Arquitectura End-to-End para la Consulta Inteligente de Manuales Vehiculares mediante IA y Cloud Computing

Calderón Sua, Nicolás Santiago

Arquitectura End-to-End para la Consulta Inteligente de Manuales Vehiculares mediante IA y Cloud Computing

dc.contributor.advisor	Pimentel Díaz, Carlos Daniel
dc.contributor.author	Calderón Sua, Nicolás Santiago
dc.date.accessioned	2025-08-22T16:00:51Z
dc.date.available	2025-08-22T16:00:51Z
dc.date.issued	2025-08-22
dc.description	Este artículo presenta una arquitectura de inteligencia artificial para un sistema de asistencia vehicular inteligente, optimizado para los manuales del modelo Cupra Formentor. Aborda el reto de gestionar la complejidad de la documentación técnica extensa y la limitación de las soluciones genéricas como ChatGPT, que a menudo carecen de la precisión y trazabilidad necesarias para consultas específicas de vehículos. La solución implementa un pipeline RAG (Retrieval-Augmented Generation), integrando Procesamiento de Lenguaje Natural avanzado. La arquitectura se despliega en AWS, utilizando Lambda para procesamiento serverless, S3 para almacenamiento y PostgreSQL con pgvector para una gestión optimizada de embeddings y recuperación de información. El sistema permite consultas personalizadas fundamentadas exclusivamente en la documentación oficial, eliminando alucinaciones. La evaluación experimental demostró una alta fiabilidad, con un puntaje de calidad de 8.7/10, 100% de trazabilidad y cero alucinaciones. Superó a ChatGPT 3.5 en precisión técnica y claridad, validando la superioridad del enfoque RAG en dominios críticos. Esta implementación automatiza la consulta de información vehicular, mejorando la experiencia del usuario. Como trabajo futuro, se contempla la expansión de capacidades multimodales (visión por computadora para símbolos, entrada de audio) y la adaptación multilingüe, buscando establecer nuevos estándares para la asistencia proactiva en el ecosistema automotriz conectado.
dc.description.abstract	This article presents an artificial intelligence architecture for an intelligent vehicle assistance system, optimized for Cupra Formentor model manuals. It addresses the challenge of managing the complexity of extensive technical documentation and the limitations of generic solutions such as ChatGPT, which often lack the precision and traceability required for vehicle-specific queries. The solution implements a Retrieval-Augmented Generation (RAG) pipeline, integrating advanced Natural Language Processing. The architecture is deployed on AWS, using Lambda for serverless processing, S3 for storage, and PostgreSQL with pgvector for optimized embedding management and information retrieval. The system allows customized queries based exclusively on official documentation, eliminating artifacts. Experimental evaluation demonstrated high reliability, with a quality score of 8.7/10, 100% traceability, and zero artifacts. It outperformed ChatGPT 3.5 in technical precision and clarity, validating the superiority of the RAG approach in critical domains. This implementation automates vehicle information retrieval, improving the user experience. Future work includes expanding multimodal capabilities (computer vision for symbols, audio input) and multilingual adaptation, seeking to establish new standards for proactive assistance in the connected automotive ecosystem.
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero en Mecatrónica	spa
dc.description.domain	https://www.ustabuca.edu.co/
dc.format.mimetype	application/pdf
dc.identifier.citation	Calderón Sua, N. S. (2025) Arquitectura End-to-End para la Consulta Inteligente de Manuales Vehiculares mediante IA y Cloud Computing [trabajo de pregrado] Universidad Santo Tomás, Bucaramanga, Colombia
dc.identifier.instname	instname:Universidad Santo Tomás	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Santo Tomás	spa
dc.identifier.repourl	repourl:https://repository.usta.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/11634/69192
dc.language.iso	spa
dc.publisher	Universidad Santo Tomás	spa
dc.publisher.branch	CRAI-USTA Bucaramanga
dc.publisher.faculty	Facultad de Ingeniería Mecatrónica	spa
dc.publisher.program	Pregrado Ingeniería Mecatrónica	spa
dc.relation.references	Smith, J., & Brown, K. (2018). Desafíos en la recuperación de información de grandes colecciones de documentos técnicos. Revista de Gestión de la Información Técnica, 15(2), 123–135.
