Campoverde Molina, Milton AlfredoEncalada Arévalo, Carla Andrea2026-02-192026-02-192026Encalada Arévalo, C. (2026). Asistente inteligente para consulta asistida por IA y recuperación de información en documentos PDF académicos. [Trabajo de titulación]. Universidad Católica de Cuenca.7B-2026-SW-02https://dspace.ucacue.edu.ec/handle/ucacue/21501El objetivo del trabajo fue desarrollar y verificar localmente un asistente inteligente para consultar documentos académicos de un repositorio de la Universidad Católica de Cuenca. En este contexto, el problema consiste en que los archivos extensos dificultan la localización rápida y precisa de información cuando se depende únicamente de la búsqueda tradicional por palabras clave. Para lo cual, implementamos un prototipo que convierte el contenido en representaciones vectoriales, búsqueda semántica con la biblioteca Facebook AI Similarity Search (FAISS) y respuestas en ejecución local con Ollama. El prototipo tiene una arquitectura cliente–servidor, integra la carga de documentos, segmentación por fragmentos, recuperación semántica y persistencia del historial mediante generación aumentada con recuperación (Retrieval Augmented Generation, RAG). Además, el prototipo incorpora la referencia del documento analizado e indica con claridad cuando no existe evidencia suficiente para responder. La metodología utilizada fue Scrum y realizamos pruebas de extremo a extremo en carga individual y por carpeta. También, aplicamos una encuesta de percepción a cuatro participantes para valorar facilidad, claridad, utilidad y experiencia de usuario. En cuanto a los resultados de rendimiento, se obtuvo que la versión actual del prototipo aumenta el tiempo de ingesta e indexación de documentos frente a la versión inicial. Esto se debe a que la segunda versión genera más embeddings, pero mejora la recuperación de evidencias y la calidad de respuesta. Se concluye que un asistente documental inteligente optimiza el proceso de consulta al reducir los tiempos de búsqueda y eliminar la dependencia de servicios externos.The objective of this work was to develop and locally verify an intelligent assistant to query academic documents from a repository of the Catholic University of Cuenca. In this context, the problem is that lengthy documents make it difficult to quickly and accurately locate information when relying solely on traditional keyword search. To address this, we implemented a prototype that converts content into vector representations, performs semantic search using the Facebook AI Similarity Search (FAISS) library, and generates locally executed responses with Ollama. The prototype has a client-server architecture and integrates document loading, text chunking, semantic retrieval, and history persistence through Retrieval Augmented Generation (RAG). Additionally, the prototype incorporates references to the analyzed document and clearly indicates when there is insufficient evidence to answer. The methodology used was Scrum, and we conducted end-to-end tests on single-file and batch loading. We also applied a perception survey to four participants to assess ease of use, clarity, usefulness, and user experience. Regarding performance results, the current version of the prototype increases document ingestion and indexing time compared to the initial version. This is because the second version generates more embeddings but improves evidence retrieval and response quality. It is concluded that an intelligent document assistant optimizes the query process by reducing search times and eliminating dependence on external services.application/pdf10 páginasspainfo:eu-repo/semantics/openAccessAtribución 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/deed.esASISTENTE INTELIGENTEEMBEDDINGSFAISSOLLAMARAGinfo:eu-repo/semantics/article