Piloto Liquidator AI
Arquitectura de Solución
Objetivos del Sistema
- Automatizar la auditoría de evidencias (fotos, documentos, reportes técnicos) en expedientes de Órdenes de Trabajo (OT) de redes de distribución eléctrica (MT, BT, SED, AP).
- Conciliar materiales automáticamente validando consistencia entre kardex/retiros, liquidación declarada y evidencia fotográfica presentada.
- Clasificar expedientes por score de confiabilidad (>90% auto-liquidación, 60-90% revisión guiada, <60% rechazo con feedback).
- Reducir 70-80% el tiempo de revisión humana eliminando la verificación manual repetitiva de fotos y documentos.
- Disminuir la tasa de devoluciones/observaciones proveyendo feedback automático al contratista sobre faltantes e inconsistencias.
Desplázate para explorar
El Problema
La revisión manual de evidencias en expedientes de Órdenes de Trabajo es un proceso intensivo, propenso a errores y con altas tasas de devolución.
En revisión manual de expedientes
Volumen estimado de procesamiento
Expedientes con score alto
Por expediente con IA
Desafíos Actuales
Procesos Manuales
- •Verificación foto por foto consume tiempo valioso
- •Detección de faltantes es reactiva, no proactiva
- •Conciliación de materiales es manual y propensa a errores
Consecuencias
- •Alta tasa de devoluciones y observaciones
- •Retrasos en liquidaciones y pagos
- •Carga operativa en supervisores
Actores y Sistemas
Ecosistema de usuarios y sistemas que interactúan con Liquidator-AI
Actores del Sistema
Técnico/Contratista
Ejecuta trabajos en campo y carga evidencias
Recibe feedback automático sobre calidad de evidencias y faltantes
Supervisor de Distribución
Revisa y valida expedientes
Visualiza scores, alertas priorizadas y expedientes pre-validados
Inspector de Campo
Verifica trabajos in-situ
Consulta expedientes y hallazgos del sistema
Supervisor de Campo
Coordina cuadrillas y seguimiento
Monitorea estado de OTs y métricas de calidad
Jefe de Unidad de Distribución
Control y decisión final
Dashboard ejecutivo, KPIs, aprobaciones críticas
Almacén/Logística
Gestiona materiales
Sistema fuente de kardex y retiros
Administrador TIC
Gestión técnica
Configuración, monitoreo, integraciones
Sistemas Externos
GOT-OP
Sistema de gestión de OTs
Integración: Principal: expedientes, evidencias, liquidaciones
SAP
ERP corporativo
Integración: Kardex, retiros de materiales, maestros
GIS
Sistema de información geográfica
Integración: Validación de ubicaciones y activos
Repositorio de Evidencias
Almacenamiento de imágenes
Integración: Fotos y documentos del expediente
Flujo del Proceso
Pipeline end-to-end de procesamiento automatizado de expedientes
Ingesta de expediente
GOT-OP notifica nuevo expediente → sistema extrae y clasifica evidencias
Auditoría visual
IA analiza calidad de fotos, valida antes/después, detecta inconsistencias
Conciliación de materiales
Cruce kardex vs declarado vs evidencia fotográfica
Scoring y clasificación
Cálculo de score de confiabilidad y routing de decisión
Feedback y reporting
Generación de hallazgos, alertas y dashboard de KPIs
Clasificación Automática por Score
Pre-aprobado automáticamente
Puntos críticos resaltados
Feedback detallado al contratista
Arquitectura
Diseño modular y escalable con microservicios, capa de abstracción IA y soporte para fases 1 y 2
Proceso de Solución
Diagrama completo del flujo de trabajo y arquitectura del sistema
Microservicios
Arquitectura modular con servicios independientes para IA, procesamiento y orquestación
Capa de Abstracción IA
Permite intercambiar entre APIs cloud (Fase 1) y modelos on-premise (Fase 2) sin cambios en lógica
Escalabilidad
Kubernetes, auto-scaling, procesamiento asíncrono y caching multinivel
Módulos del Sistema
14 módulos especializados que conforman la arquitectura de Liquidator-AI
Responsabilidad
Recibir notificaciones de GOT-OP, extraer expedientes completos, normalizar y almacenar en staging