dc.relation.references	Chen, A., & Lee, B. (2021). Comprendiendo las alucinaciones en modelos de lenguaje grandes: Causas y mitigación. En Proc. Conf. Procesamiento del Lenguaje Natural y Aprendizaje Automático (pp. 456–467).
dc.relation.references	Lewis, P., et al. (2020). Retrieval-Augmented Generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459–9474.
dc.relation.references	Smith, C. D., & Jones, E. F. (2022). Métricas para la evaluación de la consistencia fáctica y la trazabilidad en modelos de generación de lenguaje. IEEE Transactions on Artificial Intelligence, 5(3), 201–215.
dc.relation.references	Williams, G. H., & Davis, I. J. (2023). Aplicaciones de la generación aumentada por recuperación en dominios intensivos en conocimiento: Una revisión. Revista de Sistemas de Información Basados en Conocimiento, 40, 1–18.
dc.relation.references	Clark, K. L., & King, M. D. (2021). Fundamentación de modelos de lenguaje con conocimiento externo para una generación de texto fáctica. En Proc. Asociación de Lingüística Computacional (pp. 789–800).
dc.relation.references	Rahman, M. S., & Khan, N. A. (2023). Una encuesta sobre la generación aumentada por recuperación: Arquitecturas, aplicaciones y desafíos. IEEE Transactions on Computational Intelligence and AI in Learning, 10(1), 1–20.
dc.relation.references	Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. En Proc. Int. Conf. Learning Representations.
dc.relation.references	Wang, L., et al. (2023). Benchmarking large-scale text embedding models for domain-specific information retrieval. ACM Transactions on Information Systems, 41(2), 1–25.
dc.relation.references	Zhang, H., & Li, Y. (2022). Bases de datos vectoriales para la búsqueda de similitud de alta dimensionalidad: Una revisión. Revista de Computación Distribuida y Bases de Datos, 36(4), 301–318.
dc.relation.references	Malkov, Y., & Yashunin, D. (2020). Efficient and robust approximate nearest neighbor search using hierarchical navigable small world graphs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(12), 3058–3072.
dc.relation.references	Adejumo, O. S., & Okoro, P. C. (2023). Ingeniería de prompts para modelos de lenguaje grandes: Una revisión sistemática. Revista Internacional de Procesamiento del Lenguaje Natural, 15(1), 1–18.
dc.relation.references	Zhou, Q., & Li, R. L. (2022). Evaluación de la consistencia fáctica en la generación de lenguaje natural: Un enfoque basado en agentes. En Proc. Conf. Métodos Empíricos en Procesamiento del Lenguaje Natural (pp. 1234–1245).
dc.relation.references	Jurafsky, D., & Martin, J. H. (2023). Speech and Language Processing (3.ª ed., cap. 15). Upper Saddle River, NJ: Prentice Hall.
dc.relation.references	Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ questions for machine comprehension of text. En Proc. Conf. Métodos Empíricos en Procesamiento del Lenguaje Natural (pp. 289–299).
dc.relation.references	Ji, H., et al. (2023). Survey of hallucination in large language models. ACM Transactions on Information Systems, 42(1), 1–38.
dc.relation.references	Johnson, D. M., & White, S. P. (2022). Aplicaciones de retrieval-augmented generation en la investigación legal. Revista de Tecnología Legal, 25(1), 45–60.
dc.relation.references	Green, E. F., & Black, H. I. (2022). Mejorando la gestión del conocimiento empresarial con retrieval-augmented generation. Revista de Sistemas de Información Empresarial, 18(3), 201–215.
dc.relation.references	Wu, J. K., & Chen, L. M. (2021). Una revisión de la inteligencia artificial en vehículos autónomos. IEEE Transactions on Intelligent Vehicles, 6(2), 189–205.
