidad
MANAGE	4.1, 4.2, 4.3, 4.4	Supervisión humana, Monitoreo, Transparencia, Ciberseguridad

Propiedades de mapping:

ai:HumanOversightRequirement
    ai:equivalentToNISTFunction nist:MANAGE_4_1 ;
    ai:nistCategory "MANAGE-4.1" ;
    ai:nistApplicabilityContext "GLOBAL_INCIDENTS, COMPARATIVE_ANALYSIS" .

6.9 Mappings Multi-Framework (Resumen)

Framework	Tipo	Mappings	Confianza
EU AI Act	Regulación obligatoria	Base	-
AIRO	Ontología W3C	30+	Equivalencias OWL
DPV 2.2	Vocabulario W3C	14	-
ELI	Identificador EU	20+	URIs persistentes
ISO 42001	Estándar certificable	15	87% HIGH
NIST AI RMF	Guía voluntaria	16	100% HIGH
Total	Multi-framework	95+	94% HIGH

7. Mecanismos de Inferencia

SERAMIS implementa tres mecanismos de inferencia basados en diferentes secciones del EU AI Act para la clasificación automática de sistemas de IA:

7.1 Inferencia por Propósito + Contexto (Anexo III)

Clasifica sistemas de IA como Alto Riesgo basándose en la combinación del propósito del sistema y su contexto de despliegue, según las 8 categorías del Anexo III del EU AI Act.

flowchart LR
    P[Propósito] --> C1[Criterios Propósito]
    X[Contexto] --> C2[Criterios Contexto]
    C1 --> U[Unión de Criterios]
    C2 --> U
    U --> R[Requisitos Anexo III]
    R --> RL[Alto Riesgo]

    style P fill:#3b82f6,color:#fff
    style X fill:#8b5cf6,color:#fff
    style U fill:#f59e0b,color:#fff
    style RL fill:#ef4444,color:#fff

Categorías cubiertas:

Biometría e identificación de personas
Gestión de infraestructuras críticas
Educación y formación profesional
Empleo y gestión de trabajadores
Acceso a servicios esenciales (crédito, seguros)
Aplicación de la ley
Migración, asilo y control fronterizo
Administración de justicia y procesos democráticos

7.2 Inferencia por Experto Humano (Artículo 6.3)

Permite que un experto humano identifique manualmente criterios de riesgo adicionales para sistemas que no son capturados por las reglas automáticas de Propósito + Contexto. Esta evaluación experta complementa la inferencia automática.

En el interfaz AI Systems DB, la Sección 6 "Expert Evaluation" permite al evaluador:

Si experto identifica riesgos no detectados automáticamente
   → Añade criterios manualmente (hasManuallyIdentifiedCriterion)
   → Sistema reclasificado a HighRisk con criterios adicionales

Campos disponibles en el formulario:

hasManuallyIdentifiedCriterion: Criterios de alto riesgo identificados por el experto
Selección múltiple de criterios del catálogo del Anexo III
Los criterios manuales se combinan con los criterios derivados automáticamente

Aplicación del Art. 6.3:

Casos residuales no cubiertos por reglas automáticas
Sistemas con riesgo contextual específico
Evaluación caso por caso por experto cualificado

7.3 Inferencia para Modelos GPAI (Artículos 51-55)

Clasifica Modelos de Propósito General (GPAI) y detecta aquellos con Riesgo Sistémico basándose en capacidad computacional y otros indicadores.

Si modelo GPAI tiene FLOPS ≥ 10^25
   → Riesgo Sistémico (Art. 51)
   → Requisitos adicionales Arts. 52-55

Criterios de Riesgo Sistémico:

Capacidad computacional ≥ 10²⁵ FLOPS de entrenamiento
Capacidades de alto impacto determinadas por la Comisión
Número significativo de usuarios registrados

7.4 Resumen de Mecanismos

Mecanismo	Base Legal	Entrada	Salida
Propósito + Contexto	Anexo III	Propósito, Contexto de despliegue	HighRisk / NotHighRisk + Criterios automáticos
Experto Humano	Art. 6.3	`hasManuallyIdentifiedCriterion`	Criterios adicionales → HighRisk
GPAI	Arts. 51-55	FLOPS, capacidades	SystemicRisk / GPAI estándar

