Tema: Procesamiento del Lenguaje Natural y Arquitectura RAG para la consulta inteligente de documentos MOF

Integrantes:
- Jorge Arturo Delacruz Coaquira
- Leonel Barbaran Montalvo
- Ricardo Villena Presentacion
- Jean Pierre Uribe Mostacero


Resumen:
Los Manuales de Organización y Funciones (MOF) concentran información sobre responsabilidades, misiones y relaciones jerárquicas, pero su consulta suele depender de búsquedas manuales en múltiples archivos PDF. Este trabajo presenta el diseño e implementación de un sistema de procesamiento del lenguaje natural basado en generación aumentada por recuperación (RAG) para consultar documentos MOF mediante preguntas en español. La arquitectura integra extracción de texto por página, cuatro estrategias de segmentación, tres modelos de embeddings, almacenamiento persistente en ChromaDB y recuperación vectorial, híbrida o con reordenamiento. Los fragmentos recuperados se suministran a Qwen2.5:7b, ejecutado localmente mediante Ollama, con instrucciones para responder solo desde el contexto y citar documento y página. El prototipo incluye chat por terminal, interfaz Streamlit y un módulo de evaluación que cruza configuraciones sobre 20 preguntas con fuente esperada. La revisión funcional confirma la integración de los componentes y la trazabilidad de extremo a extremo; sin embargo, no se reportan métricas comparativas de precisión porque los archivos disponibles no incluyen resultados de ejecución. Se propone un protocolo reproducible para medir recuperación, citas, latencia y errores.

Palabras clave
NLP, RAG, recuperación de información, MOF, embeddings, Ollama, Qwen2.5.

Desarrollo de un Modelo Lineal Predictivo Basado en Machine Learning para Estimar la Recuperación de Plata en Planta Metalúrgica

Jean Pierre Uribe Mostacero1, Arturo De la Cruz Coaquira1, Leonel Barbaran Montalvo1, Ricardo Villena Presentación1
1 Maestría Inteligencia Artificial Universidad Nacional de Ingenieria

Resumen – El presente estudio describe la aplicación del proceso de recuperación de plata por lixiviación, técnica hidrometalúrgica que utiliza una solución química para disolver la plata contenida en minerales de baja ley. El proyecto se llevó a cabo en una planta de recuperación de una compañía minera, recolectando 100 registros de datos durante tres días de ensayos en la operación. Con el fin de analizar y predecir el % de Recuperación de Plata, se implementaron cinco algoritmos de aprendizaje supervisado: Regresión Lineal Múltiple, Árbol de Regresión, Random Forest, Red Neuronal Artificial y XGBoost. Los resultados evidenciaron que la Regresión Lineal Múltiple obtuvo el mejor desempeño, alcanzando un R² de 0.9528, lo que indica que las relaciones entre las variables del proceso y la recuperación de plata son predominantemente lineales. Este hallazgo sugiere que modelos estadísticos simples pueden ser altamente eficaces para la optimización de procesos metalúrgicos en plantas de lixiviación.
.

Keywords—. Lixiviacón, Pareto, Redes Neuronales, Arbol de regresion, Random Forest, XGBoost, Regresión lineal.