Sistema de generación aumentada por recuperación (RAG) para el acceso a información académica

Abstract

El acceso a información en documentos académicos no estructurados, como programas de asignaturas en PDF, continúa siendo un obstáculo para la comunidad universitaria. Este trabajo propone una solución basada en Retrieval-Augmented Generation (RAG), que integra modelos de lenguaje de gran escala (LLMs) con recuperación semántica para habilitar consultas en lenguaje natural sobre programas de la Universidad Nacional de Luján. La metodología incluye crawling automatizado, extracción y segmentación de texto, vectorización y almacenamiento, complementados con un enrutador inteligente que dirige consultas al índice de cada carrera. Las pruebas preliminares evidencian la capacidad del sistema para recuperar información precisa sobre objetivos, contenidos y docentes, validando la aplicabilidad de RAG en el ámbito académico. Como líneas futuras se plantea optimizar el preprocesamiento OCR, ampliar el corpus y desarrollar una interfaz web accesible para la comunidad.