Introducci�n

La transformaci�n digital en el �mbito educativo ha emergido como una prioridad estrat�gica para instituciones en todo el mundo, buscando mejorar la accesibilidad, personalizaci�n y eficiencia en el aprendizaje y la gesti�n acad�mica. En este contexto, la Inteligencia Artificial (IA) y el Procesamiento del Lenguaje Natural (NLP) representan avances tecnol�gicos clave que est�n redefiniendo la interacci�n entre estudiantes y sistemas educativos (Llamb�, 2023). La implementaci�n de chatbots basados en IA, capaces de entender y procesar el lenguaje humano, promete una nueva era de asistencia educativa personalizada y accesible (Botpress, 2022)

La inteligencia artificial en la educaci�n ofrece un potencial significativo para abordar desaf�os clave y revolucionar las pr�cticas de ense�anza y aprendizaje. Seg�n la UNESCO, la IA tiene la capacidad de acelerar el progreso hacia la consecuci�n de objetivos educativos globales, mejorando el acceso al conocimiento y la diversidad de las expresiones culturales. La organizaci�n enfatiza un enfoque centrado en el ser humano para la integraci�n de la IA en la educaci�n, asegurando que se promueva la inclusi�n y la equidad. (UNESCO, s.f.)

La personalizaci�n del aprendizaje es uno de los beneficios m�s significativos que la IA puede aportar a la educaci�n. Herramientas y tecnolog�as basadas en IA, como algoritmos de aprendizaje personalizados y realidad virtual/aumentada, pueden mejorar la experiencia de aprendizaje de los estudiantes de maneras innovadoras. (Ortega, 2022)

Kamalov, Santandreu Calonge, y Gurrib (2023) argumentan que la inteligencia artificial promete una revoluci�n sostenible y multifac�tica en la educaci�n, destacando las mejoras en la interacci�n entre profesores y estudiantes y el aprendizaje personalizado, enfatizando de igual manera la necesidad de una integraci�n cuidadosa para promover un entorno educativo inclusivo y efectivo.

�

La integraci�n de chats con inteligencia artificial en la educaci�n superior est� transformando el paradigma educativo, ofreciendo un enfoque m�s personalizado y accesible para el aprendizaje, los sistemas de tutor�a inteligente basados en IA pueden proporcionar asistencia personalizada a los estudiantes, adapt�ndose a sus ritmos y estilos de aprendizaje �nicos, lo que representa un avance significativo hacia la educaci�n inclusiva y personalizada. (Carvalho, 2024)

Estos sistemas no solo facilitan un aprendizaje m�s eficiente, sino que tambi�n ayudan a los educadores a identificar y abordar las necesidades individuales de cada estudiante. (Morduchowicz, 2023)

Por otro lado, Morron (n.d) enfatiza la capacidad de los chats de IA para mejorar la accesibilidad y la flexibilidad en la educaci�n superior. Al estar disponibles 24/7, estos sistemas ofrecen a los estudiantes la oportunidad de resolver dudas y acceder a material educativo en cualquier momento, lo que es crucial para apoyar a quienes combinan sus estudios con otras responsabilidades. Adem�s, la interacci�n constante con estos sistemas contribuye al desarrollo de habilidades digitales cr�ticas en el mundo actual.

El Instituto Superior Tecnol�gico Amaz�nico ubicado en Ecuador, provincia de Zamora Chinchipe, cant�n Yantzaza, cuenta actualmente con 107 estudiantes distribuidos en las 4 carreras que ofrece: Tecnolog�a en Contabilidad, Tecnolog�a en Producci�n Agr�cola, Tecnolog�a en Producci�n Pecuaria y Tecnolog�a en Desarrollo de Software. El Instituto se ha embarcado en una iniciativa pionera para integrar estas innovaciones tecnol�gicas mediante el desarrollo de un chatbot educativo basado en el modelo de lenguaje LLAMA2.

