FuentIA explora cómo una arquitectura RAG con chunking optimizado puede asistir la investigación académica sin sacrificar precisión ni rigor en las fuentes.
FuentIA toma como tema la optimización de la inteligencia artificial mediante estrategias de chunking en arquitecturas RAG. El proyecto se desarrolló como herramienta de consulta bibliográfica para asistir a un tesista de la Maestría en Ingeniería Ambiental de la UTN, aunque su enfoque es aplicable a cualquier campo de investigación.
Construye un sistema capaz de responder preguntas académicas a partir de documentos concretos, evitando respuestas genéricas o inventadas y priorizando la bibliografía cargada por el usuario. Cada respuesta se apoya en fragmentos específicos del corpus, lo que permite verificar la información en su contexto original.
La IA generativa puede producir resúmenes, explicaciones y respuestas rápidas, pero los modelos generales suelen ofrecer información amplia y no siempre verificable. En investigación esto se vuelve crítico: una cita inventada o un dato impreciso compromete el rigor del trabajo. FuentIA aborda ese problema.
El proyecto está pensado para personas que trabajan con bibliografía, conceptos complejos y procesos de escritura académica.
Estudiantes de educación superior que necesitan organizar lecturas, redactar trabajos y consultar bibliografía especializada.
Tesistas que trabajan con un corpus académico extenso y necesitan recuperar información precisa para su marco teórico.
Docentes universitarios e investigadores que requieren apoyo para el análisis de información y la organización del conocimiento.
FuentIA no reemplaza el trabajo intelectual del investigador: lo acompaña. Es un asistente, no un oráculo.
El sistema agiliza búsquedas, detecta relaciones entre textos y mejora el acceso a información específica. La lectura crítica, la interpretación de las fuentes y las decisiones de escritura siguen siendo responsabilidad humana.
El corpus lo carga el usuario. Esto permite trabajar con autores de referencia, marcos teóricos específicos y materiales que ya forman parte del recorrido de investigación, en lugar de depender de fuentes generales del modelo.
Cada respuesta enlaza con los fragmentos exactos del corpus que la sustentan. El usuario puede volver al documento, verificar el contexto y citar con propiedad académica.
El sistema funciona localmente, sin enviar documentos a APIs externas. Esto protege el capital intelectual del investigador y mantiene control total sobre los datos procesados.