Desarrollo de un agente inteligente basado en Grafos de Conocimiento y arquitectura RAG para el descubrimiento de datos estructurados bajo restricciones de soberanía de los mismos

Abstract

La creciente disponibilidad de modelos de lenguaje abre nuevas posibilidades para democratizar el acceso al dato industrial, pero su aplicación directa sobre sistemas legacy resulta limitada por la opacidad de los catálogos, la complejidad de las relaciones y el riesgo de generar consultas técnicamente plausibles pero incorrectas. Este Trabajo Fin de Máster diseña, implementa y evalúa Ariadne, un agente conversacional industrial capaz de interpretar preguntas en lenguaje natural, recuperar conocimiento estructural y relacional, generar consultas T-SQL y producir explicaciones y análisis fundamentados. Ariadne se apoya en la capa semántica construida por Aletheia (sistema aguas arriba) y combina recuperación vectorial (RAG) y navegación sobre grafos en Amazon Neptune (GraphRAG) para localizar tablas, columnas, relaciones y restricciones relevantes. El sistema prioriza la trazabilidad, la separación entre razonamiento probabilístico y controles verificables, y la generación de respuestas acompañadas de referencias a las fuentes utilizadas. La validación se realiza sobre 230 conversaciones y 818 interacciones totales, de las cuales 370 fueron evaluadas mediante un juez basado en modelos de lenguaje. Los resultados alcanzan un 97 % de relevancia, un 88 % de fidelidad al contexto, un 88 % de corrección técnica y un 81 % de transparencia. AXON completa el ecosistema mediante un mecanismo de mejora continua que transforma el feedback negativo en propuestas revisables y consolidables sobre la base de conocimiento mediante una arquitectura multiagente. El trabajo demuestra que una interfaz conversacional industrial puede ofrecer utilidad operativa real cuando se apoya en conocimiento gobernado, recuperación relacional, supervisión humana y mecanismos explícitos de mantenimiento y evaluación.The growing availability of large language models creates new opportunities to democratise access to industrial data. However, their direct application to legacy systems is constrained by opaque catalogues, complex relational structures and the risk of generating technically plausible but incorrect queries. This Master’s Thesis designs, implements and evaluates Ariadne, an industrial conversational agent able to interpret natural-language questions, retrieve structural and relational knowledge, generate T-SQL queries, and produce grounded explanations and technical analyses. Ariadne relies on the semantic layer built by Aletheia (upstream system) and combines vector retrieval (RAG) and graph navigation in Amazon Neptune (GraphRAG) to identify relevant tables, columns, relationships and operational constraints. The system prioritises traceability, the separation between probabilistic reasoning and verifiable controls, and the generation of responses linked to the evidence used. Validation was conducted over 230 conversations and 818 total interactions, of which 370 were assessed through a language-model-based judge. The results reached 97% answer relevance, 88% faithfulness to context, 88% technical correctness and 81% transparency. AXON complements the ecosystem through a continuous-improvement mechanism that transforms negative user feedback into reviewable and deployable corrections to the knowledge base via a multi agent architecture. The work shows that an industrial conversational interface can provide real operational value when it is supported by governed knowledge, relational retrieval, human supervision and explicit maintenance and evaluation mechanisms. Ariadne therefore represents an exploitation layer capable of turning industrial semantic knowledge into accessible, traceable and reusable analytical actions.