Desarrollo de un chatbot basado en inteligencia artificial para mejorar la eficiencia energética del hogar
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La complejidad en la disponibilidad e interpretación de datos de energía eléctrica limita la adopción de prácticas de eficiencia energética en el sector residencial, impactando negativamente en la demanda de energía y en las metas nacionales y globales de descarbonización. Este trabajo presenta el desarrollo de un chatbot basado en los Modelos de Lenguaje de gran tamaño actuales, diseñado para democratizar el diagnóstico energético residencial mediante lenguaje natural. La metodología incluye la elaboración de un dataset completo de conversaciones relacionadas con eficiencia energética. Se usó este dataset para integrar un ajuste fino eficiente (QLoRA) para la especialización del dominio y una arquitectura RAG basada en herramientas para la interacción con bases de datos de medición real, todo sobre un modelo de lenguaje natural de código abierto. Se introdujo un mecanismo de inyección de contexto temporal dinámico para mitigar la atemporalidad del modelo en consultas relativas. La validación experimental demostró una precisión del 97.5% en el ruteo de intenciones y una alta fidelidad en la extracción de parámetros temporales. Los resultados evidencian que la hibridación de LLMs optimizados con herramientas deterministas permite desplegar asistentes técnicos robustos con recursos computacionales limitados. (texto tomado de la fuente)
Abstract
The complexity in the availability and interpretation of electrical energy data limits the adoption of energy efficiency practices in the residential sector, negatively impacting energy demand and national and global decarbonization goals. This work presents the development of a chatbot based on current Large Language Models, designed to democratize residential energy diagnosis through natural language. The methodology includes the creation of a comprehensive dataset of conversations related to energy efficiency. This dataset was used to integrate efficient fine-tuning (QLoRA) for domain specialization and a tool-based RAG architecture for interaction with real measurement databases, all built upon an open-source natural language model. A dynamic temporal context injection mechanism was introduced to mitigate the model's atemporality in relative queries. Experimental validation demonstrated 97.5% accuracy in intent routing and high fidelity in temporal parameter extraction. The results indicate that the hybridization of optimized LLMs with deterministic tools allows for the deployment of robust technical assistants with limited computational resources.