Year: 2026
Type: dissertation
Abstract: Este trabajo de fin de máster presenta el diseño, la implementación y la evaluación de BN Assistant, un marco de agentic RAG para la exploración de literatura científica sobre redes bayesianas. El crecimiento exponencial de las publicaciones académicas ha hecho que la recuperación y la síntesis efectiva del conocimiento sean cada vez más complejas, especialmente en campos especializados caracterizados por estructuras formales y dependencias complejas. Aunque los LLMs ofrecen potentes capacidades generativas, presentan limitaciones como las alucinaciones y la falta de trazabilidad. Para hacer frente a estos retos, este trabajo propone una arquitectura basada en agentes que amplía los sistemas RAG tradicionales mediante la incorporación de orquestación sensible a la intención, selección dinámica de herramientas y representaciones híbridas del conocimiento. El sistema integra recuperación mediante vectores densos con consultas sobre metadatos estructurados a través de text-to-SQL, lo que permite tanto la comprensión semántica como una trazabilidad bibliográfica precisa. Asimismo, se desarrolla una canalización modular para la ingesta, el preprocesamiento, la segmentación y la generación de embeddings de documentos, con el objetivo de preservar los matices estructurales de la literatura sobre redes bayesianas. El marco resultante, BN Assistant, se evalúa mediante una metodología en varias fases que analiza la precisión de la recuperación, la calidad de la generación, el control de alucinaciones y la toma de decisiones agéntica. Los resultados experimentales demuestran que el enfoque autónomo mejora tanto la fiabilidad como la interpretabilidad de las respuestas generadas a partir de literatura sobre redes bayesianas. En definitiva, este trabajo contribuye al desarrollo de sistemas de inteligencia artificial fiables para la síntesis de conocimiento científico, haciendo hincapié en la verificabilidad, las rutas de recuperación trazables y el razonamiento específico del dominio. --ABSTRACT-- This master’s thesis presents the design, implementation, and evaluation of BN Assistant, an agentic retrieval-augmented generation (RAG) framework for exploring Bayesian network (BN) literature. The exponential growth of academic publications has made effective knowledge retrieval and synthesis increasingly challenging, particularly in specialized fields characterized by formal structure and complex dependencies. While large language models (LLMs) offer powerful generative capabilities, they suffer from limitations such as hallucinations and lack of traceability. To address these challenges, this work proposes an agent-based architecture that extends traditional RAG systems by incorporating intent-aware orchestration, dynamic tool selection, and hybrid knowledge representations. The system integrates dense vector retrieval with structured metadata querying through text-to-SQL, enabling both semantic understanding and precise bibliographic traceability. A modular pipeline for document ingestion, preprocessing, chunking, and embedding generation is developed to preserve the structural nuances of BN literature. The resulting framework, BN Assistant, is evaluated through a multi-stage methodology assessing retrieval accuracy, generation quality, hallucination control, and agentic decision-making. The experimental results demonstrate that the autonomous approach improves both the reliability and interpretability of responses generated from BN literature. Ultimately, this work contributes to the development of trustworthy artificial intelligence (AI) systems for scientific knowledge synthesis by emphasizing verifiability, traceable retrieval paths, and domain-specific reasoning.
Author: Raposo Pozuelo, Adrián
Language: English
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7213568936