Este proyecto busca aprovechar la capacidad de LLAMA2 para comprender consultas en lenguaje natural y proporcionar respuestas coherentes y relevantes, facilitando el acceso de los estudiantes a informaci�n acad�mica crucial como historiales acad�micos, calificaciones, planes de clase, s�labos, etc. y tambi�n brindar informaci�n y recursos relacionados con temas espec�ficos de asignaturas o intereses acad�micos de los estudiantes. La elecci�n de LLAMA2 se fundamenta en su desempe�o excepcional en tareas de NLP, demostrando capacidades avanzadas de generaci�n y comprensi�n de texto. (Brown et al., 2020)

�

Para garantizar la eficacia y la adaptabilidad de esta soluci�n, el proyecto se ha guiado por principios de desarrollo �gil, espec�ficamente la metodolog�a Extreme Programming (XP). Este enfoque promueve pr�cticas como el desarrollo iterativo, la programaci�n en parejas, y el desarrollo dirigido por pruebas (TDD) (Mancuzo, 2020)., que son esenciales para adaptar el chatbot a las necesidades espec�ficas de la comunidad educativa del instituto de manera eficiente.

La arquitectura del sistema se ha dise�ado con una separaci�n clara entre el front-end y el back-end, utilizando Angular y FastAPI, respectivamente. Angular fue seleccionado por su robustez y eficiencia en la creaci�n de interfaces de usuario interactivas (Cetina, 2022).

Mientras que FastAPI proporciona un framework de alto rendimiento para el manejo de solicitudes del lado del servidor, debido a que trabaja con el lenguaje de programaci�n Python y de esta forma se optimiza la interacci�n con el modelo LLAMA2. (Roque, 2023)

Este proyecto no solo representa un paso adelante en la digitalizaci�n de los servicios educativos en el Instituto Superior Tecnol�gico Amaz�nico sino tambi�n un modelo para la integraci�n efectiva de tecnolog�as de IA en el sector educativo, ofreciendo perspectivas valiosas sobre el dise�o, desarrollo y despliegue de chatbots educativos basados en NLP

Materiales y m�todos

Para el desarrollo e implementaci�n del chatbot educativo, se adopt� una investigaci�n aplicada enfocada en el desarrollo tecnol�gico, espec�ficamente en la creaci�n de un sistema basado en inteligencia artificial (IA) y procesamiento de lenguaje natural (NLP) para mejorar la interacci�n de los estudiantes con el entorno educativo del Instituto Superior Tecnol�gico Amaz�nico.

Esta investigaci�n aplicada utiliza la metodolog�a �gil Extreme Programming (XP), conocida por su enfoque en la excelencia t�cnica, la simplicidad y la capacidad de adaptaci�n a cambios (Raeburn, 2024). La elecci�n de esta metodolog�a se alinea con el objetivo de desarrollar un sistema robusto y flexible.

M�todos

Adopci�n de Extreme Programming (XP):

Planificaci�n Inicial: Se realiz� una sesi�n de planificaci�n de lanzamiento para definir el alcance del proyecto, los objetivos y las iteraciones (releases). Se priorizaron las historias de usuario basadas en su valor para los estudiantes y la factibilidad t�cnica.

�� Desarrollo Iterativo y Entregas Frecuentes: Se adopt� el enfoque iterativo de XP, dividiendo el proyecto en ciclos de desarrollo cortos (iteraciones) para permitir entregas frecuentes de nuevas funcionalidades. Esto facilit� la adaptaci�n a cambios y la incorporaci�n de feedback temprano de los usuarios.

�� Programaci�n en Parejas y Revisi�n de C�digo: La programaci�n en parejas fue una pr�ctica clave, donde dos desarrolladores trabajaron juntos en una misma tarea, uno escribiendo el c�digo y el otro revisando simult�neamente. Esto mejor� la calidad del c�digo y foment� el conocimiento compartido entre el equipo.

Las sesiones de revisi�n de c�digo se realizaron regularmente para mantener altos est�ndares de calidad y coherencia en el c�digo del proyecto.

