Sistema de IA · sector público: normalización y metrología
Base de conocimiento RAG y estrategias de IA
Rosstandart · 2025 · Sistema de IA · Python 3.11, LangChain
Una demo RAG con documentos de Rosstandart y del proyecto «RST 2.0», análisis de cinco organizaciones subordinadas y una especificación para extraer requisitos de las normas GOST
Dos líneas de trabajo relacionadas. La primera es un sistema RAG de demostración con documentos de Rosstandart y del proyecto de transformación digital «RST 2.0» (15 documentos, 954 fragmentos): respuestas en lenguaje natural con enlaces a las fuentes; pasó por tres iteraciones (FAISS local, luego gestión incremental de la base de datos vectorial y después migración a Milvus) y una revisión de código. La segunda es un paquete analítico sobre cinco organizaciones subordinadas (más de 30 documentos, unas 600 páginas) con estrategias de optimización mediante IA, además de una revisión de la especificación técnica de un instituto de normalización para un sistema que extrae requisitos legibles por máquina de las normas GOST y los transfiere a los sistemas del cliente.
El reto
Información dispersa sobre la agencia y sus organizaciones subordinadas, y la necesidad de una estrategia de adopción de la IA; para el instituto de normalización, convertir los documentos normativos en requisitos aptos para el procesamiento automático y para la integración en sistemas de IA, MDM y MES.
Qué incluye
- RAG con Claude 4.5 Sonnet (vía OpenRouter) y embeddings multilingües paraphrase-multilingual-MiniLM-L12-v2; fuentes citadas en cada respuesta
- Edition A: adición y eliminación incremental de archivos en la base de datos vectorial sin reindexación completa, gestión por CLI y validación de integridad
- Edition B: Milvus en lugar de FAISS, protección contra prompt injection y DoS, un tiempo de espera de 60 segundos en todas las solicitudes al modelo
- Paquete analítico para cada una de las 5 organizaciones: un informe integral, una estrategia de IA (8 áreas, hoja de ruta 2026–2028), una revisión breve con análisis SWOT, un informe de trabajo
- La especificación del instituto de normalización: un modelo ontológico (OWL 2, SHACL, Apache Jena), extracción de entidades y relaciones (ruRoBERTa-large), una API REST en Java Spring Boot, conversores a IA/MDM/MES, una etapa de «arranque autónomo»
Traducción automática, en revisión.