Aplicaciones de la inteligencia artificial en el diseño de redes

Abstract

Este proyecto explora el uso de un copiloto basado en Retrieval-Augmented Generation (RAG) para acelerar las fases más repetitivas del diseño de redes: desde la escritura de comandos y la asignación de puertos hasta la búsqueda de ejemplos y referenciación a documentación. Para ello se montó un entorno completamente local, combinando un modelo básico de Llama para embeddings y retrieving con otro algo más complejo para generación de respuestas, alimentado con un corpus de 48 fichas Markdown que reúnen guías IOS, RFCs y buenas prácticas.

La maqueta de prueba consiste en una topología de tipo empresarial que incorpora, entre otros, VLAN, router-on-a-stick, loopbacks, OSPF y ACL, diseñada en Cisco Packet Tracer para cubrir una variedad de requisitos técnicos. El flujo de trabajo se dividió en tres etapas claramente separadas: generación de plantilla CLI por la RAG, revisión manual de forma y coherencia y simulación con un banco de dieciséis pruebas que abarca conectividad, enrutamiento, sintaxis, filtrado y coherencia. Cada bloque generado por el modelo incluye un enlace a su fuente, garantizando trazabilidad y facilitando auditorías posteriores.

Los resultados fueron contundentes: la versión asistida por RAG alcanzó un 63% de cobertura funcional en la primera ejecución, con 92% de exactitud sintáctica, y redujo el tiempo de diseño en un 40% respecto al método tradicional. Los errores se limitaron a valores de contexto, prompting o a penalizaciones de extensión, todos fácilmente subsanables.

En conclusión, una RAG ligera ejecutada en local ya libera horas de trabajo y mejora la disciplina documental sin sacrificar el control humano. Los límites actuales pueden superarse inyectando variables de entorno y añadiendo comprobadores automáticos. Como próximos pasos se plantea ampliar el corpus a otros fabricantes, entrenar modelos multimodales que interpreten diagramas y conectar la RAG a pipelines CI/CD para un diseño verdaderamente orientado a la intención.

This project investigates the use of a Retrieval-Augmented Generation (RAG) co-pilot to accelerate the most repetitive stages of network design, from writing CLI commands and assigning ports to example lookup and documentation referencing. To evaluate this, a fully on-premise environment was assembled, pairing a lightweight Llama model for embeddings and retrieval with a more capable variant for response generation, all fed by a corpus of 48 Markdown sheets compiling IOS guides, RFCs, and best practices.

The proof-of-concept topology is an enterprise-style network which includes VLANs, router-on-a-stick, loopbacks, OSPF, and ACLs, built in Cisco Packet Tracer to exercise a diverse set of technical requirements. The workflow was split into three distinct phases: RAG-driven CLI template generation, manual review for form and coherence, and simulation against a sixteen-test suite covering connectivity, routing, syntax, filtering, and consistency. Each model-generated block embeds a link to its source, ensuring full traceability and simplifying later audits.

Results were decisive: the RAG-assisted design achieved 63% functional coverage on the first run with 92% syntactic accuracy and cut design time by 40% compared to the traditional method. Errors were confined to context-dependent values, prompt or retrieval nuances, or token-length limits, all easily corrected.

In summary, a lightweight, locally deployed RAG already saves hours of work and enhances documentation discipline without sacrificing human oversight. Current limitations can be addressed by injecting environment variables and adding automated validators. Future work includes expanding the corpus to additional vendors, training multimodal models to interpret network diagrams, and integrating RAG into CI/CD pipelines for truly intent-driven design.