Sistema inteligente de soporte técnico para diagnóstico y reparación de microondas mediante técnicas de NLP
[/b]

1st Stephanny Gabriela Sanchez Bautista
2nd Diego Fernandez Álvarez
3rd Jovani Quispe Quispe
Universidad Nacional de Ingeniería
Lima, Perú

Resumen
Este trabajo presenta un sistema basado en Retrieval-Augmented Generation (RAG) para el diagnóstico de microondas, integrando evaluación multi-modelo, comparación automática y fine-tuning específico al dominio. El sistema evalúa simultáneamente cuatro modelos de embeddings distintos manteniendo la arquitectura FAISS, incorporando además un módulo de entrenamiento supervisado sobre un corpus en español peruano que describe fallas, causas y soluciones de microondas.

Los resultados experimentales muestran mejoras de entre 5 % y 15 % en métricas clave como Precision@3 y Accuracy@1 respecto al modelo base, confirmando que la selección automática del modelo óptimo y su adaptación al dominio mejoran el rendimiento general. La propuesta demuestra que es posible implementar una solución accesible, escalable y de bajo costo para el soporte técnico doméstico.

Palabras clave: Procesamiento de lenguaje natural, RAG, FAISS, BERT multilingüe, soporte técnico, diagnóstico de electrodomésticos.

I. Introducción
El diagnóstico de fallas en electrodomésticos como microondas suele ser complejo para usuarios no técnicos. Las guías de usuario existentes son técnicas o incompletas, y el soporte especializado es costoso y lento. Este trabajo propone un asistente inteligente de soporte técnico que usa comprensión de lenguaje natural para guiar al usuario en la identificación de causas y soluciones, optimizando así la precisión y la rapidez de respuesta.

El sistema se basa en RAG, integrando Large Language Models (LLMs) con búsqueda vectorial en FAISS y embeddings generados por modelos BERT multilingües, entrenados con un corpus especializado en español peruano.

II. Identificación del problema
Acceso limitado a soporte técnico: alto costo y tiempos prolongados.

Documentación poco amigable: lenguaje técnico inaccesible para usuarios domésticos.

Baja reutilización de experiencias previas: consultas similares no se aprovechan para mejorar la respuesta.

Riesgo de diagnósticos erróneos: los LLMs sin contexto tienden a generar “alucinaciones”.

III. Objetivos
Objetivo general
Implementar un sistema de recuperación y diagnóstico automático de fallas en microondas basado en RAG y BERT multilingüe.

Objetivos específicos

Construir un corpus en español peruano con descripciones de fallas, causas y soluciones.

Implementar una arquitectura RAG con FAISS y embeddings semánticos.

Evaluar múltiples modelos de embeddings para seleccionar el más eficiente.

Aplicar fine-tuning al modelo óptimo para mejorar métricas clave.

Validar el rendimiento mediante consultas reales y métricas estándar.

IV. Solución propuesta
El sistema procesa consultas en lenguaje natural y devuelve las posibles causas y soluciones más relevantes. Incluye:

Pipeline offline: carga y validación del corpus (1000 entradas), generación de embeddings, construcción de índices FAISS.

Pipeline online: preprocesamiento de la consulta, cálculo de embedding, búsqueda en FAISS, construcción de respuesta.

Comparación multi-modelo: evaluación simultánea de cuatro modelos de embeddings.

Fine-tuning: entrenamiento supervisado con pares positivos y negativos para optimizar la similitud semántica.

V. Descripción del corpus
Nombre: “corpus_microondas_final_con_id”

Registros: 1000 casos reales o simulados.

Estructura: id, problema, causa, solución.

Cobertura: fallas mecánicas, eléctricas, de control y de uso.

Variedad lingüística: registro coloquial (40 %), neutral (50 %), jerga técnica/local (10 %).

Fuente del corpus:

Fuente del código:

Paper:

Sistema inteligente de soporte técnico para diagnóstico y reparación de microondas con NLP y BERT
Autores: Stephanny Gabriela Sanchez Bautista; Diego Fernandez Álvarez; Jovani Quispe Quispe

Resumen
Se presenta un asistente de soporte técnico que emplea Retrieval-Augmented Generation (RAG), embeddings basados en BERT multilingüe y búsqueda vectorial con FAISS para diagnosticar fallas en microondas. El sistema compara múltiples modelos de embeddings y aplica fine-tuning específico al dominio, logrando mejoras sustanciales en precisión y ranking de resultados, con tiempos de respuesta menores a 100 ms.

Palabras clave: NLP, RAG, BERT multilingüe, FAISS, soporte técnico, diagnóstico de electrodomésticos.

Problema
Documentación técnica poco accesible para usuarios no técnicos.
Soporte especializado costoso y lento para averías menores.
LLMs sin recuperación tienden a generar respuestas no confiables.

Objetivo
Implementar un sistema de recuperación y diagnóstico automático para microondas que combine RAG + FAISS + BERT multilingüe, con evaluación multimodelo y fine-tuning.

Metodología (pipeline)

Corpus: 1 000 casos en español peruano (problema, causa, solución).
Preprocesamiento: normalización, tokenización, eliminación de stopwords.
Embeddings: modelos BERT/Sentence-Transformers (ej. distiluse-base-multilingual-cased-v1).
Índice: FAISS (IndexFlatL2) para búsqueda por similitud.
Consulta: cálculo del embedding de la pregunta y recuperación Top-k.
Comparación multimodelo: índices independientes por modelo para evaluación directa.
Fine-tuning: pares positivos/negativos con CosineSimilarityLoss.

Dataset
Nombre: “corpus_microondas_final_con_id”
Fuente:

Estructura: id, problema, causa, solución.

Cobertura: fallas mecánicas, eléctricas, de control y de uso.

Registro lingüístico: 40 % coloquial, 50 % neutral, 10 % jerga técnica/local.

Técnicas
BERT multilingüe (Sentence-Transformers) para embeddings semánticos.
FAISS para recuperación vectorial eficiente.
RAG para reducir alucinaciones y dar respuestas trazables.
Métricas: Recall, Precision, Accuracy, MRR.

Fuente del código:

Archivo adjunto: