Producto

Proyecto de Investigación Multiagente: Descubrimiento de Papers con IA

Un asistente de investigación innovador que usa aprendizaje por refuerzo para descubrir artículos académicos de manera inteligente, proporcionando retroalimentación visual y resúmenes en video explicables. Desarrollado para la competencia Hack Nation MIT.

activo Products
Multi-AgenteRLInvestigaciónIAExplicabilidad
English | Español

Características Principales

Visión General

El Proyecto de Investigación Multiagente es un asistente de investigación avanzado impulsado por IA diseñado para revolucionar la forma en que los investigadores descubren y comprenden la literatura académica. Construido para la prestigiosa competencia Hack Nation MIT, este sistema combina aprendizaje por refuerzo, arquitecturas multi-agente e IA explicable para crear una plataforma inteligente de descubrimiento y resumen de papers.

Los procesos tradicionales de revisión bibliográfica consumen mucho tiempo y a menudo son abrumadores debido al crecimiento exponencial de las publicaciones académicas. Nuestra solución aborda este desafío desplegando múltiples agentes de IA especializados que colaboran para:

Motivación

Los investigadores enfrentan varios desafíos críticos en la academia moderna:

  1. Sobrecarga de Información: Miles de papers publicados diariamente en múltiples dominios
  2. Restricciones de Tiempo: La revisión bibliográfica manual consume tiempo significativo de investigación
  3. Barreras de Comprensión: Papers complejos requieren conocimiento previo extenso
  4. Filtrado de Relevancia: Dificultad para identificar trabajo verdaderamente relevante en vastas bases de datos

Nuestro sistema multi-agente aborda estos problemas a través de:

Arquitectura del Sistema

Marco Multi-Agente

El sistema emplea varios agentes especializados:

1. Agente de Búsqueda (basado en RL)

2. Agente de Análisis

3. Agente de Visualización

4. Agente de Generación de Video

Pipeline de Aprendizaje por Refuerzo

Nuestro enfoque RL aprende a:

  1. Formulación de Consultas: Crear consultas de búsqueda efectivas
  2. Ranking de Papers: Priorizar papers por relevancia e impacto
  3. Exploración vs. Explotación: Balancear encontrar nuevas áreas vs. profundización
  4. Aprendizaje de Preferencias de Usuario: Adaptarse a estilos de investigación individuales

Características de Explicabilidad

Aspectos clave de nuestra implementación de IA explicable:

Implementación Técnica

Tecnologías Core

# Ejemplo: Selección de papers basada en RL
import gymnasium as gym
from stable_baselines3 import PPO

class PaperSearchEnv(gym.Env):
    """
    Entorno personalizado para agente RL de descubrimiento de papers
    """
    def __init__(self, user_profile, paper_database):
        self.user_profile = user_profile
        self.papers = paper_database
        
        # Definir espacio de acciones (estrategias de búsqueda)
        self.action_space = gym.spaces.Discrete(10)
        
        # Definir espacio de observación (características de papers)
        self.observation_space = gym.spaces.Box(
            low=0, high=1, shape=(256,), dtype=np.float32
        )
    
    def step(self, action):
        # Ejecutar estrategia de búsqueda
        results = self._search_papers(action)
        
        # Calcular recompensa basada en relevancia
        reward = self._compute_relevance_score(results)
        
        # Retornar nuevo estado, recompensa, done, info
        return self._get_state(), reward, False, {}
    
    def _compute_relevance_score(self, papers):
        # Usar conteo de citas, similitud semántica, actualidad
        scores = []
        for paper in papers:
            score = (
                0.4 * paper.citation_count_normalized +
                0.4 * self._semantic_similarity(paper) +
                0.2 * paper.recency_score
            )
            scores.append(score)
        return np.mean(scores)

# Entrenar el agente
env = PaperSearchEnv(user_profile, paper_db)
model = PPO("MlpPolicy", env, verbose=1)
model.learn(total_timesteps=100000)

Generación de Retroalimentación Visual

from diffusers import StableDiffusionPipeline

class VisualExplainer:
    def __init__(self):
        self.pipe = StableDiffusionPipeline.from_pretrained(
            "stabilityai/stable-diffusion-2-1"
        )
    
    def generate_concept_image(self, paper_abstract):
        # Extraer conceptos clave
        concepts = self._extract_key_concepts(paper_abstract)
        
        # Crear prompt visual
        prompt = self._create_visual_prompt(concepts)
        
        # Generar imagen
        image = self.pipe(
            prompt,
            num_inference_steps=50,
            guidance_scale=7.5
        ).images[0]
        
        return image
    
    def _create_visual_prompt(self, concepts):
        # Convertir conceptos técnicos a descripciones visuales
        visual_terms = {
            "red neuronal": "nodos interconectados brillando con datos",
            "aprendizaje por refuerzo": "agente navegando laberinto",
            "transformer": "mecanismos de atención fluyendo"
        }
        
        prompt = "Ilustración científica: "
        for concept in concepts:
            if concept in visual_terms:
                prompt += visual_terms[concept] + ", "
        
        return prompt + "arte digital, detallado"

