Sistema de IA · metalurgia, documentación normativa
Grafo de GOST y RAG sobre requisitos del acero
EVRAZ · 2025 · Sistema de IA · Python 3.11, LangChain
De un conjunto de normas en PDF a una base de conocimiento enlazada: vínculos entre normas GOST, búsqueda con fuentes y exportación a JSON de los requisitos por clase de acero
Una serie de prototipos para EVRAZ, cuya biblioteca de normas GOST es un conjunto de PDF sin vínculos entre documentos. Las normas (PDF/DOC) se convierten a Markdown con tablas e imágenes, las referencias a otras GOST (normativas e informativas) se detectan automáticamente, se descargan las normas «hijas» y, sobre todo ello, se construyen una búsqueda RAG con fuentes y la extracción de datos estructurados. La tarea de prueba es la clase de resistencia C235 según GOST 27772-2021: la composición química y las propiedades mecánicas se exportan a JSON. En una semana (del 30 de octubre al 6 de noviembre de 2025) se probaron en paralelo cinco opciones de implementación.
El reto
Las referencias a otras GOST dentro de los documentos no son clicables. Para reunir todos los requisitos del acero C235, un especialista tiene que encontrar a mano la norma principal y después revisar una por una todas las normas que menciona, lo que lleva mucho tiempo y deja escapar cosas.
Qué incluye
- Conversión de normas GOST de DOC/DOCX/PDF a Markdown, tablas (XLSX) e imágenes
- Extracción automática de referencias clasificadas como «normativas / informativas»; en GOST 27772-2021 se encontraron 95 referencias únicas (71 normativas, 24 informativas) y se insertaron 232 hipervínculos clicables
- Búsqueda y descarga automáticas de normas GOST «hijas» (allgosts.ru, con la API XML de Yandex como alternativa): el corpus contiene 60 documentos .doc
- Respuestas RAG con fuentes (Claude 4.5 Sonnet / Gemini 2.5 Pro vía OpenRouter, índice vectorial FAISS)
- Extracción de datos estructurados para la clase de resistencia C235 (8 elementos de composición química, 3 propiedades mecánicas) a JSON con validación
- Variantes: una base de conocimiento web en React/tRPC, un grafo de normas en Neo4j con respuestas basadas en el grafo, RAGFlow + OpenSearch con k-NN sin Docker, un servicio web FastAPI + HTMX con crawler, una especificación para un módulo OCR de alta precisión
Traducción automática, en revisión.