En esta página
EN BREVE
Un sistema de IA para orientación laboral y documentación de incidentes que combina retrieval basado en protocolos con flujos conversacionales guiados.
Mi contribución
Lideré la arquitectura y el prototipado de IA aplicada en retrieval y RAG, experimentación con modelos, diseño conversacional guiado, evaluación y alternativas de serving.
Datos clave
Decisiones de ingeniería
Mantener los protocolos fuera de los pesos
Usar recuperación híbrida en tiempo de consulta para que las fuentes sigan siendo revisables, actualizables y distintas del comportamiento conversacional.
Usar conversación guiada para la recepción
Mapear los datos requeridos a un caso estructurado y hacer explícitos los criterios de completitud en vez de empezar con un formulario largo.
Buscar fragmentos pequeños y devolver contexto padre
Usar fragmentos hijos precisos para la búsqueda y entregar al modelo el pasaje que los rodea para interpretar la guía procedimental.
Mantener reemplazable el serving
Explorar caminos de modelos autoalojados y gestionados sin reemplazar el flujo de retrieval ni suponer que el adaptador publicado atendía cada variante.
Evolución del proyecto
- Orientación basada en protocolos
- Denuncias guiadas
- Recuperación híbrida
- Experimentación con modelos
- Alternativas de serving
- Snapshots de retrieval
Respuestas cuidadosas ante consultas sensibles
Las preguntas sobre violencia laboral rara vez llegan como búsquedas precisas. Una persona puede describir una situación incompleta, desconocer la terminología o no saber qué procedimiento corresponde. Neurona exploró cómo ofrecer información clara y empática en español, apoyada en protocolos de prevención seleccionados.
El producto también incluía un canal guiado de denuncias. En lugar de presentar un formulario largo desde el inicio, la conversación recogía qué sucedió, dónde ocurrió y quiénes participaron. Al completar el checklist necesario, el sistema creaba un registro estructurado y sugería la siguiente vía de escalamiento.
El límite importaba tanto como la automatización: el asistente podía organizar información y explicar un protocolo configurado, pero no determinar culpabilidad ni reemplazar a RR. HH., profesionales legales o psicológicos, servicios de emergencia o autoridades.
Mi contribución
Lideré el diseño y prototipado de IA aplicada en retrieval de protocolos, RAG híbrido, experimentación con modelos, flujos conversacionales guiados, evaluación y alternativas de serving. El proyecto reunió recepción guiada, datos estructurados de casos, asistencia basada en protocolos y analítica preventiva sin atribuir decisiones automáticas al modelo.
Dos conversaciones, un sistema de prevención
Comprender derechos y protocolos
Un asistente informativo respondía consultas sobre violencia laboral, prevención y procedimientos usando protocolos seleccionados. La recuperación mantenía el conocimiento de las fuentes separado del comportamiento conversacional.
Documentar un incidente
Un asistente de denuncias recogía mediante conversación los hechos necesarios, los almacenaba como datos estructurados del caso y usaba el protocolo configurado para recomendar una vía de escalamiento interna o externa.
Dos recorridos dentro del producto
Arquitectura simplificada
Una vista simplificada del producto. Cada conversación tenía un propósito y un límite diferente.
Consulta de protocolo
Una persona pregunta por orientación de seguridad laboral o un procedimiento preventivo.
Orientación con fuentes
El asistente explica material seleccionado sin tomar decisiones legales ni laborales.
Relato del incidente
Una conversación guiada reúne los datos que exige el proceso configurado.
Registro estructurado
El sistema prepara un registro autorizado e indica el canal de escalamiento apropiado.
Del relato a una denuncia estructurada
Empezar por el relato de la persona
Permitir que describa lo sucedido con sus propias palabras, sin forzar de inmediato la experiencia dentro de un formulario.
Completar el contexto faltante
Hacer preguntas concretas sobre lugar, momento, personas involucradas, testigos y conducta denunciada.
Controlar el checklist
Mapear las respuestas a campos estructurados en el backend y continuar solo con la información exigida por el protocolo configurado.
Revisar urgencia y gravedad
Identificar señales de peligro inmediato o de una conducta potencialmente grave, sin convertir al asistente en quien determina culpabilidad.
Sugerir el siguiente canal
Orientar situaciones laborales de menor gravedad al proceso interno de RR. HH.; ante peligro inmediato o posibles delitos, indicar servicios de emergencia o las autoridades locales correspondientes.
Crear un registro autorizado
Persistir la denuncia estructurada para quienes debían revisarla y para análisis preventivo agregado, sujeto a las reglas de acceso y retención de la organización.
El producto activo
De una pregunta al contexto del protocolo
Arquitectura simplificada
La recuperación combina significado semántico y terminología exacta. Un proveedor de modelos recibe el contexto seleccionado; las variantes locales y gestionadas son alternativas de despliegue.
