Plataforma de Conocimiento Interactivo con LLM para Nichos Especializados

Abstract

El siguiente proyecto presenta una plataforma de conocimiento interactivo para áreas especializadas, en donde se pueda obtener información confiable, verificable y contextualizada en dominios donde los modelos de lenguaje generalistas presentan limitaciones. El caso del bonsái ejemplifica este desafío, al tratarse de una disciplina que requiere conocimientos técnicos específicos y en la cual la información disponible suele ser contradictoria o carecer de sustento. La solución propuesta consiste en el desarrollo de una plataforma web que integra un modelo de lenguaje de gran escala (LLM) bajo una arquitectura de Recuperación de Información Aumentada (RAG). Esta arquitectura combina técnicas de procesamiento del lenguaje natural con una base de datos vectorial semántica, permitiendo recuperar información relevante a partir de fuentes validadas del dominio y generar respuestas fundamentadas y verificables. Para mejorar la precisión y la capacidad de generalización del sistema, se implementó un mecanismo de embeddings semánticos complementado con una organización taxonómica del conocimiento. Esta estructura jerárquica permite al modelo ofrecer respuestas pertinentes incluso ante consultas inéditas, basándose en similitudes conceptuales entre especies, géneros o familias relacionadas. El desarrollo de la plataforma siguió una metodología ágil e iterativa, con instancias de validación continua junto a bonsaistas, asegurando la adecuación del sistema a las necesidades reales del dominio. Desde el punto de vista técnico, la implementación incluye un frontend desarrollado con React y Next.js, y dos backends en Node.js y Python. El sistema se integra mediante API REST con servicios de modelos de lenguaje y una base vectorial, y su infraestructura fue definida utilizando Infrastructure as Code bajo una arquitectura modular multi-tenant, garantizando escalabilidad y mantenibilidad. Como resultado, la plataforma constituye una herramienta robusta, precisa y extensible, que demuestra la viabilidad de aplicar LLMs especializados mediante arquitecturas RAG y su potencial de expansión a otros ámbitos de conocimiento experto.