Ontologia FTM

FollowTheMoney

OSINT AI One usa la ontologia FollowTheMoney (FTM) para estructurar las entidades extraidas de las investigaciones. Es el mismo estandar que usan OCCRP, OpenSanctions y otras organizaciones de periodismo de investigacion.

Los 12 tipos de entidad

Tipo	Descripcion	Ejemplos
`Person`	Persona fisica	Juan Garcia Lopez, Dr. Ana Martinez
`Company`	Empresa mercantil	Acme Corp S.L., Tech Holdings SA
`Organization`	Organizacion sin animo de lucro, ONG	Cruz Roja, Anonymous
`PublicBody`	Organismo publico	Ministerio de Interior, FBI
`Domain`	Nombre de dominio	acme-corp.com, evil.ru
`Email`	Direccion de email	attacker@protonmail.com
`Phone`	Numero de telefono	+34 612 345 678
`UserAccount`	Cuenta en red social o plataforma	@attacker en Twitter
`BankAccount`	Cuenta bancaria	IBAN ES91 2100 0418…
`Document`	Documento con identidad propia	Contrato PDF, informe registral
`Event`	Evento con fecha y lugar	Reunion 2024-03-15 en Madrid
`Location`	Ubicacion geografica	Madrid, Calle Mayor 1

Normalizacion para entidades espanolas

El sistema aplica reglas especificas de normalizacion para el contexto espanol:

Personas

# Eliminacion de honorificos al normalizar
"Don Juan Garcia" → "Juan Garcia"
"Dr. Ana Martinez Ruiz" → "Ana Martinez Ruiz"
"Dña. Maria Lopez" → "Maria Lopez"

# Mantenimiento del orden nombre/apellidos
"Garcia Lopez, Juan" → "Juan Garcia Lopez"

Empresas

# Normalizacion de formas legales
"ACME CORPORATION SOCIEDAD LIMITADA" → "ACME CORPORATION S.L."
"Tech Holdings, S.A." → "Tech Holdings SA"
"Inversiones 2020 S.L.U." → "Inversiones 2020 SLU"

# Identificadores fiscales
CIF: B-12345678 → B12345678

Documentos de identidad

# DNI espanol
"12345678-Z" → "12345678Z"
"12.345.678 Z" → "12345678Z"

# NIE
"X-1234567-L" → "X1234567L"

# IBAN espanol
"ES91 2100 0418 4502 0005 1332" → "ES9121000418450200051332"

Telefonos

# Normalizacion con prefijo internacional
"612 345 678" → "+34612345678"
"(+34) 91 234 56 78" → "+34912345678"
"91 234 56 78" → "+34912345678"  # asume prefijo ES si no hay otro

Como se usa en la practica

Extraccion automatica

/entity-extract

El sistema usa el LLM para identificar entidades en el texto de las evidencias y las normaliza automaticamente antes de guardarlas en SQLite.

Deduplicacion

Antes de insertar una entidad, el sistema comprueba si ya existe una entidad “similar”:

Mismo tipo + mismo identificador normalizado → actualiza, no duplica
Umbral de similitud configurable para nombres (Levenshtein)

Gestion manual

/db-manage merge-entities --id1 ent_001 --id2 ent_002
/db-manage update-entity --id ent_001 --field name --value "Juan Garcia Lopez"
/db-manage delete-entity --id ent_003

Relaciones entre entidades

Ademas de los tipos de entidad, se pueden registrar relaciones:

Relacion	Ejemplo
`owns`	Persona X posee Empresa Y
`controls`	Empresa A controla Empresa B
`member_of`	Persona X es miembro de Organizacion Y
`located_at`	Empresa X ubicada en Location Y
`registered_in`	Empresa X registrada en Domain Y
`uses`	Actor X usa UserAccount Y
`associated_with`	IP X asociada a Domain Y

Schema en SQLite

La base de datos osint_ai.db tiene 8 tablas principales:

investigations   -- Metadatos de investigaciones
evidences        -- Documentos ingresados con SHA-256
entities         -- Entidades extraidas (tipo + valor + metadatos)
relationships    -- Relaciones entre entidades
claims           -- Afirmaciones con trazabilidad
alerts           -- Alertas programadas
entity_mentions  -- Menciones de entidades en evidencias
sessions         -- Sesiones de trabajo

Ver Referencia → Tipos de entidad FTM para el schema completo.