Preparar la consulta
Ampliar términos del dominio conservando la pregunta original.
Buscar de dos formas
FAISS encuentra similitud semántica; BM25 recupera vocabulario y siglas exactas.
Reordenar candidatos
Un cross-encoder multilingüe evalúa cada pasaje frente a la pregunta.
Restaurar el contexto
Vincular los fragmentos hijos con sus pasajes padres, quitar duplicados y limitar fuentes repetidas.
Aplicar un umbral
Solo el material recuperado que supera el criterio de relevancia entra al prompt.
Generar una respuesta acotada
El modelo seleccionado recibe contexto de los protocolos e instrucciones de orientación clara en español.
Comportamiento y conocimiento necesitan herramientas distintas
Comportamiento: un experimento de fine-tuning
El proyecto incluye un adaptador QLoRA publicado para Llama 3.3 70B Instruct. El entrenamiento ajusta un conjunto pequeño de pesos del adaptador y carga el modelo base en 4 bits, con foco en patrones de conversación sobre seguridad laboral en español. Los artefactos publicados incluyen el adaptador y un checkpoint de entrenamiento. Esto confirma el experimento, pero no qué despliegue lo utilizó.
Conocimiento: recuperación en cada consulta
Los protocolos permanecen fuera de los pesos del modelo. La búsqueda híbrida recupera pasajes relevantes cuando llega una pregunta, por lo que las fuentes se pueden revisar y actualizar sin volver a entrenar. Las variantes de la aplicación utilizan configuraciones de inferencia distintas; no se presupone que todas carguen el adaptador.
Coincidencias precisas, contexto suficiente
- Decisión
- Buscar en fragmentos hijos pequeños y devolver sus pasajes padres más amplios.
- Motivo
- La búsqueda precisa localiza el pasaje, pero el protocolo que lo rodea suele incluir definiciones, condiciones y próximos pasos necesarios para interpretarlo.
- Compromiso
- Más contexto consume tokens y puede repetir información. La deduplicación, los límites por fuente y el umbral de relevancia acotan esa expansión.
- Resultado
- El pipeline separa explícitamente la unidad de búsqueda del contexto entregado al modelo.
Explorar el servicio de modelos
Inferencia propia
Una variante en Modal carga un modelo Llama cuantizado en GPU junto a la API. Permite controlar el entorno de inferencia y convierte la asignación de GPU y el arranque en decisiones de la aplicación.
Acceso gestionado
Una variante con OpenRouter conserva la recuperación en la aplicación y consulta un catálogo permitido de modelos mediante un proveedor. Cambia el compromiso operativo sin reemplazar el flujo de recuperación.
Cuando el arranque forma parte de la experiencia
Una variante posterior incorpora snapshots derivados del contenido: fragmentos, relaciones, estado de BM25 e índice FAISS. Si el corpus y la configuración no cambian, esos recursos se restauran en lugar de reconstruirse. Un manifiesto distinto invalida el snapshot.
La implementación también registra tiempos de inicio e incluye un mecanismo para precalentar la caché. Son mecanismos para reducir trabajo repetido al arrancar; aquí no se atribuye una mejora de velocidad medida en producción.
Qué puede decirnos la evaluación
Las pruebas de recuperación almacenadas revisan si las preguntas encuentran las fuentes esperadas y material relevante de los protocolos. Permiten inspeccionar esa capa, pero no establecen la seguridad ni la corrección de la respuesta generada completa.
Una evaluación útil separa selección de fuentes, relevancia de pasajes, calidad de respuesta y derivación adecuada. Las respuestas de un dominio sensible también necesitan revisión humana con esos criterios.
Un sistema con caminos de mejora separados
El proyecto unió un flujo guiado de denuncias y un tablero preventivo con un experimento de adaptación al dominio, recuperación híbrida, variantes de servicio de modelos y un experimento de arranque con snapshots. Cada parte abordaba una necesidad distinta: recoger una denuncia, organizar datos del caso, seleccionar evidencia, ajustar el comportamiento o entregar el servicio.
Esa separación permite precisar la siguiente iteración. Un dato faltante exige revisar el estado de la entrevista; un escalamiento inseguro, las reglas del protocolo; una falla de recuperación, fuentes y ranking; un problema de tono, instrucciones o comportamiento.
Lo que deja claro el proyecto
- El fine-tuning y la recuperación resuelven formas diferentes de especialización.
- Una denuncia conversacional también necesita un modelo de datos explícito y criterios de completitud.
- Las reglas de escalamiento deben orientar el caso, no resolverlo ni determinar culpabilidad.
- La búsqueda semántica y la búsqueda por palabras se complementan cuando hay vocabulario procedimental preciso.
- Un buen fragmento puede necesitar el contexto que lo rodea.
- Las pruebas de recuperación no reemplazan la revisión de respuestas completas.
- El servicio de modelos puede cambiar sin reemplazar el pipeline de conocimiento.