Multi-Database RAG System & Intent Router

Procesamiento del Lenguaje Natural
Tecnicatura Universitaria en Inteligencia Artificial (Universidad Nacional de Rosario)
Máximo Alva
2026

---

💡 Acerca del proyecto

Este proyecto implementa un asistente inteligente de preguntas y respuestas (QA) bajo una arquitectura RAG (Retrieval-Augmented Generation) avanzada y modular.

A diferencia de los sistemas RAG tradicionales que consultan una única fuente, este asistente cuenta con un enrutador de intenciones basado en Machine Learning (Regresión Logística sobre embeddings) que analiza la consulta del usuario en lenguaje natural y la deriva dinámicamente hacia la base de datos óptima:

1. Base de Datos Vectorial (Milvus Lite): Resuelve consultas conceptuales, manuales técnicos y reseñas de usuarios mediante búsqueda semántica (SentenceTransformers).
2. Base de Datos Relacional (SQLite): Resuelve consultas de negocio, stock, precios y métricas mediante traducción automática de lenguaje natural a SQL.
3. Base de Datos de Grafos (GrafitoDB): Resuelve consultas sobre relaciones complejas, categorías y preguntas frecuentes (FAQs) mediante traducción a Cypher.

Las respuestas finales y las traducciones de código son generadas integrando Ollama con el modelo qwen2.5 en un entorno local/Colab.

---

🛠️ Tecnologías y librerías

• Python
• NLP & Embeddings: SentenceTransformers (paraphrase-multilingual-MiniLM-L12-v2), NLTK, LangChain Text Splitters.
• Bases de Datos: Milvus Lite (Vectorial), SQLite (Relacional), GrafitoDB (Grafos).
• Machine Learning: scikit-learn (Clasificador de intenciones).
• LLM & Local Inference: Ollama (qwen2.5).

---

🚀 Cómo usarlo

El proyecto está diseñado para ejecutarse de forma interactiva en Google Colab con soporte de GPU.

1. Abrí el notebook principal TP_NLP_MaximoAlva.ipynb haciendo clic en el botón superior de Open in Colab.
2. Ejecutá la celda de Preparación del entorno:
   • Se instalarán automáticamente todas las dependencias necesarias.
   • Se descargará e iniciará el servidor de Ollama en segundo plano bajando el modelo qwen2.5.
   • Se clonará la carpeta de fuentes de información directamente desde este repositorio.
3. Recorré las celdas secuencialmente para probar los distintos módulos.