�� Desarrollo Dirigido por Pruebas (TDD): Se implement� TDD para dise�ar y desarrollar las funcionalidades del chatbot. Esto implic� escribir pruebas antes del c�digo de producci�n, asegurando que cada funcionalidad estuviera correctamente especificada y funcionara seg�n lo esperado desde el principio.

�� Integraci�n Continua: Se configur� un sistema de integraci�n continua para automatizar la compilaci�n y las pruebas del software. Esto permiti� detectar y corregir errores r�pidamente, manteniendo el proyecto en un estado listo para desplegar en todo momento.

Dise�o Simple y Refactorizaci�n: Se realiz� un dise�o simple, enfoc�ndose en la funcionalidad esencial requerida por los usuarios finales y evitando la complejidad innecesaria. La refactorizaci�n fue una actividad constante para mejorar el dise�o del sistema sin cambiar su comportamiento, manteniendo el c�digo limpio y f�cil de entender.

�

Comunicaci�n y Retroalimentaci�n: La comunicaci�n directa y frecuente con los stakeholders, incluidos estudiantes y docentes, fue esencial para comprender sus necesidades y c�mo el chatbot podr�a satisfacerlas mejor.

Materiales

Software y Tecnolog�as Utilizadas:

Angular: Un framework de desarrollo para construir aplicaciones web de una sola p�gina. Se seleccion� por su capacidad de crear interfaces de usuario din�micas y reactivas, esenciales para la interactividad del chatbot.

�� FastAPI: Un moderno framework web para construir APIs con el lenguaje de programaci�n Python, elegido por su simplicidad, rendimiento y facilidad de uso para operaciones de backend. Su compatibilidad con est�ndares asincr�nicos permite manejar eficientemente las solicitudes concurrentes, crucial para la escalabilidad del chatbot.

�� LLAMA2: Un modelo de lenguaje de �ltima generaci�n para procesamiento de lenguaje natural, utilizado para el entendimiento y generaci�n de texto en el chatbot. Fue entrenado adicionalmente con datos espec�ficos del contexto educativo del Instituto Superior Tecnol�gico Amaz�nico para mejorar su precisi�n y relevancia.

�� Servidor VPS en Ubuntu: Se opt� por un servidor VPS (Servidor Privado Virtual) que corre Ubuntu debido a su estabilidad, seguridad y flexibilidad. Esta elecci�n permiti� un control completo del entorno de hosting, crucial para la personalizaci�n y el despliegue del sistema.

Herramientas de Desarrollo y Gesti�n:

�� Git: Para el control de versiones y colaboraci�n en equipo, facilitando la gesti�n del c�digo fuente del proyecto.

Docker: Utilizado para contenerizar la aplicaci�n, asegurando la consistencia entre los entornos de desarrollo, prueba y producci�n.

�� Jenkins: Para la integraci�n y entrega continuas (CI/CD), automatizando la compilaci�n, las pruebas y el despliegue de la aplicaci�n

Resultados y discusi�n

Backend

Para el backend se emple� el lenguaje de programaci�n Python conjuntamente con el framework FastApi, y los Modelos de Lenguaje de Gran Escala (LLM, por sus siglas en ingl�s de Large Language Models) los cu�les son sistemas de inteligencia artificial entrenados para comprender, generar y trabajar con lenguaje humano a gran escala (Munar, 2023).

Son el resultado de entrenar algoritmos de aprendizaje profundo en vastas cantidades de texto, lo que les permite realizar tareas relacionadas con el lenguaje, como traducci�n, resumen, generaci�n de texto, y m�s. Los LLM aprenden a predecir la siguiente palabra en una secuencia de palabras dada, lo cual les permite generar texto coherente y relevante a partir de prompts o entradas proporcionadas por los usuarios. (Amazon Web Services, s.f.).

