Agentes LLM aplicados al análisis avanzado de problemas de optimización. - OGA

Cómo aplicar agentes LLM con arquitecturas RAG para interpretar documentación técnica compleja, acelerar la formulación de problemas de optimización y reducir drásticamente el time-to-insight en entornos industriales.

El reto

La correcta formulación de un problema de optimización en un entorno industrial real es, hoy en día, uno de los pasos más críticos y exigentes dentro del desarrollo de soluciones analíticas. Antes de construir un modelo matemático o diseñar un algoritmo, es necesario comprender en profundidad el proceso del cliente: sus restricciones operativas, requisitos regulatorios, objetivos de negocio y particularidades del sector.

La complejidad y heterogeneidad de los casos industriales, con restricciones particulares que es necesario captar con un nivel de detalle fine-grained para satisfacer todos los requerimientos del problema, implican una fase inicial de análisis en todo proyecto dedicada a la revisión de documentación extensa y altamente técnica, lo que puede traducirse en ciclos largos de definición y validación. En consecuencia, retrasar la identificación conlleva a la dilatación de todo el ciclo de desarrollo analítico, desde la modelización hasta la experimentación, el diseño de algoritmos y la implantación.

De aquí nace nuestro reto tecnológico: acelerar esta fase inicial de comprensión y definición, proporcionando una base sólida y rigurosa que permita avanzar más rápido hacia la construcción de soluciones de optimización adaptadas a las necesidades del cliente.

Solución tecnológica

El desarrollo de nuestra solución supone abordar un reto tecnológico complejo, y para ello decidimos apoyarnos en inteligencia artificial avanzada como palanca clave. El objetivo es construir agentes capaces de interpretar documentación técnica heterogénea, razonar de forma estructurada como un experto en Investigación Operativa y hacerlo de manera reproducible, escalable y rápida. Para ello hemos diseñado una arquitectura basada en LLMs que combina tres pilares clave: recuperación inteligente de información mediante RAG (Retrieval Augmented Generation), procesamiento semántico avanzado para garantizar precisión y trazabilidad en cada clasificación, y prompts cuidadosamente diseñados para los agentes de IA.

El gran bloque tecnológico consiste en dotar al sistema de capacidad para buscar, seleccionar y utilizar fragmentos de información relevantes dentro de documentos extensos, evitando que el LLM dependa únicamente de su conocimiento previo. Aquí resulta fundamental la implementación de un enfoque RAG (Retrieval-Augmented Generation). Las limitaciones inherentes a cualquier modelo pre-entrenado, especialmente su dependencia del conocimiento visto durante el entrenamiento, hacen imprescindible complementar al LLM con un mecanismo dinámico de recuperación de contexto. Para ello construimos un pipeline de extracción, segmentación y vectorización de texto mediante embeddings, que permiten representar cada fragmento como un punto en un espacio semántico de alta dimensión. Sobre estos embeddings se optimizan búsquedas por similitud, lo que proporciona un acceso extremadamente rápido a las secciones del documento que contienen la información más relevante para la consulta del modelo. En paralelo, incorporamos herramientas más tradicionales como la librería de vectores FAISS, especializada en la gestión de índices y acelerar las búsquedas, junto a técnicas híbridas que combinan similitudes léxicas y semánticas para aumentar la precisión.

La otra parte esencial del proyecto es la ingeniería de prompts, ya que los modelos de lenguaje requieren instrucciones altamente estructuradas para realizar tareas de análisis formal. Desarrollamos plantillas especializadas que guían al modelo paso a paso en la identificación de características operativas y en la búsqueda del estado del arte del dominio específico identificado. La iteración de este proceso experimental y profundamente técnico ha permitido transformar al LLM en un verdadero agente experto, capaz de justificar cada conclusión con un razonamiento verificable.

La solución final integra todo este ecosistema en un flujo coherente: el agente analiza el documento, recupera solo el contexto relevante, razona sobre él mediante prompts especializados y produce una clasificación formal del problema acompañada de una justificación estructurada. A ello se suma un módulo adicional de búsqueda bibliográfica, también basado en prompts cuidadosamente afinados siguiendo los criterios estándar de Web of Science para la recuperación de contenido científico de relevancia.

Todo ello se ha diseñado siguiendo principios de modularidad, reproducibilidad y eficiencia computacional, lo que permite adaptar este proyecto a retos futuros, como la generación automática del modelo matemático o metaheurísticas ad-hoc, sin rediseñar el sistema desde cero.