Resumen y Agradecimientos
Agradecimientos
Quisiera expresar mi agradecimiento a todas las personas que han hecho posible este trabajo.
En primer lugar, al equipo de Xabet, por haberme dado la oportunidad de desarrollar este proyecto en un entorno profesional real y por confiarme una responsabilidad técnica que ha supuesto un reto y un aprendizaje constante. En especial, a Samuel y a Unai, cuya disponibilidad, criterio técnico y acompañamiento a lo largo de todo el proceso han sido fundamentales para orientar las decisiones más importantes del proyecto.
También quiero agradecer a Aimar y a Asier, compañeros durante las prácticas, el haber compartido este proceso desde el principio. Trabajar junto a ellos ha hecho que los momentos de mayor dificultad técnica fueran también los más enriquecedores.
Resumen
Este Trabajo de Fin de Grado (TFG) aborda la industrialización de un sistema de inteligencia artificial conversacional con capacidades de Recuperación Aumentada por Generación (RAG), integrado en la plataforma empresarial DWall de Xabet.
Partiendo de un prototipo desarrollado durante el periodo de prácticas, el proyecto replantea sus fundamentos técnicos para convertirlo en una solución robusta, escalable y mantenible: migración del almacenamiento vectorial a PostgreSQL, diseño de una arquitectura de agentes con routing inteligente, integración modular de herramientas externas bajo el protocolo MCP, automatización del pipeline documental de SharePoint, optimización del agente RAG basado en MCP ya existente, y las tareas de desarrollo software puro dentro del contexto de la empresa, tanto en frontend (Vue.js) como backend (arquitectura hexagonal basada en eventos usando Spring Boot).
El objetivo es desarrollar un sistema capaz de responder en lenguaje natural a consultas sobre el conocimiento operacional de la organización, sin depender de infraestructuras externas ni exponer datos corporativos a terceros.
Objetivos de desarrollo sostenible
Aunque el sistema ha sido diseñado con una arquitectura multi-cliente que permitirá en el futuro adaptarse a distintos contextos de conocimiento, el desarrollo del TFG se realizará sobre datos reales de instalaciones de generación de energía renovable. La empresa Xabet opera la plataforma DWall en plantas industriales del sector eólico, donde gestiona miles de señales de planta: mediciones de aerogeneradores, datos SCADA de producción, parámetros de mantenimiento predictivo y variables de control de proceso. Estas señales, junto con los documentos técnicos asociados en SharePoint, constituyen el corpus de conocimiento sobre el que se desarrollará y validará el sistema RAG.
Sobre este marco operativo, el TFG se vincula con dos Objetivos de Desarrollo Sostenible de la Agenda 2030 — incluidos en el compromiso institucional EHUagenda 2030 de la UPV/EHU — con un anclaje identificable en decisiones técnicas concretas del proyecto, no únicamente en el enunciado general de cada objetivo.
La aportación al ODS 7 — energía asequible y no contaminante — no se efectúa mediante generación de energía, sino mediante la optimización de los activos renovables que ya la producen, lo que conecta con las metas de aumento de la proporción de energía renovable y mejora de la eficiencia energética. Por un lado, cada hora que una turbina permanece parada por una incidencia no resuelta es energía limpia que el parque deja de aportar a la red; un sistema que permita al operario de planta consultar en lenguaje natural el manual del fabricante, recuperar precedentes de un código de fallo SCADA o localizar el procedimiento asociado a una alarma reduce directamente el tiempo medio de diagnóstico y, con ello, el downtime acumulado del activo. Por otro lado, esa misma capacidad conversacional sobre el corpus de señales y documentación técnica habilita un análisis del rendimiento operativo de los propios aerogeneradores —comparativas entre máquinas, detección de desviaciones respecto a la curva teórica de producción, identificación de patrones recurrentes de incidencia— sin requerir personal especializado en herramientas analíticas. Ambos efectos convergen en un mayor factor de capacidad del parque sin necesidad de instalar nueva potencia: la misma infraestructura eólica produce más kWh limpios efectivos, lo que constituye una contribución empírica —aunque indirecta— a la eficiencia energética del sector.
La aportación al ODS 9 — industria, innovación e infraestructura — se materializa en la propia transformación del prototipo en una infraestructura digital escalable, en línea con las metas de modernización de la infraestructura industrial y mejora de las capacidades tecnológicas del sector productivo. La migración a un almacenamiento vectorial nativo en PostgreSQL (capítulo BDV) y la incorporación del protocolo MCP como capa de extensión modular (capítulo EMCP) convierten un sistema monolocal en una plataforma reutilizable por varias plantas industriales con aislamiento de datos por cliente y abierta a herramientas externas bajo un estándar interoperable. En el contexto del sector eólico, este sistema acerca capacidades de IA generativa —hasta ahora reservadas a grandes corporaciones con equipos propios de machine learning— a operadores industriales medianos del País Vasco, contribuyendo al fortalecimiento del tejido industrial regional con tecnología desarrollada localmente.