Propuesta de un agente inteligente para la mejora del acceso a la información en el contexto universitario XI Taller Internacional “La transformación digital y las tecnologías de avanzada en la Educación Superior”
Barra lateral del artículo
Contenido principal del artículo
Resumen
Se presentó la propuesta de UPR-Chat, un sistema de agente inteligente diseñado para mejorar el acceso a la información específica del ámbito universitario, abordado desde las limitaciones de los grandes modelos de lenguaje, como el conocimiento desactualizado y las alucinaciones. Basado en la tecnología GraphRAG, UPR-Chat integró un grafo de conocimiento construido con datos universitarios locales (se utilizaron herramientas como Neo4j y LangChain) para proporcionar contexto relevante, que permitió generar respuestas más precisas y contextualizadas. La metodología incluyó revisión bibliográfica, análisis de requerimientos y el diseño de agentes especializados basados en los procesos fundamentales universitarios, con conjuntos de herramientas adaptados a las necesidades docentes e investigativas, para ofrecer una solución eficiente y de hardware accesible para la comunidad universitaria.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Bach, S. H., Sanh, V., Yong, Z., Webson, A., Colin, R., Nayak, N., Sharma, A., & Taewoon, K. (2022). PromptSource: An Integrated Development Environment and Repository for Natural Language Prompts (arXiv:2202.01279). arXiv. https://doi.org/10.48550/arXiv.2202.01279
Buyl, M., Rogiers, A., Noels, S., Bied, G., Dominguez-Catena, I., Heiter, E., Johary, I., Mara, A., Romero, R., Lijffijt, J., & Bie, T. (2025). Large Language Models Reflect the Ideology of their Creators (arXiv:2410.18417). arXiv. https://doi.org/10.48550/arXiv.2410.18417
Edge, D., Trinh, H., Cheng, N., Bradley, J., Chao, A., Mody, A., Truitt, S., & Larson, J. (2024). From Local to Global: A Graph RAG Approach to Query-Focused Summarization (arXiv:2404.16130; Versión 1). arXiv. https://doi.org/10.48550/arXiv.2404.16130
Enzo. (2024, julio 11). The GraphRAG Manifesto: Adding Knowledge to GenAI. Graph Database & Analytics. https://neo4j.com/blog/graphrag-manifesto
Huang, S., Dong, L., Wang, W., Hao, Y., Singhal, S., Ma, S., Lv, T., Cui, L., Mohammed, O., Patra, B., Liu, Q., Aggarwal, K., Chi, Z., Bjorck, J., Chaudhary, V., Som, S., Song, X., & Wei, F. (2023). Language Is Not All You Need: Aligning Perception with Language Models (arXiv:2302.14045). arXiv. https://doi.org/10.48550/arXiv.2302.14045
Olawore, K., McTear, M., & Bi, Y. (2025). Development and Evaluation of a University Chatbot Using Deep Learning: A RAG-Based Approach. Chatbots and Human-Centered AI, 96-111. https://doi.org/10.1007/978-3-031-88045-2_7
Zhao, S., Yang, Y., Wang, Z., He, Z., Qiu, L., & Qiu, L. (2024). Retrieval Augmented Generation (RAG) and Beyond: A Comprehensive Survey on How to Make your LLMs use External Data More Wisely (arXiv:2409.14924; Versión 1). arXiv. https://doi.org/10.48550/arXiv.2409.14924
Zhao, W., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., Min, Y., Zhang, B., Zhang, J., Dong, Z., Du, Y., Yang, Ch., Chen, Y., Chen, Z., Jiang, J., Ren, R., Li, Y., Tang, X., Liu, Z., Wen, J. (2023). A Survey of Large Language Models (arXiv:2303.18223; Versión 10). arXiv. https://doi.org/10.48550/arXiv.2303.18223
