<\/p>\n
Qu\u00e9 hicimos<\/h2>\n
Desarrollamos una aplicaci\u00f3n que permite a cualquier persona de la organizaci\u00f3n consultar datos de forma sencilla y aut\u00f3noma. El proceso comienza con la selecci\u00f3n de la tabla sobre la que se desea hacer una consulta.<\/p>\n
A continuaci\u00f3n, la persona debe elegir si desea realizar la consulta en SQL o a trav\u00e9s de una herramienta interna del cliente que opera como una API REST, la cual utiliza una sintaxis espec\u00edfica para construir queries<\/em> y acceder a los datos. Luego, se selecciona el modelo de lenguaje (LLM) encargado de transformar la pregunta en lenguaje natural en una consulta estructurada. Entre las opciones disponibles se incluyen modelos como GPT-3.5 Turbo, GPT-4o, Gemini Pro o Claude 2.<\/strong><\/p>\n Despu\u00e9s, la persona redacta la pregunta en lenguaje natural (por ejemplo: \u201c\u00bfD\u00f3nde trabaja Sof\u00eda Mart\u00ednez Delgado?\u201d).<\/p>\n Una vez completada esta configuraci\u00f3n, se activan distintos procesos en el backend. En primer lugar, se recupera desde un vectorstore<\/em> toda la informaci\u00f3n contextual relacionada con la tabla seleccionada (nombres y descripciones de tablas y columnas, tipos de datos, etc.). Con esta informaci\u00f3n, y teniendo en cuenta la herramienta y el modelo seleccionados, se lanza una llamada a una API (FastAPI) que integra los LLM disponibles.<\/p>\n El modelo recibe un prompt<\/em> completo que incluye:<\/p>\n La pregunta en lenguaje natural<\/p>\n<\/li>\n La informaci\u00f3n t\u00e9cnica de la tabla<\/p>\n<\/li>\n La documentaci\u00f3n b\u00e1sica de la herramienta seleccionada<\/p>\n<\/li>\n Las instrucciones sobre la tarea a realizar<\/p>\n<\/li>\n<\/ul>\n El modelo devuelve la consulta ya generada, ya sea en formato SQL o en JSON, seg\u00fan la herramienta escogida.<\/p>\n Antes de ejecutar la consulta, la persona puede revisar y, si lo desea, modificar la query<\/em> generada. Una vez validada, se lanza el proceso de consulta a la base de datos mediante una petici\u00f3n API.<\/p>\n Finalmente, la informaci\u00f3n solicitada se muestra en pantalla como respuesta a la consulta realizada.<\/p>\n <\/p>\n Durante el desarrollo del proyecto, uno de los principales retos fue la baja calidad de los datos<\/strong> y la escasa documentaci\u00f3n de las tablas y vistas<\/strong>, elementos fundamentales para que el modelo de lenguaje (LLM) pudiera construir correctamente las consultas.<\/p>\n Nos encontramos con la ausencia de un est\u00e1ndar claro en los datos. Por ejemplo, en algunas tablas, los valores de las columnas de tipo string<\/em> pod\u00edan aparecer en may\u00fasculas, min\u00fasculas, con o sin tildes, e incluso con nombres propios incompletos o inconsistentes. Esto generaba un problema importante: aunque el modelo generara correctamente la estructura de la consulta, si los valores utilizados para filtrar no coincid\u00edan exactamente con los existentes en la base de datos, la API no devolv\u00eda ning\u00fan resultado.<\/p>\n Para mitigar esta situaci\u00f3n, implementamos distintas estrategias.<\/p>\n Probamos a enriquecer el prompt<\/em> del modelo incluyendo, junto a la descripci\u00f3n de la tabla, una muestra de valores t\u00edpicos por columna (data profiling<\/em>). Esto ayudaba al LLM a entender mejor c\u00f3mo estaban representados los datos reales. Sin embargo, esta aproximaci\u00f3n ten\u00eda una limitaci\u00f3n importante: el aumento considerable en el n\u00famero de tokens, lo cual impactaba en los costes y en la compatibilidad con ciertos modelos.