Estudio de cumplimiento ambiental aumentado por LLM y RAG

Simple item page
dc.contributor.advisorFabián Yovine, Sergio
dc.contributor.tribunalAdrian Braberman, Victor
dc.contributor.tribunalVisca Zanoni, Ramiro Eugenio
dc.creatorChicatun, Mariano Ezequiel
dc.date.accessioned2024-11-12T16:16:34Z
dc.date.available2024-11-12T16:16:34Z
dc.date.issued2024
dc.descriptionIncluye bibliografía.
dc.description.abstractEl objetivo de este trabajo final es optimizar la validación del cumplimiento ambiental en grandes empresas de sectores como minería, petróleo, alimentación y papeleras, ya que el cumplimiento de leyes y estándares ambientales para estas industrias demandan mucho tiempo. Se utilizan técnicas de Inteligencia Artificial y Machine Learning para agilizar y mejorar este proceso. Se exploran técnicas avanzadas de Generación Aumentada por Recuperación (RAG), incluyendo variantes como Graph RAG y Hybrid RAG, y esquemas multiagente secuenciales y jerárquicos. para abordar problemas complejos relacionados con datos textuales no estructurados. Para implementar estos agentes, se utilizan frameworks como Langchain, LlamaIndex y LangGraph. Se utiliza Graph RAG ya que está ganando relevancia en aplicaciones prácticas y científicas, utilizando grafos para vincular información relevante y nodos de resumen que sintetizan temas similares, permitiendo responder preguntas generales y holísticas sobre los documentos. Se diseña una Prueba de Concepto (PoC) basada en una arquitectura de microservicios con tres componentes principales: un constructor de grafos, un generador de preguntas, y un sistema de QA (Question Answering). Estos componentes son modulares y pueden modificarse, mejorarse, escalarse y ejecutarse de manera independiente, lo que facilita el desacoplamiento del sistema. El constructor de grafos procesa la documentación normativa del proyecto y extrae los requisitos necesarios para garantizar el cumplimiento ambiental. El proceso de generación de preguntas, inspirado en el concepto de Chain-of- Questions, genera preguntas que cubren exhaustivamente el conjunto de datos para minimizar y acotar el espacio de búsqueda dentro de la documentación del proyecto en estudio. Finalmente, el sistema de QA genera respuestas basadas en estas preguntas, utilizando la documentación del proyecto en evaluación para determinar el cumplimiento ambiental.
dc.format.extent66 p. diagrs., tabls.
dc.format.mimetypePDF
dc.identifier.citationChicatun, M. E. (2024). Estudio de cumplimiento ambiental aumentado por LLM y RAG (Trabajo final). Universidad ORT Uruguay, Facultad de Ingeniería. Recuperado de https://rad.ort.edu.uy/handle/20.500.11968/7080
dc.identifier.urihttps://hdl.handle.net/20.500.11968/7080
dc.languagespa
dc.publisherUniversidad ORT Uruguay
dc.relation.otherhttps://sisbibliotecas.ort.edu.uy/bib/96370
dc.rights.levelAcceso abierto
dc.subjectPROYECTOS-MD
dc.subjectINTELIGENCIA ARTIFICIAL
dc.subjectAPRENDIZAJE AUTOMÁTICO
dc.subjectMODELOS DE LENGUAJE GRANDE
dc.subjectGENERACIÓN AUMENTADA POR RECUPERACIÓN (RAG)
dc.subjectEVALUACIÓN AMBIENTAL
dc.titleEstudio de cumplimiento ambiental aumentado por LLM y RAG
dc.typeTrabajo final de carrera
dc.type.versionVersión publicada
ort.thesis.careerFI - Master en Big Data - MD
ort.thesis.degreegrantorFacultad de Ingeniería
ort.thesis.degreelevelCarrera universitaria
ort.thesis.degreenameMaster en Big Data
ort.thesis.degreetypeTrabajo final
ort.thesis.noteTrabajo final (Master). Universidad ORT Uruguay, Facultad de Ingeniería
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Material completo.pdf
Size:
1.88 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Trabajos finales de carrera de postgrado