8. Stack Tecnológico

8.1 Backend

Python 3.11
FastAPI
RDFLib (procesamiento RDF/OWL)
OwlReady2 (razonamiento OWL)
Motor (MongoDB async)
FastMCP 2.0 (Model Context Protocol)

8.2 Frontend

React 19
TypeScript
Vite
TailwindCSS
react-force-graph-3d (visualización 3D)
Three.js (rendering WebGL)

8.3 AI/LLM

Ollama (runtime LLM local)
llama3.2:3b (modelo por defecto)

8.4 Infraestructura

Docker & Docker Compose
Apache Jena Fuseki
MongoDB 6
NGINX

9. Estructura del Proyecto

seramis/
├── backend/                    # FastAPI backend (8000)
│   ├── main.py
│   ├── derivation.py
│   ├── routers/
│   └── models/
├── frontend/                   # React + TypeScript UI (5173)
│   ├── src/
│   │   ├── pages/
│   │   │   ├── DashboardPage.tsx        # Panel principal
│   │   │   ├── SystemsPage.tsx          # AI Systems DB
│   │   │   ├── GraphView.tsx            # AI Knowledge Graph 3D
│   │   │   ├── ReasoningPage.tsx        # AI Symbolic Reasoning
│   │   │   ├── ForensicAgentPage.tsx    # Forensic AI Agent
│   │   │   ├── DPVPage.tsx              # DPV Browser
│   │   │   └── OntologyDocs.tsx         # Documentación ontología
│   │   ├── components/
│   │   │   └── Navbar.tsx
│   │   └── lib/
├── forensic_agent/            # Agente de Análisis Forense (8002)
│   ├── app/
│   │   ├── main.py
│   │   └── services/
│   │       ├── incident_extractor.py
│   │       ├── analysis_engine.py
│   │       ├── evidence_planner.py   # Evidence Planner (DPV)
│   │       ├── persistence.py
│   │       └── mcp_client.py
├── mcp-servers/               # Servidores MCP (ver README)
│   └── forensic-sparql/
│       ├── README.md          # Documentación servidor MCP SPARQL
│       └── server.py
├── reasoner_service/          # Microservicio de razonamiento SWRL (8001)
├── ontologias/                # Archivos de ontología
│   ├── versions/
│   │   ├── 1.0.0/             # Versión estable actual (promovida desde 0.41.0)
│   │   ├── 0.41.0/            # Versión previa (Art. 3(49) taxonomy)
│   │   └── ...
│   ├── queries/               # Consultas SPARQL (ver README)
│   │   ├── README.md          # Catálogo de 15 queries forenses
│   │   └── forensic-queries.sparql
│   ├── rules/                 # Reglas SWRL
│   ├── shacl/                 # 15 SHACL shapes
│   └── mappings/              # Mappings multi-framework (ver README)
│       ├── README.md          # Documentación de 45 mappings
│       ├── iso-42001-mappings.ttl
│       ├── nist-ai-rmf-mappings.ttl
│       └── dpv-integration.ttl      # DPV 2.2 integration
├── docker-compose.yml
└── README.md

10. API Reference

10.1 Sistemas

GET    /systems              # Listar sistemas
POST   /systems              # Registrar sistema
GET    /systems/{urn}        # Obtener sistema
PUT    /systems/{urn}        # Actualizar sistema
DELETE /systems/{urn}        # Eliminar sistema

10.2 Razonamiento

POST   /reasoning/system/{id}  # Ejecutar razonamiento SWRL
GET    /reasoning/rules        # Obtener reglas SWRL
GET    /reasoning/status       # Estado del servicio

10.3 Análisis Forense

POST   /forensic/analyze                    # Analizar narrativa de incidente
POST   /forensic/analyze-with-evidence-plan # Analizar + generar plan de evidencias
POST   /forensic/evidence-plan              # Generar plan de evidencias desde gaps
GET    /forensic/systems                    # Listar sistemas analizados
GET    /forensic/systems/{urn}              # Obtener análisis específico
DELETE /forensic/systems/{urn}              # Eliminar análisis

10.4 MCP Tools

query_ontology(query)           # Ejecutar consultas SPARQL
get_requirements_for_system()   # Obtener requisitos EU AI Act
determine_risk_level()          # Determinar nivel de riesgo
query_iso_mappings()            # Consultar mappings ISO 42001
query_nist_mappings()           # Consultar mappings NIST AI RMF
get_inference_rules()           # Obtener reglas de inferencia
get_ontology_stats()            # Estadísticas de la ontología

