Titulo del trabajo: Desarrollo e Implementación de un Asistente Jurídico Inteligente en Derecho Laboral Peruano Mediante RAG Multi-LLM y Segmentación Estructurada de Jurisprudencia
Integrantes:

• Saul Vega

• Marcelo Callao

• Daryl Candia

Resumen:
Se presenta un asistente jurídico inteligente basado en arquitectura RAG para el derecho laboral peruano, diseñado para superar la alta carga procesal y dispersión jurisprudencial. El sistema procesó más de 249,000 resoluciones mediante scraping, extracción OCR y segmentación automatizada de fallos. Utilizando embeddings especializados, el modelo garantiza respuestas fundamentadas y trazables, logrando reducir drásticamente las alucinaciones. En las evaluaciones multi-LLM, Llama 3.1 8B y el módulo extractivo BERT obtuvieron los mejores rendimientos. Finalmente, la solución fue desplegada exitosamente mediante FastAPI, Laravel y pgvector.

Impacto:
Esta herramienta democratiza el acceso a la justicia y reduce drásticamente la carga procesal al automatizar la investigación jurídica con alta precisión. Además, fortalece la previsibilidad legal mediante una solución tecnológica escalable, eficiente y libre de alucinaciones.

Palabras clave:
Procesamiento de Lenguaje Natural (PLN), Retrieval-Augmented Generation (RAG), Derecho Laboral Peruano, Modelos de Lenguaje de Gran Escala (LLM), pgvector, Segmentación Jurídica, LegalTech

Paper: Presentacion: Datos:

Integrantes:
Chipana Chucare, Kevin Felix
Choque Medina, Guillermo Joel
Dávila Anaya, Nicolás Sebastián
Vega Montenegro, Saúl Fernando
Resumen:
El proceso de filtrado de concentrado de cobre representa una etapa cr´ıtica en la producci´on minera, siendoresponsable de reducir la humedad de la pulpa antes de su transporte. El desgaste progresivo de las telas filtrantes por acumulaci´on de arcillas reduce significativamente la eficiencia del proceso, generando perdidas operativas. Esta investigacion propone un modelo predictivo basado en tecnicas de machine learning para anticipar el momento optimo del cambio de telas, evitando caıdas en la produccion. Se recolectaron mas de 13 millones de registros de datos operativos con frecuencia de muestreo cada 3 segundos, incluyendo variables clave como presion de llenado, peso del filtro, flujo, velocidad de bomba y estado del ciclo. La variable objetivo fue construida a partir del reinicio del totalizador de ciclos, estableciendo una clase binaria para indicar la necesidad de cambio. Ante el fuerte desbalance de clases, se aplico la tecnica de sobremuestreo SMOTE. Se entrenaron y compararon multiples algoritmos (Decision Tree, Random Forest, XGBoost), destacando Random Forest con una precision del 99.8 %, recall del 19.7% y F1 score de 0.32 en la clase positiva. Los resultados confirman la eficacia del enfoque propuesto, mostrando que el uso combinado de ingenieria de caracterısticas, tecnicas de balanceo y modelos robustos mejora sustancialmente la capacidad predictiva. Este sistema puede ser aplicado en entornos industriales para implementar mantenimiento preventivo inteligente y optimizar la eficiencia operativa.

Keywords:
Filtrado de cobre, cambio de telas, machine learning,SMOTE, mantenimiento predictivo, mineria, Random Forest.