RAGquest: Chatbot genérico de soporte basado en Modelos De Lenguaje

Abstract

[Resumen]: En la era actual, la demanda de servicios que requieren la interpretación rápida y precisa de grandes volúmenes de información ha aumentado considerablemente. Este proyecto tiene como objetivo el desarrollo de un agente conversacional inteligente denominado RAGquest, diseñado para asistir a los usuarios en la consulta y gestión de documentación de manera eficiente. La aplicación permitirá a los usuarios gestionar colecciones de documentos PDF a través de una interfaz web, ofreciendo la capacidad de subir, editar y eliminar documentos, así como organizarlos en colecciones personalizadas. El sistema incluye un chatbot basado en modelos de lenguaje que interactúa en lenguaje natural con el usuario, proporcionando respuestas precisas sobre el contenido de los documentos. Para lograr esto, se emplea la técnica Retrieval-Augmented Generation (RAG), que combina un sistema de Recuperación de Información con un modelo generativo. Primero, se buscan los fragmentos más relevantes mediante embeddings semánticos e indexación eficiente. Luego, estos fragmentos sirven como contexto para que el modelo generativo elabore respuestas precisas. Así, cada instancia del chatbot responde de manera especializada según el contenido de una colección de documentos.

[Abstract]: In the current era, the demand for services that require the fast and accurate interpretation of large volumes of information has increased considerably. This project aims to develop an intelligent conversational agent called RAGquest, designed to assist users in efficiently consulting and managing documentation. The application will allow users to manage collections of PDF documents through a web interface, offering the ability to upload, edit and delete documents, as well as organise them into customised collections. The system includes a language model-based chatbot that interacts in natural language with the user, providing accurate answers about the content of the documents. To achieve this, the Retrieval-Augmented Generation (RAG) technique is used, which combines an information retrieval system with a generative model. First, the most relevant fragments are searched for by means of semantic embeddings and efficient indexing. Then, these snippets serve as context for the generative model to elaborate accurate responses. Thus, each instance of the chatbot responds in a specialised way based on the content of a collection of documents.