FuentIA
Ver recursos
Recursos · Unidad 2

Texto generado con IA.

Desarrollo conceptual y documentación del proyecto: marco teórico de RAG y chunking, descripción del entorno técnico y registro de las iteraciones de prompt engineering.

Texto

Documento completo

Accedé al PDF original con el desarrollo conceptual completo del proyecto.

Abrir documento original

Sobre el recurso

Optimización de la IA mediante estrategias de chunking en arquitecturas RAG. El proyecto se desarrolló como herramienta de consulta bibliográfica para un tesista de la Maestría en Ingeniería Ambiental de la UTN, con el objetivo de asistirlo en la recuperación de información desde un corpus académico especializado.

¿Qué es?

Desarrollo conceptual

Texto académico que presenta marco conceptual (IA generativa, RAG, chunking), entorno técnico, proceso iterativo y evaluación de calidad del sistema desarrollado.

¿A quién?

Investigación académica

Estudiantes de posgrado, tesistas e investigadores en formación que necesitan consultar bibliografía y recuperar conceptos relevantes con trazabilidad.

¿Para qué?

Apoyo verificable

Asistir el análisis de información, la organización del marco teórico y la escritura académica, sin reemplazar el trabajo intelectual del investigador.

Marco conceptual

Por qué RAG y chunking importan en un contexto académico.

IA generativa

Permite producir textos, imágenes, audios y otros contenidos a partir de instrucciones. Su principal limitación: los modelos generales suelen responder con información amplia pero no siempre verificable, e incluso pueden inventar datos o referencias.

Arquitectura RAG

Retrieval-Augmented Generation. El modelo no responde solo desde su conocimiento previo: primero recupera fragmentos relevantes de una base documental y luego genera la respuesta con ese contexto. La salida se apoya en textos seleccionados.

Chunking

Dividir documentos en fragmentos para indexarlos y recuperarlos con mayor precisión. Fragmentos muy extensos pierden foco; muy pequeños pierden contexto. Optimizar el chunking impacta directamente en la calidad de la recuperación.

Trazabilidad

El sistema muestra las fuentes utilizadas en cada respuesta. El usuario puede verificar qué documentos sustentaron la información generada, volviendo a los textos citados.

Entorno técnico

Stack desarrollado íntegramente en Python, operando offline sin depender de APIs externas.

Ingesta y segmentación

pypdf + LangChain para procesar los PDFs del corpus. La segmentación se realizó con RecursiveCharacterTextSplitter.

Embeddings

Modelo paraphrase-multilingual-MiniLM-L12-v2, elegido por su soporte bilingüe español-inglés.

Base vectorial

Qdrant en modo local para el almacenamiento y la búsqueda por similitud.

Modelo de lenguaje

Mistral 7B servido localmente vía Ollama.

Interfaz

Streamlit con un switch RAG ON/OFF para alternar entre respuestas basadas en bibliografía propia o en el conocimiento previo del modelo.

Arquitectura local

Carpeta RAG con dos archivos centrales: ingestar.py (lee PDFs, los fragmenta y los almacena como vectores) y consultar.py (recibe preguntas, busca fragmentos relevantes y arma el prompt para el LLM).

Por qué entorno local
Permite trabajar con autonomía, priorizar la bibliografía cargada y evitar la exposición de documentos académicos a servicios externos. La decisión tuvo valor técnico, pedagógico y ético al mismo tiempo.

Iteraciones de prompt engineering

El sistema fue mejorando en seis pruebas sucesivas. Cada iteración corrigió una limitación específica.

Prueba 1 — Prompt simple

"Usá únicamente la siguiente información para responder". Respuesta breve, basada solo en 3 fuentes. Primera limitación: el sistema respetaba el contexto pero no aprovechaba el corpus.

Prueba 2 — Más fuentes

Se amplió a 10 fuentes y se especificó "asistente académico que responde en español correcto". Respuestas más completas, pero las fuentes aún no aparecían correctamente.

Prueba 3 — Restricción explícita

Se corrigió la ingesta (procesaba solo 9 documentos por mala organización de carpetas) y se reformuló: "Basate ÚNICAMENTE en el contexto. Si no está, decí: 'No encontré información sobre eso'". Reducción notable de respuestas inventadas.

Prueba 4 — Reformulación de pregunta

Se trabajó sobre la consigna del usuario. Cuando la pregunta está mejor delimitada, el RAG recupera fragmentos más precisos y la respuesta resulta más útil.

Prueba 5 — Ajustes técnicos

Ventana de contexto a 8192 tokens, chunks recuperados de 5 a 8, unificación de búsqueda con scores y filtro de relevancia por score mínimo. Mejor rendimiento general.

Prueba 6 — Visualización de fuentes

Tras corregir la interfaz, las fuentes aparecieron correctamente al usuario. Punto central: ahora se puede volver a los textos citados y verificar la información.

Aspectos críticos

Transparencia, responsabilidad, sesgos, equidad y privacidad — los cinco ejes de evaluación.

Transparencia

El sistema fue diseñado para mostrar las fuentes utilizadas en cada respuesta. Parte del proceso de mejora consistió en corregir la visualización de la bibliografía en la interfaz.

Responsabilidad

La herramienta no reemplaza la lectura crítica ni la validación humana. Asiste, acelera y sugiere, pero la decisión final sobre qué citar y cómo redactar depende del investigador.

Sesgos

El sistema depende del corpus cargado. La calidad, diversidad y enfoque de la bibliografía condicionan las respuestas obtenidas. Un corpus incompleto se refleja en la respuesta.

Equidad

Facilita el acceso a contenidos complejos y apoya a tesistas que necesitan organizar lecturas. Requiere competencias digitales previas para aprovecharse plenamente.

Privacidad

Al no usar APIs externas y correr íntegramente en local, se redujo la exposición de documentos académicos y se mantuvo control total sobre los datos procesados.

Brevedad y rigor

Los textos generados son más breves que los de ChatGPT o Gemini generales. Esa brevedad no es debilidad: representa rigor, ya que el sistema responde solo con información presente en el corpus.

Conclusión

Las arquitecturas RAG, combinadas con estrategias de chunking bien ajustadas, ofrecen un gran potencial para crear contenido educativo y académico más confiable.

No alcanza con usar un modelo de lenguaje: también es necesario trabajar sobre la calidad de la ingesta, la segmentación de documentos, la recuperación de contexto, la formulación de prompts y la visualización transparente de fuentes. El mayor valor del sistema no está en producir textos extensos, sino en asistir de manera más controlada y verificable el trabajo de investigación: reducir alucinaciones, priorizar bibliografía acotada y permitir confirmar las fuentes utilizadas.

Créditos del recurso

Herramientas open-source y modelos de IA utilizados.

Modelo de lenguaje (LLM)
Mistral AI · Mistral 7B (servido localmente vía Ollama).
Embeddings
Sentence Transformers · paraphrase-multilingual-MiniLM-L12-v2.
Base vectorial
Qdrant — almacenamiento y búsqueda de vectores en modo local.
Ingesta y segmentación
LangChain (RecursiveCharacterTextSplitter) + pypdf.
Interfaz
Streamlit con switch RAG ON/OFF.

Bibliografía

Referencias utilizadas para el desarrollo del recurso (formato APA).

💬