Síntesis de Video

from moviepy.editor import *
import pyttsx3

class VideoExplainer:
    def generate_paper_video(self, paper):
        # Generar guión
        script = self._create_explanation_script(paper)
        
        # Generar narración
        audio = self._text_to_speech(script)
        
        # Generar visuales
        images = self._generate_visual_sequence(paper)
        
        # Combinar en video
        video = self._compose_video(images, audio)
        
        return video
    
    def _create_explanation_script(self, paper):
        sections = [
            f"Título: {paper.title}",
            f"Autores: {', '.join(paper.authors)}",
            f"Contribución Principal: {paper.main_contribution}",
            f"Metodología: {paper.methodology_summary}",
            f"Resultados: {paper.key_results}",
            f"Impacto: {paper.significance}"
        ]
        
        return "\n\n".join(sections)

Experiencia Hack Nation MIT

Contexto de la Competencia

Hack Nation MIT es una competencia de innovación premier organizada por la MIT Innovation Initiative, reuniendo las mentes más brillantes para resolver desafíos del mundo real usando tecnología de vanguardia.

Nuestro Recorrido

Aprendizajes Clave

  1. Coordinación Multi-Agente: Aprendimos a orquestar múltiples agentes de IA efectivamente
  2. Procesamiento en Tiempo Real: Optimizado para interacciones de usuario responsivas
  3. La Explicabilidad Importa: Los usuarios necesitan entender las decisiones de la IA
  4. Retroalimentación Iterativa: El sistema mejora con la entrada del usuario con el tiempo

Características y Capacidades

Características Actuales

✅ Búsqueda Inteligente de Papers

✅ Retroalimentación Visual

✅ Videos Explicables

✅ Colaboración Multi-Agente

Ejemplo de Uso

# Clonar el repositorio
git clone https://github.com/SIMG-UN/research-agent
cd research-agent

# Instalar dependencias
pip install -r requirements.txt

# Configurar tu perfil de investigación
python setup_profile.py

# Ejecutar el asistente de investigación
python main.py --query "arquitecturas transformer para PLN"

# El sistema:
# 1. Usará agente RL para encontrar papers relevantes
# 2. Generará resúmenes visuales
# 3. Creará videos explicativos
# 4. Presentará resultados interactivos

Resultados e Impacto

Métricas de Rendimiento

MétricaValor
Precisión de Descubrimiento de Papers87.3%
Puntuación de Satisfacción de Usuario4.6/5.0
Tiempo Ahorrado vs. Revisión Manual73%
Mejora en Comprensión Visual+42%
Tasa de Engagement de Videos89%

Testimonios de Usuarios

“Esta herramienta redujo mi tiempo de revisión bibliográfica de semanas a días. Los resúmenes visuales son increíblemente útiles.” - Estudiante de Doctorado, Ciencias de la Computación

“La búsqueda basada en RL encontró papers que nunca hubiera descubierto manualmente. Un cambio radical para mi investigación.” - Investigador Postdoctoral, Ética de IA

Desarrollo Futuro

Objetivos a Corto Plazo (2024-2025)

Visión a Largo Plazo

Código Abierto y Contribuciones

Este proyecto es de código abierto y da la bienvenida a contribuciones de la comunidad:

Cómo Contribuir

  1. Fork del repositorio
  2. Crear rama de característica (git checkout -b feature/caracteristica-increible)
  3. Commit de cambios (git commit -m 'Agregar característica increíble')
  4. Push a la rama (git push origin feature/caracteristica-increible)
  5. Abrir Pull Request

Cita

Si usas este proyecto en tu investigación, por favor cita:

@software{multiagentic_research_2024,
  title={Proyecto de Investigación Multiagente: Descubrimiento de Papers con IA},
  author={Grupo de Investigación SIMG},
  year={2024},
  url={https://github.com/SIMG-UN/research-agent},
  note={Desarrollado para competencia Hack Nation MIT}
}

Agradecimientos

Agradecemos gratamente a:

¿Listo para revolucionar tu flujo de trabajo de investigación? ¡Visita el repositorio de GitHub y comienza a explorar!

Recursos

💻

Repositorio GitHub

Código fuente completo y documentación
🚀

Video Demo

Mira cómo funciona el sistema

Equipo y Colaboradores

Investigadores

  • Equipo SIMG

Colaboradores

Grupo de Investigación SIMG

Universidad Nacional de Colombia

Hack Nation MIT

MIT Innovation Initiative

Con el apoyo de

← Volver a Investigación