Pimentel Díaz, Carlos DanielCalderón Sua, Nicolás Santiago2025-08-222025-08-222025-08-22Calderón 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, Colombiahttp://hdl.handle.net/11634/69192Este 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.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.application/pdfspaAttribution 2.5 Colombiahttp://creativecommons.org/licenses/by/2.5/co/bachelor thesisArtificial Intelligence (AI)MultimodalityReliabilityRetrieval-Augmented Generation (RAG)Vehicle AssistanceVector DatabasesEmpresas de la industria automotrízBases de datosOptimización de procesos industrialesRepresentaciones vectoriales semánticasAbierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Asistencia VehicularBases de Datos VectorialesFiabilidadInteligencia Artificial (IA)MultimodalidadRetrieval-Augmented Generation (RAG)reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.co