LLAMA 2, espec�ficamente, es un ejemplo de estos modelos avanzados y es el que se utiliz� para la construcci�n del chat, dise�ado para ofrecer un rendimiento a�n m�s refinado en tareas de procesamiento de lenguaje natural. Estos modelos pueden ser particularmente �tiles en el �mbito educativo, donde pueden servir como asistentes virtuales para responder preguntas de los estudiantes, proporcionar tutor�a personalizada o facilitar el acceso a informaci�n acad�mica. A continuaci�n, se detalla el c�digo o programaci�n que se emple� para configurar adecuadamente el modelo.

Importaci�n de librer�as

Figura 1. Importaci�n de librer�as necesarias para trabajar con el modelo de Llama 2.

Estas librer�as se utilizaron para las tareas que involucraron procesamiento del lenguaje natural (NLP) y obtenci�n de datos de la bases de datos Postgres donde se encuentra la informaci�n acad�mica de los estudiantes.

La integraci�n de SQLAlchemy simplific� la conexi�n y gesti�n de los datos. Adem�s, permitieron la interpretaci�n de consultas escritas en lenguaje natural, facilitando as� la interacci�n del usuario con el sistema.

En resumen, estas bibliotecas ofrecieron un conjunto robusto de funcionalidades para el desarrollo de la aplicaci�n, en donde se requiri� an�lisis de texto y acceso a la informaci�n dentro del contexto de LlAMA 2.

Cargando el modelo Llama 2 y el contexto

Figura 2. Cargando el modelo espec�fico y fijando el contexto con el que tiene que trabajar Llama 2.

Este c�digo muestra c�mo cargar el modelo de LLAMA 2 para su uso como generador de texto. Primero, se especifica la ruta del modelo, en este caso se ha empleado llama-2-7b- chat.Q4_K_M.gguf, luego, se inicializa una instancia de LlamaCpp con la ruta del modelo y una temperatura de 0, lo que indica que se desactiva el sampling estoc�stico durante la generaci�n de respuestas.

Posteriormente, se establece una conexi�n con la base de datos PostgreSQL en donde reposa la informaci�n completa de los estudiantes, luego, se crea un motor de base de datos utilizando la funci�n create_engine de SQLAlchemy, que facilit� la interacci�n con la informaci�n.

Finalmente, se inicializa un contexto de servicio utilizando la clase ServiceContext, donde se especifica el modelo de LLAMA a utilizar (llm) y el modelo de incrustaci�n de texto (embed_model). Este contexto de servicio se utiliz� para proporcionar el modelo y que este adquiriera un comportamiento de memoria para recordar las preguntas o respuestas anteriores con las que se ha trabajado.

Especificaci�n de las tablas de inter�s

En la figura 3, se puede evidenciar el conjunto de tablas con las que el modelo va interactuar para presentar la informaci�n al usuario, de acuerdo a las interrogantes que se le hagan, es importante mencionar que se pude trabajar con n tablas relacionales.

�

Figura 3. Especificando las tablas de inter�s de la base de datos de la instituci�n.

FrontEnd

Para la parte visual se emple� el framework Angular, se opt� por crear un dise�o minimalista similar a ChatGPT, ha continuaci�n se muestra brevemente el servicio empleado y la interfaz gr�fica.

Servicio: El c�digo que se muestra en la figura 4, detalla como inicializar los listeners de un WebSocket para recibir los mensajes del servidor donde est� desplegado el modelo Llama. Cuando se recibe un mensaje, se procesa y se env�a a la funci�n handleMessage. Adem�s, maneja los errores de conexi�n que se puedan presentar en la comunicaci�n entre el frontend y el backend.

Figura 4. Especificando las tablas de inter�s de la base de datos de la instituci�n.

Interfaz gr�fica: Se ha empleado Bootstrap para presentar y formatear de manera profesional la informaci�n al usuario, de tal manera que la aplicaci�n sea intuitiva y f�cil de usar.

Figura 5. Interfaz gr�fica del chatbot, se ha optado por un dise�o minimalista, de tal manera que se facilite la interacci�n con el usuario.