<\/p>\n Para evitar el problema del l\u00edmite de tokens, dise\u00f1amos una soluci\u00f3n basada en la generaci\u00f3n de filtros m\u00e1s tolerantes mediante expresiones regulares (regexp<\/em>), que permitieran ignorar diferencias en may\u00fasculas, min\u00fasculas y tildes. Por ejemplo:<\/p>\n \n Esta expresi\u00f3n permite recuperar registros con variaciones ortogr\u00e1ficas<\/strong> o de capitalizaci\u00f3n en el valor \u201cSof\u00eda\u201d, aumentando as\u00ed la robustez de la consulta.<\/p>\n No obstante, esta soluci\u00f3n tambi\u00e9n presentaba retos: la complejidad de las expresiones hac\u00eda que los prompts<\/em> exigieran una precisi\u00f3n muy alta por parte del modelo. Tuvimos que invertir tiempo en ajustar las instrucciones y entrenar bien los prompts<\/em> para lograr que el modelo generara queries<\/em> eficaces de forma consistente.<\/p>\n Finalmente, tras varias iteraciones, logramos alcanzar una tasa de accuracy<\/em> satisfactoria, donde en la mayor\u00eda de los casos el modelo generaba consultas v\u00e1lidas y efectivas, incluso en contextos con datos inconsistentes o escasamente documentados.<\/p>\n <\/p>\n <\/p>\n <\/p>\n La capacidad de convertir preguntas en lenguaje natural en instrucciones SQL o llamadas a APIs REST representa un cambio significativo en la forma en que las organizaciones acceden y gestionan sus datos. Esta soluci\u00f3n elimina barreras t\u00e9cnicas, permitiendo que perfiles no t\u00e9cnicos interact\u00faen de forma aut\u00f3noma con la informaci\u00f3n.<\/p>\n Gracias a esta herramienta, las empresas pueden agilizar sus procesos, reducir la dependencia de equipos especializados para tareas repetitivas y fomentar un entorno m\u00e1s colaborativo y orientado a datos. En un contexto empresarial cada vez m\u00e1s competitivo, disponer de un acceso \u00e1gil y fiable a la informaci\u00f3n se traduce en mejores decisiones y mayor eficiencia operativa.<\/p>\n <\/p>\n \u00bfQuieres aprovechar el poder de los LLMs\u00a0para afrontar tus retos de democratizaci\u00f3n de la informaci\u00f3n en tu empresa? Contamos con un equipo experto en IA Generativa y Data<\/strong><\/a>\u00a0que han desarrollado\u00a0GenIA Ecosystem<\/strong>, un ecosistema de soluciones propias de IA para afrontar cualquier desaf\u00edo. \u00a1Cu\u00e9ntanos tu proyecto!<\/p>\n![\"\"](\"https:\/\/www.hiberus.com\/crecemos-contigo\/wp-content\/uploads\/2025\/06\/AI-SQL-soluciones.png\")
<\/p>\n\n
![\"\"](\"https:\/\/www.hiberus.com\/crecemos-contigo\/wp-content\/uploads\/2025\/06\/sql-IA-image.png\")
<\/p>\nRetos<\/h2>\n
Estrategia 1: ejemplo de valores (data profiling)<\/h3>\n
Estrategia 2: normalizaci\u00f3n con expresiones regulares<\/h3>\n
nombreCompleto REGEXP '.*[Ss][Oo\u00d3\u00f3][Ff][Ii\u00cd\u00ed][Aa\u00c1\u00e1].*'<\/span><\/code><\/div>\n<\/div>\n<\/div>\n<\/div>\nBeneficios obtenidos<\/h2>\n
\n
![\"\"](\"https:\/\/www.hiberus.com\/crecemos-contigo\/wp-content\/uploads\/2025\/06\/sql-IA-image3.png\")
<\/p>\nResultados del proyecto<\/h2>\n
Rendimiento del modelo<\/h3>\n
\n
Rendimiento t\u00e9cnico<\/h3>\n
\n
Experiencia de uso<\/h3>\n
\n
Desempe\u00f1o operativo<\/h3>\n
\n
Testing y evoluci\u00f3n<\/h3>\n
\n
![\"behind](\"https:\/\/www.hiberus.com\/crecemos-contigo\/wp-content\/uploads\/2023\/06\/banner-horizontal-1024x349.jpg\")
<\/a><\/p>\n