IA aplicada
Integración de IA, RAG y modelos locales
Diseño y construcción de sistemas de IA como producto: pipelines RAG, modelos locales con Ollama y ChromaDB como almacén vectorial.
Esta área es distinta de IA como herramienta de desarrollo: ahí la IA ayuda a programar; aquí la IA es lo que se construye.
Pipeline RAG en LIT
En LIT diseño y desarrollo un conjunto de microservicios de IA en Python/FastAPI que implementan un pipeline RAG (Retrieval-Augmented Generation) completo: ingesta de documentos, vectorización y consulta.
Modelos en local, por decisión
Ejecuto los modelos con Ollama en local y uso ChromaDB como almacén vectorial. No es una limitación técnica, es una decisión: nunca enviar datos de clientes a APIs externas de terceros.
Evaluación de infraestructura
Diseñar estos sistemas exige criterio de infraestructura, no solo de código: arquitectura de GPU, comparación entre modelos MoE y densos, y cálculo de necesidades de memoria según el tamaño de contexto. Este criterio se aplica como parte del diseño del producto en LIT, sin publicar el hardware concreto empleado.
Diseño orientado a producto
El diseño parte siempre de las necesidades reales del negocio — qué documentación hay que consultar, con qué frecuencia, con qué requisitos de privacidad — antes de decidir la arquitectura técnica.