Probando el chat: En este apartado se va a demostrar la interacci�n del modelo con la informaci�n de un usuario, para ello se ha solicitado a la estudiante Tania Lima del quinto ciclo de la carrera de Desarrollo de Software del Instituto, que haga las preguntas que ella crea convenientes de acuerdo a su historial acad�mico o informaci�n de la carrera.

Figura 6. Interacci�n con el chatbot

La pregunta realizada por la estudiante fue la siguiente: �Hola mi nombre es Tania Gabriela Lima Tendez, me puedes informar el horario de clases de la materia de Calidad de Software del presente periodo acad�mico�, se puede evidenciar que la respuesta por parte del modelo es la siguiente: �Por supuesto, para el presente periodo acad�mico octubre 2023 - marzo 2024, tu horario para la materia de Calidad de Software es: lunes de 17:00 a 19:00 horas, martes de 17:00 a 19:00 horas y jueves de 20:30 a 22:30 horas.�, siendo esta respuesta correcta de acuerdo a la informaci�n que se dispone en base de datos.

Discusi�n

La implementaci�n de chatbots avanzados utilizando modelos de Procesamiento de Lenguaje Natural (NLP), como LLAMA 2, en el Instituto Superior Tecnol�gico representa un avance significativo hacia la digitalizaci�n y personalizaci�n de la educaci�n superior. Esta secci�n discute la relevancia, los beneficios anticipados, y los desaf�os potenciales asociados con la adopci�n de esta tecnolog�a para mejorar el acceso a informaci�n acad�mica crucial como el historial acad�mico, calificaciones, asignaturas, mallas curriculares, horarios de clase, etc.

Relevancia y Beneficios Anticipados

Los sistemas basados en NLP como LLAMA 2 ofrecen una interacci�n natural y fluida, lo cual es crucial para facilitar un acceso intuitivo y eficiente a la informaci�n acad�mica. Este tipo de tecnolog�a puede adaptarse a las consultas en lenguaje natural de los estudiantes, proporcionando respuestas precisas y contextuales. La capacidad de estos sistemas para aprender de interacciones previas y mejorar continuamente con el tiempo promete una experiencia cada vez m�s personalizada para los usuarios.

La implementaci�n de un chatbot educativo con estas capacidades aborda varias necesidades clave:

Acceso ininterrumpido: Los estudiantes pueden consultar informaci�n esencial en cualquier momento y lugar, eliminando la necesidad de esperar por respuestas humanas durante horas laborables.

Personalizaci�n: Al adaptarse a las necesidades individuales de los estudiantes, el sistema puede guiarlos a trav�s de sus trayectorias acad�micas de manera m�s efectiva, sugiriendo recursos y oportunidades alineadas con sus intereses y rendimiento acad�mico.

Eficiencia administrativa: las consultas frecuentes se automatizan, liberando al personal acad�mico y administrativo para enfocarse en tareas que requieren intervenci�n humana, optimizando los recursos institucionales.

Desaf�os Potenciales

A pesar de los claros beneficios, la adopci�n de chatbots de IA en entornos educativos no est� exenta de desaf�os. La precisi�n de las respuestas, la protecci�n de la privacidad de los datos de los estudiantes y la integraci�n efectiva con los sistemas de informaci�n existentes son �reas cr�ticas que requieren atenci�n cuidadosa.

Adem�s, la resistencia al cambio por parte de usuarios habituados a m�todos tradicionales de comunicaci�n podr�a representar un obst�culo inicial.

Conclusiones

La introducci�n de chatbots basados en NLP como LLAMA 2 en el Instituto Superior Tecnol�gico Amaz�nico ofrece una promesa considerable para transformar la forma en que los estudiantes acceden y gestionan su informaci�n acad�mica. Si bien existen desaf�os, la planificaci�n estrat�gica, el compromiso con la mejora continua y la adopci�n de pr�cticas de seguridad de datos robustas pueden asegurar que esta tecnolog�a cumpla su potencial como una herramienta valiosa para enriquecer la experiencia educativa.