11. Limitaciones Conocidas y Métricas

SERAMIS v1.0 es un proyecto de investigación (Trabajo Fin de Máster). Documentamos de forma transparente su alcance y limitaciones actuales:

Métricas del Agente Forense (benchmark)

Evaluado sobre un benchmark sintético de 50 incidentes con distribución alineada al AIAAIC Repository:

Métrica	Resultado
Accuracy en nivel de riesgo (EU AI Act)	91.7%
Accuracy en tipo de incidente	75.0% (modo flexible) / 69.4% (estricto)
Tasa de éxito del pipeline (sin errores)	72% (36/50)
Latencia media por incidente	~66 s

Estas cifras dependen del modelo LLM local (llama3.2:3b); un modelo mayor mejoraría la fiabilidad.

Limitaciones actuales

LLM local únicamente: el agente forense usa Ollama con llama3.2:3b. La integración con Anthropic Claude está prevista en el roadmap pero aún no está implementada.
Fiabilidad de extracción: ~28% de los casos del benchmark fallan la validación estructurada. El análisis no debe usarse como dictamen legal: es una herramienta de apoyo a la evaluación de cumplimiento.
Cobertura de tests: la suite de pruebas automatizadas está planificada para la v1.1 y aún no forma parte de este release.
Credenciales por defecto: la configuración incluye credenciales admin/admin y orígenes CORS de desarrollo. Deben cambiarse (FUSEKI_PASSWORD, ALLOWED_ORIGINS, etc.) antes de cualquier despliegue accesible en red.
Validación de la ontología: validada con OOPS! (0 pitfalls críticos); las advertencias menores están documentadas en ontologias/docs/OOPSevaluation/.

Roadmap (v1.1)

Suite de tests automatizados (backend, reasoner, reglas, agente) + CI/CD
Integración opcional con Anthropic Claude como proveedor LLM
Reintentos con backoff en llamadas LLM y circuit breaker para el servidor MCP
Internacionalización (i18n) consistente de la interfaz

12. Referencias

EU AI Act: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689
W3C Data Privacy Vocabulary (DPV) 2.2: https://w3c.github.io/dpv/
AIAAIC Repository: https://www.aiaaic.org/aiaaic-repository
AIRO (AI Risk Ontology): https://w3id.org/airo
ISO/IEC 42001:2023: https://www.iso.org/standard/81230.html
NIST AI RMF 1.0: https://www.nist.gov/itl/ai-risk-management-framework
Apache Jena Fuseki: https://jena.apache.org/documentation/fuseki2/
OWL 2 Web Ontology Language: https://www.w3.org/TR/owl2-overview/
SHACL: https://www.w3.org/TR/shacl/
Catálogo de Queries SPARQL Forenses: ontologias/queries/README.md
Mappings Multi-Framework (ISO/NIST/DPV): ontologias/mappings/README.md

13. Licencia

Este proyecto se publica bajo un esquema de licencia dual:

Código fuente — MIT License.
Ontología y recursos semánticos (directorio ontologias/) — Creative Commons Attribution 4.0 International (CC BY 4.0).

Las licencias de las dependencias de terceros se documentan en LICENSES.

Si utilizas SERAMIS en tu investigación, por favor cítalo según CITATION.cff.

Universidad Internacional de La Rioja
Máster en Inteligencia Artificial
Curso 2024-2025

_{Versión 1.0.0 | Junio 2026}

Name		Name	Last commit message	Last commit date
Latest commit History 203 Commits
.github		.github
backend		backend
docs		docs
forensic_agent		forensic_agent
frontend		frontend
init_fuseki		init_fuseki
init_ollama		init_ollama
mcp-servers/forensic-sparql		mcp-servers/forensic-sparql
ontologias		ontologias
reasoner_service		reasoner_service
sparql_queries		sparql_queries
tools		tools
.env.example		.env.example
.gitignore		.gitignore
CITATION.cff		CITATION.cff
CODE_OF_CONDUCT.md		CODE_OF_CONDUCT.md
CONTRIBUTING.md		CONTRIBUTING.md
LICENSE		LICENSE
LICENSES		LICENSES
README.md		README.md
SECURITY.md		SECURITY.md
docker-compose.yml		docker-compose.yml
package-lock.json		package-lock.json
package.json		package.json

Folders and files

Latest commit

History

Repository files navigation