Optimización en proceso de creación de productos usando Grandes Modelos de Lenguaje (LLM) y agentes IA con aplicación a productos de una empresa de telecomunicaciones.

Caro Seguel, Juan CarlosEspinoza Bustamante, Rodrigo Santiago2026-04-222026-04-222025https://repositorio.udec.cl/handle/11594/13949Tesis presentada para optar al título de Ingeniero/a en Civil Industrial.La generación automática de documentos mediante inteligencia artificial generativa se presenta como una herramienta atractiva para minimizar u optimizar tiempos y recursos en organizaciones. En esta Memoria de Título se desarrolló y validó una solución basada en modelos grandes de lenguaje, que permite automatizar la redacción de documentos técnicos a través de plantillas personalizadas para la organización que contienen “placeholders”, es decir, marcadores de posición en la plantilla que posteriormente será rellenado con información obtenida. La solución fue implementada en Python con uso de una arquitectura que integra el framework “Langchain”, llamadas a API de Google Gemini y Groq. El proyecto fue probado bajo diferentes configuraciones, utilizando los modelos de lenguaje “Gemini-2.0-flash”, “Llama3-70b”, “Llama3-8b” y un agente inteligente que utiliza el mismo modelo de lenguaje “Llama3-8b”. Cada iteración fue evaluada con métricas de tiempo de ejecución, ahorro estimado en costos de generación, una evaluación humana realizada por expertos en documentación técnica (Product Managers) y relevancia semántica evaluada por el modelo BETO. Los resultados muestran una relevancia semántica similar y aceptable para todos los modelos probados (Promedio BETO > 0,92), sin embargo, se concluye en base al resto de evaluaciones que el agente impulsado con Llama3-8b alcanzó el mayor rendimiento en general con los siguientes resultados, una puntuación de 4,2 sobre 5 por parte de los product managers, una completitud global de la tarea del 88,5% del documento, una disminución de 18 días de trabajo para realizar el documento y generando un ahorro estimado de $131.948 CLP. No obstante, el enfoque del agente presentó el tiempo de ejecución más alto siendo cercano a los 30 minutos (1833 s), en comparación al resto de modelos que requieren menos 10 minutos aproximadamente para ejecutarse. Como recomendaciones, se sugiere agregar otro tipo de mejoras al agente a través de herramientas que permitan realizar personalizaciones con gráficos, tablas o cambios dinámicos de prompt.The automatic generation of documents using generative artificial intelligence is presented as an attractive tool to minimize or optimize time and resources in organizations. In this Thesis Project, a solution based on large language models was developed and validated, allowing the automation of the drafting of technical documents through customized templates for the organization that contain “placeholders,” meaning designated positions in the template that are later filled with retrieved information. The solution was implemented in Python using an architecture that integrates the "Langchain" framework, and calls to the Google Gemini and Groq APIs. The project was tested under different configurations, using the language models "Gemini-2.0-flash," "Llama3-70b," "Llama3-8b," and an intelligent agent that uses the same language model "Llama3-8b." Each iteration was evaluated with metrics of execution time, estimated cost savings in document generation, a human evaluation carried out by experts in technical documentation (Product Managers), and semantic relevance evaluated by the BETO model. The results show similar and acceptable semantic relevance for all the models tested (BETO > 0.92), however, it is concluded based on the other evaluations that the agent powered by Llama3-8b achieved the highest overall performance with the following results: a score of 4.2 out of 5 from the Product Managers, 88.5% document completeness, a reduction of 18 working days to complete the document, and an estimated savings of $131,948 CLP. Nevertheless, the agent approach presented the highest execution time, being close to 30 minutes (1833 s), compared to the rest of the models that require approximately less than 10 minutes to execute. As recommendations, it is suggested to add other types of improvements to the agent through tools that allow customizations with charts, tables, or dynamic prompt changes.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalInteligencia artificialAutomatizaciónDeep learning (Machine learning)Optimización en proceso de creación de productos usando Grandes Modelos de Lenguaje (LLM) y agentes IA con aplicación a productos de una empresa de telecomunicaciones.Thesis