Las consultas de agregación sobre texto no estructurado son un desafío importante en el campo de la inteligencia artificial. A diferencia de las preguntas y respuestas ordinarias, las consultas de agregación requieren recopilación exhaustiva de evidencia y sistemas capaces de "encontrar todo", no solo "encontrar uno". A pesar de los esfuerzos previos con paradigmas como Text-to-SQL y Retrieval-Augmented Generation, la completitud ha sido un obstáculo.
En este contexto, Q2BSTUDIO se destaca como una empresa especializada en el desarrollo de software a medida, ofreciendo soluciones personalizadas para diversas necesidades empresariales. Con un enfoque en inteligencia artificial y ciberseguridad, Q2BSTUDIO brinda servicios en la nube con AWS y Azure, así como en inteligencia de negocio con herramientas como Power BI.
Para abordar la evaluación de la completitud en las consultas de agregación sobre texto no estructurado, se ha introducido AGGBench, un benchmark diseñado para evaluar este tipo de consultas en grandes corpus de texto de manera realista. En este contexto, destaca el método DFA (Disambiguation--Filtering--Aggregation), que propone un enfoque modular para descomponer la consulta de agregación en etapas interpretables, identificando fallas relacionadas con la ambigüedad, el filtrado y la agregación de datos.
Los resultados empíricos demuestran que DFA mejora de manera consistente la cobertura de evidencia en comparación con otros métodos basados en inteligencia artificial y agentes autónomos. Este enfoque puede ser de gran utilidad en empresas que buscan optimizar sus procesos de extracción y análisis de información no estructurada.
Para saber más sobre cómo Q2BSTUDIO puede ayudarte a implementar soluciones de inteligencia artificial para tu empresa, visita su sitio web aquí.
