AI (Inteligencia Aplicada)

El módulo de AI de Yastubo integra capacidades de inteligencia artificial generativa de última generación para potenciar el soporte al cliente y la toma de decisiones basada en datos. Utiliza los modelos más recientes de Google Gemini para ofrecer un asistente contextualizado, preciso y de baja latencia.

Key Features

• RAG (Retrieval-Augmented Generation): Mejora las respuestas de la IA inyectando contexto relevante recuperado de documentos internos y manuales de pólizas.
• Ingesta de Documentos PDF: Procesamiento automatizado de archivos PDF para su conversión en conocimiento vectorial.
• Voice AI Support: Interfaz especializada para llamadas telefónicas (Twilio + ElevenLabs) con respuestas optimizadas para ser escuchadas.
• Gestión de Embeddings de Alta Dimensión: Uso de vectores de 3072 dimensiones para una precisión semántica superior.
• Memoria de Conversación: Seguimiento del historial de chat por sesión para interacciones fluidas y naturales.

Modelos y Configuración

Tarea	Modelo	Detalles
Generación de Texto	gemini-2.5-flash	Alta velocidad, ventana de contexto masiva.
Embeddings	gemini-embedding-001	3072 dimensiones para máxima precisión semántica.
Base de Datos Vectorial	pgvector	Extensión de PostgreSQL integrada con SQLAlchemy.

Modelo de Vanguardia

Yastubo utiliza Gemini 2.5 Flash, lo que permite manejar conversaciones complejas con una latencia mínima, ideal para aplicaciones en tiempo real como el asistente de voz.

El Proceso RAG (Retrieval-Augmented Generation)

Para evitar “alucinaciones” y asegurar respuestas basadas en datos reales, el flujo sigue estos pasos:

1. Ingesta de Conocimiento (Knowledge Ingestion)

Puedes cargar información en el sistema de dos formas:

• Texto Plano: Enviando el contenido directamente al endpoint /knowledge.
• Documentos PDF: Subiendo archivos al endpoint /knowledge/upload. El sistema extrae automáticamente el texto usando pypdf, genera los embeddings y los guarda en la base de datos.

2. Recuperación y Generación (Retrieval & Generation)

Cuando un usuario hace una pregunta:

1. Vectorización: La pregunta se convierte en un vector de 3072 dimensiones.
2. Búsqueda Semántica: Se realiza una búsqueda en PostgreSQL usando el operador de distancia de coseno (<=>).
3. Aumentación: Los documentos más relevantes se inyectan en el prompt del sistema.
4. Respuesta: Gemini genera el texto final basándose estrictamente en el contexto proporcionado.

Ejemplo: Carga de Documentos (PDF)

El siguiente ejemplo muestra cómo subir una póliza PDF al sistema de conocimiento:

curl -X POST "https://api.yastubo.com/api/v1/ai/knowledge/upload" \
     -H "Authorization: Bearer <TOKEN>" \
     -F "file=@manual_poliza.pdf"

Voice AI: Optimización para Telefonía

Para la integración con sistemas de voz, el módulo expone el método voice_chat. Este método aplica reglas de negocio específicas:

• Concisión: Respuestas de máximo 2 frases.
• Limpieza: Eliminación de markdown y caracteres especiales para una síntesis de voz (TTS) fluida.
• Empatía: Tono profesional pero cercano.

Desarrollo y Pruebas

Pruebas de Humo (Smoke Tests)

Para verificar la conectividad real con Google Gemini y la base de datos vectorial, el proyecto incluye un script de diagnóstico:

PYTHONPATH=. uv run python scripts/smoke_test_rag.py

Este script simula el ciclo completo: genera un PDF temporal, lo sube, lo vectoriza y realiza una pregunta de prueba para validar que la IA recupera el dato exacto.