dc.relation.references	Patel, S. R., & Nguyen, T. Q. (2020). Diagnóstico predictivo de fallas en vehículos utilizando aprendizaje automático: Una encuesta. Revista de Ingeniería Automotriz, 28(4), 301–315.
dc.relation.references	Singh, U. V., & Zhou, W. X. (2019). Sistemas de preguntas y respuestas basados en reglas para el diagnóstico de vehículos. En Proc. Simposio Internacional sobre Sistemas de Mantenimiento Inteligentes (pp. 112–120).
dc.relation.references	Wang, Y. Z., & Chen, A. B. (2020). Desafíos y avances en la comprensión de documentos para documentos técnicos complejos. Revista de Procesamiento de Documentos y Reconocimiento de Patrones, 12(1), 1–15.
dc.relation.references	Green, G. H., & Blue, I. J. (2021). El impacto de la calidad de los datos en el rendimiento de los sistemas de PNL basados en embeddings. Revista de Aprendizaje Automático para el Procesamiento del Lenguaje Natural, 10(2), 89–105.
dc.relation.references	White, K. L., & Gray, M. D. (2021). Más allá de BLEU y ROUGE: Evaluación de la consistencia fáctica en la generación de lenguaje. En Proc. Conf. Procesamiento del Lenguaje Natural y Aprendizaje Automático (pp. 567–578).
dc.relation.references	Green, N. O., & Red, P. Q. (2023). LLM-as-a-judge: Un nuevo paradigma para la evaluación de modelos de lenguaje. En Proc. Conf. Métodos Empíricos en Procesamiento del Lenguaje Natural (pp. 301–312).
dc.relation.references	Brown, R. S., & White, T. U. (2022). Un marco integral para la evaluación de sistemas de preguntas y respuestas en dominios de alto riesgo. Revista de Inteligencia Artificial Aplicada, 30(1), 45–60.
dc.relation.references	Black, V. W., & Green, X. Y. (2023). Evaluación comparativa de LLM genéricos versus modelos de dominio específico para tareas de preguntas y respuestas. IEEE Transactions on Large Language Models, 1(1), 78–92.
dc.relation.references	Smith, Z. A., & Jones, B. C. (2022). Data Lakehouse: The Definitive Guide (cap. 5). Sebastopol, CA: O’Reilly Media.
dc.relation.references	White, C. D., & Black, E. F. (2019). Principios de diseño modular para sistemas de software escalables y mantenibles. IEEE Transactions on Software Engineering, 45(8), 789–805.
dc.relation.references	Green, G. H., & Blue, I. J. (2020). Arquitecturas serverless para el procesamiento de datos a gran escala en la nube. IEEE Transactions on Cloud Computing, 7(3), 456–470.
dc.rights	Attribution 2.5 Colombia	en
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by/2.5/co/
dc.subject.keyword	Artificial Intelligence (AI)
dc.subject.keyword	Multimodality
dc.subject.keyword	Reliability
dc.subject.keyword	Retrieval-Augmented Generation (RAG)
dc.subject.keyword	Vehicle Assistance
dc.subject.keyword	Vector Databases
dc.subject.lemb	Empresas de la industria automotríz
dc.subject.lemb	Bases de datos
dc.subject.lemb	Optimización de procesos industriales
dc.subject.lemb	Representaciones vectoriales semánticas
dc.subject.proposal	Asistencia Vehicular
dc.subject.proposal	Bases de Datos Vectoriales
dc.subject.proposal	Fiabilidad
dc.subject.proposal	Inteligencia Artificial (IA)
dc.subject.proposal	Multimodalidad
dc.subject.proposal	Retrieval-Augmented Generation (RAG)
dc.title	Arquitectura End-to-End para la Consulta Inteligente de Manuales Vehiculares mediante IA y Cloud Computing
dc.type	bachelor thesis
dc.type.category	Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.drive	info:eu-repo/semantics/bachelorThesis
dc.type.local	Trabajo de grado	spa
dc.type.version	info:eu-repo/semantics/acceptedVersion