IA Multimodal para Diagnóstico Industrial
Budget: €2 – €3 EUR
INGENIERO SENIOR DE IA: SISTEMA RAG MULTIMODAL ON-PREMISE CON APRENDIZAJE CONTINUO
1. CONTEXTO Y DESAFÍO REAL
proyecto del sector de la trefilería y el galvanizado con más de 40 líneas de producción activas. desafío no es la falta de información, sino que el conocimiento crítico es volátil: reside en la experiencia de supervisores y operarios veteranos y se transmite de forma verbal. Cuando surge una solución técnica en planta, esta no se documenta y se pierde para el siguiente turno.
Buscamos desarrollar un ecosistema de IA que no solo responda preguntas, sino que capture y democratice el conocimiento técnico que surge en el día a día.
2. LA SOLUCIÓN: "THE KNOWLEDGE LOOP"
Buscamos una plataforma que gestione un ciclo de aprendizaje activo:
Consulta Multimodal: El operario consulta vía texto, audio (notas de voz), foto o vídeo corto de la incidencia.
RAG Híbrido: El sistema busca en la base de conocimiento interna (manuales, vídeos previos). Si no hay respuesta, actúa como un Agente de Búsqueda en internet (manuales estándar, foros técnicos) traduciendo la información al español.
Escalado Humano: Si la IA no conoce la solución, notifica a los supervisores.
Aprendizaje Activo: 1-2 días después de una consulta sin respuesta, el sistema envía un recordatorio no invasivo al operario: "¿Se resolvió el problema? ¿Cómo lo hiciste?".
Captura e Indexación: El sistema captura la solución (multimodal), la procesa y la pone en "validación pendiente" para el supervisor antes de hacerla oficial.
3. REQUISITOS TÉCNICOS CRÍTICOS (NO NEGOCIABLES)
Operación 100% On-Premise: Por seguridad industrial y fiabilidad 24/7, el sistema debe residir en un servidor local dentro de nuestra red. No debe depender de APIs externas para su funcionamiento core.
Procesamiento Multimodal Local: Uso de modelos locales de lenguaje (Llama 3.x), visión (LLaVA/Moondream) y audio (Whisper local).
Framework de Conectores Extensible: Arquitectura modular para extraer datos de otros sistemas internos (ERP, SCADA, webs de proveedores) mediante APIs o Web Scraping (Playwright/Selenium).
Interfaz PWA: Optimizada para Tablets y Móviles en entorno industrial (botones grandes, uso con guantes, robustez ante ruido).
4. ENTREGABLES Y PROPIEDAD
Software Completo: Backend (Motor IA + RAG), Frontend (Operarios + Panel Supervisor) y Sistema de Notificaciones.
Propiedad Intelectual: El 100% del código fuente, pesos de los modelos ajustados y configuraciones serán propiedad exclusiva de la empresa.
Documentación Exhaustiva: Al no disponer de personal técnico interno permanente, la documentación debe permitir que otro desarrollador mantenga y extienda el sistema (incluyendo vídeos/screencasts de "cómo añadir un conector" o "actualizar modelos").
Asesoramiento de Hardware: Recomendación de configuración de servidor local (GPU, RAM) optimizada para este proyecto.
5. REQUISITOS DEL CANDIDATO
Experiencia demostrable en despliegues On-Premise de LLMs y arquitecturas RAG.
Dominio de LangChain, LangGraph o LlamaIndex para la gestión de estados y agentes.
Capacidad de crear sistemas de scraping robustos para plataformas sin API.
Compromiso con la transferencia de conocimiento y el código limpio.
1. CONTEXTO Y DESAFÍO REAL
proyecto del sector de la trefilería y el galvanizado con más de 40 líneas de producción activas. desafío no es la falta de información, sino que el conocimiento crítico es volátil: reside en la experiencia de supervisores y operarios veteranos y se transmite de forma verbal. Cuando surge una solución técnica en planta, esta no se documenta y se pierde para el siguiente turno.
Buscamos desarrollar un ecosistema de IA que no solo responda preguntas, sino que capture y democratice el conocimiento técnico que surge en el día a día.
2. LA SOLUCIÓN: "THE KNOWLEDGE LOOP"
Buscamos una plataforma que gestione un ciclo de aprendizaje activo:
Consulta Multimodal: El operario consulta vía texto, audio (notas de voz), foto o vídeo corto de la incidencia.
RAG Híbrido: El sistema busca en la base de conocimiento interna (manuales, vídeos previos). Si no hay respuesta, actúa como un Agente de Búsqueda en internet (manuales estándar, foros técnicos) traduciendo la información al español.
Escalado Humano: Si la IA no conoce la solución, notifica a los supervisores.
Aprendizaje Activo: 1-2 días después de una consulta sin respuesta, el sistema envía un recordatorio no invasivo al operario: "¿Se resolvió el problema? ¿Cómo lo hiciste?".
Captura e Indexación: El sistema captura la solución (multimodal), la procesa y la pone en "validación pendiente" para el supervisor antes de hacerla oficial.
3. REQUISITOS TÉCNICOS CRÍTICOS (NO NEGOCIABLES)
Operación 100% On-Premise: Por seguridad industrial y fiabilidad 24/7, el sistema debe residir en un servidor local dentro de nuestra red. No debe depender de APIs externas para su funcionamiento core.
Procesamiento Multimodal Local: Uso de modelos locales de lenguaje (Llama 3.x), visión (LLaVA/Moondream) y audio (Whisper local).
Framework de Conectores Extensible: Arquitectura modular para extraer datos de otros sistemas internos (ERP, SCADA, webs de proveedores) mediante APIs o Web Scraping (Playwright/Selenium).
Interfaz PWA: Optimizada para Tablets y Móviles en entorno industrial (botones grandes, uso con guantes, robustez ante ruido).
4. ENTREGABLES Y PROPIEDAD
Software Completo: Backend (Motor IA + RAG), Frontend (Operarios + Panel Supervisor) y Sistema de Notificaciones.
Propiedad Intelectual: El 100% del código fuente, pesos de los modelos ajustados y configuraciones serán propiedad exclusiva de la empresa.
Documentación Exhaustiva: Al no disponer de personal técnico interno permanente, la documentación debe permitir que otro desarrollador mantenga y extienda el sistema (incluyendo vídeos/screencasts de "cómo añadir un conector" o "actualizar modelos").
Asesoramiento de Hardware: Recomendación de configuración de servidor local (GPU, RAM) optimizada para este proyecto.
5. REQUISITOS DEL CANDIDATO
Experiencia demostrable en despliegues On-Premise de LLMs y arquitecturas RAG.
Dominio de LangChain, LangGraph o LlamaIndex para la gestión de estados y agentes.
Capacidad de crear sistemas de scraping robustos para plataformas sin API.
Compromiso con la transferencia de conocimiento y el código limpio.