RAG y Arquitectura de Datos: IA para el Sector Náutico Balear

En mi día a día como CTO en Arteco Consulting, me encuentro con una realidad recurrente: la Inteligencia Artificial Generativa ha pasado de ser una curiosidad de laboratorio a una demanda crítica de negocio. Sin embargo, en sectores de alta precisión como el náutico y la logística portuaria —motores económicos indiscutibles de nuestras Islas Baleares—, un modelo de lenguaje que "alucina" no es solo una molestia; es un riesgo operativo y financiero.

Si gestionas un astillero en el STP de Palma o una flota de chárter en Ibiza, no puedes permitirte que un sistema de IA invente el par de apriete de un perno en un motor Caterpillar o malinterprete una normativa de vertidos de la Autoridad Portuaria. Aquí es donde la arquitectura RAG (Retrieval-Augmented Generation) deja de ser una opción "cool" para convertirse en la infraestructura necesaria para cualquier empresa que quiera escalar con eficiencia.

En este artículo vamos a bajar al barro técnico. Analizaremos cómo orquestar una arquitectura de datos robusta que convierta manuales técnicos, normativas y contratos en un activo accionable y veraz.

El Problema del Modelo "Desnudo"

Los modelos fundacionales (GPT-4, Claude 3.5, Llama 3) son increíblemente capaces, pero sufren de dos limitaciones fatales para el sector B2B náutico:

1. Corte de Conocimiento (Knowledge Cutoff): No conocen los cambios en las leyes de navegación de 2025 o el manual técnico de la última desalinizadora lanzada al mercado hace tres meses.
2. Falta de Contexto Privado: No tienen ni idea de vuestros contratos específicos con proveedores en el Polígono de Son Castelló o de los históricos de mantenimiento de un yate específico.

Entrenar o hacer fine-tuning de un modelo propio es costoso, lento y el modelo queda desactualizado en cuanto sale del horno. El RAG resuelve esto separando el "cerebro" (el LLM) de la "memoria" (vuestra base de datos vectorial).

---

1. La Ingesta de Datos: Del PDF al Vector

El sector náutico genera una cantidad ingente de datos no estructurados. Tenemos manuales de despiece en PDF, esquemas eléctricos en CAD, normativas de capitanía en texto plano y correos electrónicos con especificaciones de armadores.

Estrategias de Chunking (Fragmentación)

No podemos lanzar un manual de 500 páginas a un modelo y esperar que funcione. Necesitamos dividir el contenido en "chunks". Para el sector náutico, recomiendo un enfoque de Recursive Character Text Splitting con solapamiento (overlap).

• Tamaño del Chunk: 512 a 1024 tokens.
• Overlap: 10-15%. Esto asegura que si una especificación técnica queda cortada entre dos fragmentos, el contexto se preserve en ambos.

En casos más complejos, como planos de ingeniería, estamos implementando Layout-Aware Splitting, donde el sistema identifica tablas y encabezados para no romper la estructura lógica del documento técnico.

Generación de Embeddings

Una vez fragmentado el texto, lo convertimos en vectores numéricos (embeddings). Aquí, la elección del modelo es vital. Para aplicaciones bilingües (Inglés/Castellano), que es el estándar en las marinas de Mallorca, modelos como text-embedding-3-small de OpenAI o alternativas open-source como multilingual-e5-large ofrecen una representación semántica excepcional.

---

2. La Base de Datos Vectorial: El Corazón del Sistema

Aquí es donde almacenamos nuestros vectores. Para una infraestructura robusta y soberana, mi recomendación suele decantarse por Qdrant o Milvus.

¿Por qué Qdrant para una empresa en Baleares?

Qdrant es extremadamente eficiente en el uso de memoria y permite algo fundamental: filtrado por metadatos.

Imaginad que vuestro sistema RAG busca información sobre "mantenimiento de filtros". Si tenéis 50 barcos en flota, no queréis los resultados de todos. Queréis filtrar por ID_Barco, Fabricante_Motor o Año_Construccion. Qdrant permite realizar búsquedas vectoriales que respetan estos filtros de negocio de forma atómica, reduciendo la latencia y aumentando la precisión drásticamente.

Almacenamiento y Soberanía

Cumplir con la GDPR es innegociable. Desplegar estas bases de datos en infraestructura cloud europea (o incluso en servidores locales en las islas para casos de ultra-privacidad) garantiza que la propiedad intelectual de vuestros manuales y el histórico de vuestros clientes no alimenten modelos de terceros.

---

3. El Motor de Recuperación (Retrieval)

No basta con buscar por similitud de coseno. Para el sector náutico, donde los términos técnicos son muy específicos, implementamos Hybrid Search.