Datos que Maneja
Expedientes, metadatos OT, referencias a evidencias
Dependencias
Conector GOT-OP, Object Storage
Responsabilidad
Identificar y categorizar cada evidencia (foto antes/después, materiales, seguridad, informe), detectar faltantes
Datos que Maneja
Evidencias clasificadas, catálogo de tipos requeridos por tipo OT
Dependencias
Object Storage, Reglas de negocio
Responsabilidad
Evaluar nitidez, resolución, ángulo, duplicados; validar metadatos (GPS, timestamp)
Datos que Maneja
Scores de calidad por imagen, alertas de calidad
Dependencias
Object Storage, Modelo CV
Responsabilidad
Validar coherencia entre evidencia visual y texto (informe, actividades); cruzar con GIS
Datos que Maneja
Hallazgos de inconsistencia, validaciones de ubicación
Dependencias
OCR/NLP, Conector GIS
Responsabilidad
Extraer texto de imágenes y documentos; procesar lenguaje natural del informe técnico
Datos que Maneja
Textos extraídos, entidades reconocidas, embeddings
Dependencias
Modelos OCR/NLP, Vector DB
Responsabilidad
Comparar materiales declarados vs kardex/retiros vs evidencia; detectar discrepancias
Datos que Maneja
Conciliaciones, discrepancias, impacto en valorización
Dependencias
Conector SAP, Motor de Consistencia
Responsabilidad
Calcular score de confiabilidad ponderado; clasificar en auto/guiada/rechazo
Datos que Maneja
Scores finales, clasificaciones, historial de decisiones
Dependencias
Todos los módulos de análisis
Responsabilidad
Coordinar el flujo de procesamiento end-to-end; manejar estados y reintentos
Datos que Maneja
Estados de workflow, logs de ejecución, colas de trabajo
Dependencias
Todos los módulos
Responsabilidad
Enviar alertas y feedback a usuarios según clasificación y hallazgos
Datos que Maneja
Notificaciones, templates, preferencias de usuario
Dependencias
Motor de Scoring, Auth Service
Responsabilidad
Exponer endpoints REST para consulta de expedientes, resultados y acciones
Datos que Maneja
DTOs de expedientes, filtros, paginación
Dependencias
Base de datos, Auth Service
Responsabilidad
Visualizar KPIs, alertas, tendencias; exportar reportes
Datos que Maneja
Métricas agregadas, reportes, configuraciones de vista
Dependencias
Base de datos, API de Expedientes
Responsabilidad
Gestionar reglas de negocio, umbrales, pesos de scoring, catálogos
Datos que Maneja
Configuraciones, catálogos, parámetros del sistema
Dependencias
Base de datos
Responsabilidad
Abstraer comunicación con sistemas externos (GOT-OP, SAP, GIS)
Datos que Maneja
Mapeos, transformaciones, logs de sincronización
Dependencias
Sistemas externos
Responsabilidad
Gestionar identidades, roles, permisos y sesiones
Datos que Maneja
Usuarios, roles, tokens, políticas de acceso
Dependencias
Directorio corporativo (LDAP/AD)
Principios de Diseño
Separación de Responsabilidades
Cada módulo tiene una responsabilidad clara y única, facilitando el mantenimiento y evolución
Desacoplamiento
Los módulos se comunican a través de interfaces bien definidas, permitiendo cambios independientes
Escalabilidad Independiente
Cada módulo puede escalarse de forma independiente según su carga de trabajo
Resiliencia
Fallas en un módulo no afectan a otros, con circuit breakers y degradación elegante
Stack Tecnológico
Tecnologías modernas, open source y enterprise-ready para cada capa del sistema
Framework
Alternativas
Justificación
UI Library
Alternativas
Justificación
Visualización
Alternativas
Justificación
State Management
Alternativas
Justificación
Build Tool
Alternativas
Justificación
Roadmap de Implementación
Plan de implementación en 2 fases con sprints de 2 semanas (24 semanas totales)
Foundation + Piloto con APIs Cloud
Semanas 1-12
Sprint 1-2: Infraestructura Base
- Infraestructura base (K8s, DBs, Object Storage)
- Autenticación y autorización (Keycloak + LDAP)
- API Gateway y servicios base
- Configuración de cuentas en proveedores IA (OpenAI, Google Cloud, etc.)