La incorporaci�n de Modelos de Lenguaje de Gran Escala (LLM) como LLAMA 2 en el Instituto, subraya el compromiso de la instituci�n con la innovaci�n educativa y el mejoramiento de la experiencia de aprendizaje. Estos modelos ofrecen una plataforma robusta para facilitar el acceso instant�neo a informaci�n relevante y personalizada, marcando un hito en la manera en que los estudiantes interact�an con sus curr�culos y recursos acad�micos.

Es fundamental abordar con diligencia los retos asociados a la privacidad de datos y la adaptabilidad de los sistemas, para maximizar su efectividad y garantizar una integraci�n segura y provechosa en el �mbito educativo. La sinergia entre el cuerpo estudiantil, el personal docente y los equipos de TI ser� esencial para navegar estos desaf�os y optimizar el uso de estas tecnolog�as revolucionarias.

Referencias bibliogr�ficas

Llamb�, C. (2023). Transformaci�n digital en la educaci�n: Oportunidades, desaf�os y claves para avanzar. CAF. https://www.caf.com/es/conocimiento/visiones/2023/08/transformacion-digital-en-la-educacion-oportunidades-desafios-y-claves-para-avanzar/

Botpress.�� (2022). An introduction to AI chatbots. https://botpress.com/es/blog/an-introduction-to-ai-chatbots

UNESCO.�� (s.f.). La�� inteligencia artificial�� en�� la� educaci�n. https://www.unesco.org/es/digital-education/artificial-intelligence

Ortega, C. (2022). Inteligencia artificial en la educaci�n: Impacto y ejemplos. QuestionPro.

https://www.questionpro.com/blog/es/inteligencia-artificial-en-la-educacion/

Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New Era of Artificial Intelligence in Education: Towards a Sustainable Multifaceted Revolution. Sustainability, 15(16), 12451. https://doi.org/10.3390/su151612451

Carvalho, LL. (2024). Chatbot en la educaci�n: �cu�les son los beneficios para tu instituci�n?. https://www.sydle.com/es/blog/chatbot-en-la-educacion- cuales-son-los-beneficios-634d4f67491b8e20c4b01486

Morduchowicz, A. (2023). ChatGPT� y educaci�n: �oportunidad, amenaza o desaf�o?. https://blogs.iadb.org/educacion/es/chatgpt-educacion/

Morron, M. (n.d). Chat GPT y el futuro de la educaci�n.� https://blog.linclearning.com/es/chat-gpt-y-el-futuro-de-la-educacion

Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., ... Neelakantan, A. (2020). Language models are few- shot learners. Advances in Neural Information Processing Systems, 33, 1877�1901.

�

Mancuzo, G. (2020). Programaci�n Extrema: Pros y Contras. https://blog.comparasoftware.com/programacion-extrema-ventajas-desventajas/

Cetina, V. (2022). �Cu�les son las ventajas de Angular como framework front-end?. Devoteam.

https://mx.devoteam.com/expert-view/cuales-son-las-ventajas-de-angular-como-framework-front- end/#:~:text=Angular%20le%20permite%20comunicarse%20con,sean%20reutilizabl es%20y%20m%C3%A1s%20aislados.

Roque, L. (2023). Leveraging Llama 2 Features in Real-world Applications: Building Scalable Chatbots with FastAPI, Celery, Redis, and Docker. Towards Data Science. https://towardsdatascience.com/leveraging-llama-2-features-in-real- world-applications-building-scalable-chatbots-with-fastapi-406f1cbeb935

Raeburn, A. (2024). La programaci�n extrema (XP) produce resultados, pero �es la metodolog�a�� adecuada�� para ti?. https://asana.com/es/resources/extreme-programming-xp

Munar, P. (2023). �Qu� son los grandes modelos de lenguaje o LLM (Large Language Models)? https://www.cyberclick.es/numerical-blog/que-son-los- grandes-modelos-de-lenguaje-o-llm-large-language-models

Amazon Web Services. (s.f.). What is a large language model? https://aws.amazon.com/es/what-is/large-language-model/