Combinamos:

1. Búsqueda Vectorial (Semántica): Entiende que "propulsor" y "hélice" tienen relación.
2. Búsqueda Keyword (BM25): Asegura que si buscas un código de pieza exacto como "VP-99823-X", el sistema lo encuentre literalmente.

Re-ranking: El Toque Maestro

Tras recuperar los 10 fragmentos más relevantes, pasamos un modelo de Re-ranking (como Cohere Rerank o un modelo BGE local). Este segundo filtro analiza la relación real entre la pregunta del técnico y los fragmentos recuperados, reordenándolos para que la información más crítica esté siempre en la posición 1. Esto reduce las alucinaciones del LLM en un 90%.

---

4. Generación Aumentada y Modelos Cuantizados

Una vez tenemos el contexto (el fragmento del manual), se lo pasamos al LLM con un system prompt estricto:

"Eres un asistente técnico experto en náutica. Responde a la pregunta basándote ÚNICAMENTE en el contexto proporcionado. Si la información no está en el contexto, di que no lo sabes. No inventes datos."

Optimización con Modelos Cuantizados

Para muchas empresas locales, el coste de las APIs de OpenAI puede ser una barrera o una preocupación de privacidad. Aquí es donde entra la cuantización.

Podemos desplegar modelos como Llama 3 (8B o 70B) o Mistral en servidores locales o instancias cloud privadas utilizando formatos GGUF o EXL2. Al reducir la precisión del modelo (de 16 bits a 4 u 8 bits), podemos ejecutar LLMs de altísimo rendimiento en hardware mucho más económico sin perder apenas capacidad de razonamiento. Para un gestor de flotas, esto significa tener una IA potente corriendo en un servidor en su propia oficina o en un data center en Palma, con latencia mínima y coste cero por token.

---

Casos de Uso Reales en el Tejido Empresarial Balear

A. Mantenimiento Preventivo en Astilleros

Un técnico en el muelle, con una tablet, pregunta: "¿Cuál es el procedimiento de invernaje para este generador Kohler de 20kW?". El RAG recupera el manual específico de ese modelo, identifica el número de serie del barco por el contexto del usuario y le entrega los pasos exactos, incluyendo los niveles de fluidos y los puntos de engrase. Ahorro de tiempo estimado: 45 minutos de búsqueda en archivos de oficina por cada intervención.

B. Gestión de Consignatarias y Aduanas

Las normativas portuarias cambian. Un sistema RAG alimentado con el BOE, las resoluciones de la Autoridad Portuaria de Baleares (APB) y las circulares de Capitanía puede responder instantáneamente sobre requisitos de entrada para buques de bandera extracomunitaria, tasas actualizadas o protocolos de seguridad.

C. Automatización de Contratos de Chárter

Analizar contratos complejos de MYBA o cláusulas específicas de seguros para embarcaciones de recreo. El sistema puede comparar un contrato nuevo contra el histórico de la empresa y señalar cláusulas que se desvían de la norma interna o que presentan riesgos legales.

---

Estrategia de Implementación: El Roadmap de Arteco

Si estás considerando integrar esta tecnología, mi consejo como "veterano de guerra" en IT es no intentar hervir el océano de golpe:

1. Fase de Auditoría (Semana 1-2): Identificar dónde está el cuello de botella. ¿Es la búsqueda de manuales? ¿Es la atención al cliente? ¿Es el cumplimiento legal?
2. MVP de Datos (Semana 3-6): Seleccionar un corpus de datos limitado (ej: todos los manuales de una sola marca de motores). Implementar el pipeline de ingesta en Qdrant.
3. Validación Técnica: Someter al sistema a preguntas "trampa" diseñadas por vuestros mejores ingenieros o gestores. Si el sistema dice "no lo sé" ante la falta de datos, vamos por buen camino.
4. Escalado y UI: Integrar la herramienta en el flujo de trabajo real (Slack, Microsoft Teams o una App personalizada).

---

Conclusión: IA con los Pies en la Tierra

La IA Generativa es una herramienta de ingeniería, no una varita mágica. En Arteco Consulting entendemos que para las empresas de Baleares, la tecnología debe traducirse en ROI y soberanía.

Implementar una arquitectura RAG no solo moderniza vuestra operativa; blinda vuestro conocimiento corporativo. En un mercado tan competitivo como el náutico internacional, donde Palma es un nodo global, la diferencia entre el éxito y la irrelevancia será la velocidad y la precisión con la que podáis ejecutar vuestro conocimiento técnico.

Si quieres dejar de jugar con el chat genérico y empezar a construir una ventaja competitiva real sobre tus propios datos, es hora de hablar de arquitectura. Es hora de hablar de RAG.