Resumen:
CONDITION FOR PUBLICATION OF PROJECT. project proposes the design of an intelligent agent aimed at facilitating access to technical information on functional requirements within a telecommunications company. The main objective is to improve how users retrieve historical documentation, reducing ambiguity, search time, and loss of relevant information. The proposal is justified by the need to automate information retrieval processes and to apply artificial intelligence technologies in enterprise environments. For the development of the system, open-source tools such as GitLab, Qdrant, n8n, and the Llama language model were used. A modular RAG-based (Retrieval-Augmented Generation) architecture was designed, integrating automated workflows, technical text vectorization, and natural language response generation. The results showed that the solution is technically feasible, functional in local environments, and capable of responding accurately to natural language questions. Additionally, the usefulness of applying generative AI to structured technical data was confirmed. It is concluded that the proposed intelligent agent can be integrated into the company’s current infrastructure, optimizing requirements consultation and enhancing the reuse of technical knowledge.
Descripción:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Este proyecto propone el diseño de un agente inteligente orientado a facilitar el acceso a información técnica sobre requerimientos funcionales en una empresa de telecomunicaciones. Se plantea como objetivo principal mejorar la forma en que los usuarios consultan documentación histórica, reduciendo ambigüedad, tiempo de búsqueda y pérdida de información. La propuesta se justifica en la necesidad de automatizar procesos de recuperación de información y aprovechar tecnologías de inteligencia artificial aplicadas al contexto empresarial. Para el desarrollo del sistema, se utilizaron herramientas de código abierto como GitLab, Qdrant, n8n y el modelo de lenguaje LlamA. Se diseñó una arquitectura modular tipo RAG (Retrieval-Augmented Generation), que integró flujos automatizados, vectorización de textos técnicos y generación de respuestas en lenguaje natural. Los resultados demostraron que la solución es técnicamente viable, funcional en entornos locales y capaz de responder con precisión a preguntas formuladas en lenguaje natural. Asimismo, se comprobó la utilidad de aplicar IA generativa sobre datos técnicos estructurados. Se concluye que el agente inteligente propuesto puede adaptarse a la infraestructura actual de la empresa, optimizando la consulta de requerimientos y fortaleciendo la reutilización del conocimiento técnico.
