Samuel Vasco González

Chatbot de Asistencia Financiera con RAG y Llama 3.2

Este proyecto implementa un chatbot de asistencia financiera utilizando técnicas de Retrieval-Augmented Generation (RAG) y el modelo de lenguaje Llama 3.2. El chatbot está diseñado para responder preguntas sobre los productos y servicios de Tuya S.A., como tarjetas de crédito y Credicomrpas (créditos no rotativos para uso dentro del retail).

---

Tabla de Contenidos

1. Descripción del Proyecto
2. Tecnologías Utilizadas
3. Instalación
4. Uso
5. Estructura del Proyecto
6. Contribución
7. Licencia

---

Descripción del Proyecto

El objetivo de este proyecto es crear un chatbot que pueda responder preguntas específicas sobre los productos financieros de Tuya S.A., utilizando información extraída de su sitio web. Para lograrlo, se implementa un sistema RAG que combina:

• Recuperación de información: Extrae documentos relevantes de una base de datos vectorial (FAISS).
• Generación de respuestas: Usa el modelo Llama 3.2 para generar respuestas precisas basadas en el contexto recuperado.

El chatbot es capaz de responder preguntas como:

• ¿Qué tarjetas de crédito ofrece Tuya S.A.?
• ¿Cuál es la tasa de interés y valor de la póliza de seguro de Credicompras?

---

Tecnologías Utilizadas

• Lenguaje de Programación: Python 3.11.3
• Modelo de Lenguaje: Llama 3.2
• Frameworks:
  • LangChain: Para la integración de RAG y gestión de cadenas de procesamiento.
  • Hugging Face Transformers: Para cargar y usar el modelo de lenguaje Llama 3.2.
• Almacenamiento Vectorial:
  • FAISS: Almacenamiento Vectorial para realizar búsquedas de similitud eficiente en vectores.
• Scraping: BeautifulSoup y Requests
• Embeddings: Sentence Transformers

---

Instalación

Sigue estos pasos para configurar el proyecto en tu entorno local:

1. Clona el repositorio:

   git clone https://github.com/tu-usuario/tuya_chatbot.git
   cd tuya_chatbot```
   

2. Crea un entorno virtual:

   source venv/bin/activate  # Linux/Mac
   .\venv\Scripts\activate   # Windows

   pip install -r requirements.txt

3. Ejecutar main.py:

   main.py llama todas las funciones desde el web scraping hasta la ocnfiguración del modelo LLM con RAG. Ademas, imprime en pantalla la respuesta a las 2 preguntas de la prueba.

   Adicionalmente en el notebook prueba_ejecucion_main.ipynb se importa la funcion $main$ de main.py para probar el modelo y hacer preguntas adicionales al chatbot.