La IA amplifica el conocimiento
La Inteligencia Artificial no sustituye una buena ingeniería del conocimiento. Su función es ampliar el valor de una base documental previamente preparada y validada.
Área técnica
Ingeniería del conocimiento · Decisiones técnicas · Evolución de producto
Espacio dedicado a documentar el proceso de ingeniería que existe detrás del desarrollo de sistemas inteligentes: los problemas encontrados, las decisiones adoptadas, las soluciones implementadas y el conocimiento adquirido durante cada iteración.
El laboratorio no parte de una tecnología concreta. Parte de preguntas reales y utiliza las herramientas que mejor responden a cada necesidad.
En MedQuery AI consideramos que la Inteligencia Artificial no reemplaza una buena ingeniería del conocimiento; la amplifica.
La calidad de una solución basada en Inteligencia Artificial no depende únicamente del modelo utilizado. Depende de la calidad, coherencia, estructura y trazabilidad de los datos que alimentan el sistema.
Por este motivo, el desarrollo comienza mucho antes de integrar un modelo de lenguaje. Primero se adquiere la documentación, se extrae su contenido, se limpia, se normaliza, se estructura y se valida. Solo entonces puede convertirse en una base de conocimiento fiable.
La IA aporta una capa de valor añadido sobre el gestor documental: permite consultar el conocimiento mediante lenguaje natural, recuperar el contexto adecuado y comunicarlo de forma accesible. Sin una base sólida, las respuestas pueden ser ambiguas, inconcluyentes o no estar respaldadas por la documentación.
Estos principios no nacen como mensajes de marketing. Son conclusiones obtenidas al resolver problemas reales durante el desarrollo de MedQuery AI.
La Inteligencia Artificial no sustituye una buena ingeniería del conocimiento. Su función es ampliar el valor de una base documental previamente preparada y validada.
MedQuery AI sabe lo que sabe y reconoce lo que no sabe. Cuando el contexto recuperado no permite fundamentar una respuesta, el sistema debe indicarlo en lugar de completar la información mediante suposiciones.
Una versión no se considera cerrada hasta que su aprendizaje queda documentado: trabajo realizado, problemas detectados, decisiones, soluciones, limitaciones y siguientes pasos.
Los datos se limpian hasta que el sistema pueda confiar en ellos. La fiabilidad de una respuesta empieza en la calidad de la información que la sustenta.
Ninguna herramienta se incorpora por tendencia. Python, Gradio, embeddings, RAG o TF-IDF son medios que se aceptan, sustituyen o descartan según el problema que resuelvan.
La documentación es un activo del sistema. El objetivo no es eliminar conocimiento, sino organizarlo, conservar su contexto y facilitar su recuperación.
No implementamos por implementar. Cada decisión técnica debe responder a un problema real.
Identificar qué necesita resolver realmente el sistema.
Comprender el impacto, las restricciones y los datos disponibles.
Evaluar diferentes herramientas y enfoques posibles.
Seleccionar la solución que mejor responde al problema actual.
Construir únicamente lo necesario para validar la decisión.
Comprobar si la solución resuelve el problema esperado.
Registrar el resultado, los límites y el conocimiento adquirido.
El núcleo del proyecto no es el modelo de lenguaje, sino la calidad de la base de conocimiento que permite utilizarlo con coherencia.
MedQuery AI transforma documentación técnica y sanitaria en conocimiento consultable. El sistema procesa los documentos, limpia su contenido, conserva el contexto relevante y prepara la información para su posterior recuperación.
Sobre esta base documental se incorpora una capa de Inteligencia Artificial que permite formular preguntas en lenguaje natural y acceder a la información de una forma más directa.
La versión Lite permite validar la interfaz, el flujo de consulta y la presentación del producto sin incorporar prematuramente toda la complejidad prevista para la solución completa.
Su función es demostrar el concepto, facilitar la comunicación del proyecto y disponer de una base desplegable sobre la que integrar posteriormente la recuperación documental completa, la persistencia, los modelos locales y nuevas fuentes de datos.
Formato documental actualmente utilizado para validar la extracción, limpieza, normalización y preparación de contenido narrativo.
Fuentes documentales que comparten la misma lógica general de procesamiento, aunque requieren lectores y controles adaptados a cada formato.
Las hojas de cálculo requieren un pipeline independiente. Su significado depende de filas, columnas, encabezados, tipos de datos, relaciones y posibles hojas vinculadas.
No deben tratarse como texto continuo. Su integración exige diseñar desde cero una estrategia capaz de conservar la estructura tabular y convertirla en conocimiento consultable sin perder su contexto.
Versión demostrativa orientada a presentar la interfaz y el flujo inicial de consulta mientras continúa la evolución del gestor documental.
Entorno demostrativo. No sustituye el criterio clínico ni la validación profesional.
Abrir MedQuery AI LiteEsta primera versión establece la filosofía, los principios y el estado actual del proyecto. Las siguientes iteraciones incorporarán contenido procedente de las memorias técnicas generadas durante el desarrollo.