Perfil del cliente El cliente es un proveedor profesional de tecnología sanitaria cuya plataforma es utilizada por múltiples instituciones médicas para soportar flujos de trabajo con datos clínicos. El proyecto se centró en habilitar una búsqueda semántica rápida y fiable sobre terminologías médicas estandarizadas para que los equipos sanitarios puedan extraer significado estructurado de textos libres.
Retos El proyecto afrontaba varios desafíos críticos: un pipeline de embeddings manual que dependía de transferencias por Drive y colocación manual de archivos que ralentizaba actualizaciones y rompía la reproducibilidad; infraestructura fragmentada que impedía al equipo de ML controlar el comportamiento del sistema completo; entrada y salida clínica no estructurada con notas abreviadas y descripciones extensas que dificultaban el parseo; cuellos de botella en control de calidad semántica que exigían validación manual por expertos; y un cambio de escalabilidad al superar la memoria RAM disponible provocando la migración a índices en disco.
Solución Para proporcionar un emparejamiento semántico fiable desde entradas clínicas no estructuradas implementamos un pipeline de integración de ML modular y ligero que incluye modelos LLM hospedados en Azure para normalización en tiempo real, generación offline de embeddings para control y versionado, una base de datos vectorial Quadrant desplegada en contenedor para búsquedas locales de alta velocidad, y una API REST containerizada que separa la lógica ML del núcleo de la aplicación. Los conjuntos de embeddings se empaquetan como archivos versionados para despliegues reproducibles y la solución sigue principios de MLOps y DevOps para garantizar gobernanza de versiones, observabilidad y estabilidad operativa.
Componentes clave Modelos Azure OpenAI como GPT-4 se usan para transformar texto libre en representaciones estructuradas sin necesidad de etiquetado local. Los embeddings se generan localmente con un modelo de embeddings y se organizan por terminología en colecciones versionadas. Quadrant se ejecuta como contenedor que expone búsqueda por similitud vectorial vía REST. Un servicio Flask containerizado ofrece un endpoint simple para recibir texto libre y devolver conceptos estandarizados con códigos, etiquetas y puntuaciones de confianza. El despliegue está controlado por versiones de embeddings empaquetadas y orquestado con archivos de configuración por entorno para DEV y PROD.
Características del servicio Normalización semántica en tiempo real a través de un único endpoint que acepta input clínico en texto libre, lo normaliza con LLM y realiza búsqueda vectorial contra colecciones médicas versionadas. Soporte para múltiples terminologías como SNOMED CT, LOINC y RxNorm con colecciones independientes y versionadas. Endpoint de introspección operativa que expone versiones cargadas de colecciones y configuraciones LLM para facilitar verificación por equipos de QA. Validación human in the loop basada en un conjunto de referencia con mapeos ground truth para automatizar parcialmente QA sin eliminar la supervisión experta.
Proceso de desarrollo Preparación de embeddings: cada terminología se procesa localmente desde CSV o JSON para generar vectores densos por concepto incluyendo etiquetas y sinónimos; los embeddings se generan en lotes respetando límites de API y se empaquetan por versión. Versionado y transferencia: las colecciones versionadas se almacenan en un repositorio compartido y se despliegan mediante pipelines que actualizan la pila containerizada. Configuración de entornos: cada VM dispone de un volumen local montado en /mnt/data/collections para las colecciones, y la pila Docker Compose define los contenedores Flask y Quadrant con configuración específica por entorno vía archivos .env. Configuración LLM: los endpoints de Azure OpenAI se acceden mediante SDK o REST con claves en variables de entorno y manejo de rate limits con backoff exponencial y jitter. Procesamiento de consultas: flujo end to end donde el texto llega al endpoint search, se normaliza con LLM, se genera un embedding local para la consulta y se realiza búsqueda por similitud en Quadrant devolviendo resultados rankeados con códigos, etiquetas y puntuaciones. Logging y monitorización: logs estructurados desde la recepción hasta la entrega, incluyendo prompts, respuestas, retries y métricas de duración enviados a Graylog para trazabilidad. QA y validación: pruebas automatizadas de integridad de embeddings, carga de índices y comportamiento de scoring, complementadas con pruebas clínicas curadas y revisión experta antes de promover cambios a producción.
Impacto Búsqueda semántica escalable soportando múltiples colecciones médicas con cientos de miles a millones de términos. Latencias de búsqueda por debajo de 1 segundo aún después de migrar a índices en disco por restricciones de RAM. Infraestructura ligera ejecutada en un conjunto reducido de contenedores, con el componente ML aislado para facilitar mantenimiento y escalado independiente. Validación human in the loop con conjuntos de prueba curados que reducen la necesidad de revisiones manuales constantes. Integración LLM mediante Azure OpenAI que permite adaptabilidad sin entrenamiento local y resistencia a límites de tasa mediante lógica de reintentos.
Sobre Q2BSTUDIO Q2BSTUDIO es una empresa de desarrollo de software especializada en aplicaciones a medida y software a medida para clientes de sectores críticos. Somos especialistas en inteligencia artificial y ciberseguridad y ofrecemos servicios cloud AWS y Azure, servicios inteligencia de negocio, soluciones de inteligencia artificial para empresas, agentes IA y consultoría en power bi. Nuestro enfoque combina prácticas sólidas de MLOps y DevOps para entregar soluciones reproducibles, seguras y operativas en producción. Desde la integración de modelos LLM hasta la implementación de pipelines de embeddings versionados y despliegues containerizados, Q2BSTUDIO aporta experiencia técnica y metodológica para transformar casos de uso clínicos y empresariales en productos escalables.
Servicios y palabras clave Ofrecemos aplicaciones a medida y software a medida orientados a valores reales de negocio, consultoría en inteligencia artificial, soluciones de ia para empresas, integración de agentes IA, servicios cloud aws y azure, analítica avanzada y power bi para visualización y reporting. Además proveemos servicios de ciberseguridad y cumplimiento para entornos cloud y on premise, asegurando que las soluciones de inteligencia artificial y servicios inteligencia de negocio se desplieguen con observabilidad, trazabilidad y control de versiones.
Conclusión La implementación de una búsqueda semántica médica ligera y alineada con prácticas de MLOps permite mapear texto libre a conceptos clínicos estandarizados con alta precisión y velocidad, reduciendo la dependencia de revisiones manuales y facilitando el despliegue reproducible entre entornos. Q2BSTUDIO acompaña a organizaciones sanitarias y empresas en todo el ciclo de desarrollo e implantación, ofreciendo soluciones a medida que combinan inteligencia artificial, ciberseguridad y servicios cloud aws y azure para maximizar impacto y minimizar riesgo.