http://sedici.unlp.edu.ar:80/handle/10915/201365 2026-11-15T19:36:18Z 2026-11-15T19:36:18Z Balich, Néstor Adrián Marinelli, Guillermo Balich, Franco Adrián http://sedici.unlp.edu.ar:80/handle/10915/201367 2026-11-13T20:10:53Z 2026-01-01T00:00:00Z

Objeto de conferencia XXXII Congreso Argentino de Ciencias de la Computación (CACIC) (Concepción del Uruguay, Entre Ríos, 5 al 9 de octubre de 2026); https://sedici.unlp.edu.ar/handle/10915/201364; Libro de actas - 32º Congreso Argentino de Ciencias de la Computación - CACIC 2026 La clasificación automática de intenciones constituye un componente fundamental de los sistemas de soporte técnico inteligentes. Este trabajo propone una arquitectura híbrida basada en un pipeline jerárquico de detectores de intención, organizado según su complejidad computacional y capacidad semántica. La arquitectura combina técnicas deterministas con un Modelo de Lenguaje de Gran Escala (LLM), ejecutado únicamente cuando los niveles previos no alcanzan un umbral de confianza suficiente, minimizando así el costo de inferencia. Una vez identificada la intención, el sistema ejecuta flujos conversacionales parametrizados por expertos del dominio, guiando al usuario durante el diagnóstico y la resolución del incidente, con derivación a operadores humanos cuando resulta necesario. La propuesta fue evaluada en un entorno real con restricciones de hardware y seguridad, obteniendo tiempos de respuesta inferiores a 120 ms para la mayoría de las consultas. Los resultados obtenidos proporcionan evidencia de que la estrategia propuesta permite automatizar eficientemente el soporte técnico preservando la trazabilidad y el conocimiento experto.

2026-01-01T00:00:00Z La clasificación automática de intenciones constituye un componente fundamental de los sistemas de soporte técnico inteligentes. Este trabajo propone una arquitectura híbrida basada en un pipeline jerárquico de detectores de intención, organizado según su complejidad computacional y capacidad semántica. La arquitectura combina técnicas deterministas con un Modelo de Lenguaje de Gran Escala (LLM), ejecutado únicamente cuando los niveles previos no alcanzan un umbral de confianza suficiente, minimizando así el costo de inferencia. Una vez identificada la intención, el sistema ejecuta flujos conversacionales parametrizados por expertos del dominio, guiando al usuario durante el diagnóstico y la resolución del incidente, con derivación a operadores humanos cuando resulta necesario. La propuesta fue evaluada en un entorno real con restricciones de hardware y seguridad, obteniendo tiempos de respuesta inferiores a 120 ms para la mayoría de las consultas. Los resultados obtenidos proporcionan evidencia de que la estrategia propuesta permite automatizar eficientemente el soporte técnico preservando la trazabilidad y el conocimiento experto.