Sprint 3-4: Integración GOT-OP + Ingesta
- POC de integración GOT-OP
- Pipeline de ingesta básico
- Almacenamiento de evidencias en Object Storage
- Capa de abstracción para proveedores IA
Sprint 5-6: Core IA con APIs Cloud
- Clasificador de evidencias (GPT-4o Vision)
- Analizador de calidad visual (GPT-4o Vision + prompts)
- Extractor OCR (Google Cloud Vision)
- Motor de consistencia básico (GPT-4o)
Sprint 7-8: Integraciones + Scoring
- Conector SAP (kardex/materiales)
- Conector GIS
- Conciliador de materiales
- Motor de scoring v1 (reglas + LLM)
Sprint 9-10: UI & Feedback
- Dashboard de supervisores (MVP)
- Módulo de feedback a contratistas
- Notificaciones básicas
- Configuración de reglas
Sprint 11-12: Piloto en Producción
- Despliegue en ambiente de producción (subset de OTs)
- Calibración de prompts y umbrales con datos reales
- Capacitación de usuarios
- Recolección de métricas y feedback
- Decisión Go/No-Go para Fase 2
Entregables Fase 1
- Sistema funcional procesando OTs reales
- Dataset de ≥500 expedientes etiquetados
- Métricas de baseline (accuracy, tiempo, satisfacción)
- Business case validado para Fase 2
Optimización + Modelos Propios
Semanas 13-24
Prerequisito: Aprobación de inversión CAPEX para GPU y validación de ROI del piloto
Sprint 13-14: Infraestructura ML
- Adquisición/provisión de GPU (T4/A10)
- Despliegue de Triton Inference Server
- Setup de MLflow para tracking
- Pipeline de entrenamiento
Sprint 15-16: Entrenamiento de Modelos
- Fine-tune modelo de calidad de imagen con datos del piloto
- Fine-tune YOLOv8 para componentes eléctricos
- Entrenamiento de modelo de scoring especializado
- Validación contra APIs cloud (A/B testing)
Sprint 17-18: Migración Gradual
- Desplegar OCR on-premise (PaddleOCR)
- Canary deployment: 10% tráfico a modelos locales
- Monitoreo de accuracy y latencia
- Ajustes y re-entrenamiento si necesario
Sprint 19-20: Migración Completa
- Incrementar tráfico a modelos locales (50% → 100%)
- Fine-tune LLM pequeño (Mistral 7B) para análisis
- Decomisionar dependencia de APIs cloud
- Optimización de inferencia (batching, cuantización)
Sprint 21-22: Escalado y Robustez
- Dashboard avanzado con KPIs completos
- Reportes y exportaciones
- Alerting y monitoreo de drift
- Documentación técnica completa
Sprint 23-24: Rollout Completo
- Rollout a todos los centros de costo
- Capacitación avanzada de usuarios
- Transferencia de conocimiento a equipo interno
- Retrospectiva y planificación de mejoras continuas
Entregables Fase 2
- Sistema 100% con modelos propios
- Costo operativo reducido ≥70% vs APIs cloud
- Accuracy ≥90% validado
- Equipo interno capacitado en MLOps
Riesgos y Decisiones
Matriz de riesgos técnicos y Architectural Decision Records (ADRs)
Matriz de Riesgos
Probabilidad
Impacto
Mitigación
POC temprano, acceso a código/API
Architectural Decision Records (ADRs)
Decisión
Microservicios ligeros con orquestador central (Temporal.io)
Contexto
El sistema tiene componentes de IA intensivos en cómputo, integraciones múltiples y requisitos de escalabilidad diferenciados.
Alternativas Consideradas
- •Monolito modular: Más simple operacionalmente pero difícil de escalar componentes IA
- •Microservicios puros: Máxima flexibilidad pero overhead operacional
- •Híbrido (elegido): Servicios agrupados por dominio, IA como servicios dedicados
Trade-off
Mayor complejidad operacional a cambio de escalabilidad y despliegue independiente de modelos IA.
Análisis de Costos
Estimación de costos operativos de APIs para la fase piloto