Diseño de una arquitectura portátil de generación aumentada por recuperación para tutoría inteligente offline en hardware con recursos limitados

Autores/as

DOI:

https://doi.org/10.18041/1900-3803/entramado.2.13645

Palabras clave:

Inteligencia artificial en educación, Sistemas de tutoría inteligente, Generación aumentada por recuperación, Grandes modelos de lenguaje, Tecnología educativa, Entornos de aprendizaje sin conectividad, Modelos de lenguaje locales

Resumen

La dependencia de infraestructura en la nube limita la adopción de sistemas de tutoría inteligente en contextos con conectividad restringida, que afecta a aproximadamente 2.600 millones de personas sin acceso a internet. Objetivo: Este artículo presenta el diseño de un tutor inteligente portátil que opera de forma completamente offline desde un dispositivo USB sobre hardware de gama media sin unidad de procesamiento gráfico. Metodología: El diseño se abordó mediante Design Science Research (DSR), estructurado en tres ciclos iterativos que cubrieron la selección de componentes, la integración arquitectónica y el ajuste del evaluador de calidad. Resultados: Se propone una arquitectura de referencia que integra recuperación híbrida (búsqueda vectorial densa, recuperación léxica BM25 y fusión por rango recíproco), inferencia local con modelos de lenguaje cuantizados en formato GGUF, un constructor de prompts pedagógicos con cuatro modos de enseñanza, un evaluador automático de calidad y cifrado AES-256-GCM en reposo. La validación, de carácter técnico y preliminar, consistió en ejecutar el sistema desde la misma memoria USB en tres equipos con perfiles de hardware heterogéneos: operó de forma funcional en un equipo con GPU dedicada (latencias de 54 a 111 segundos por consulta) y en un portátil de gama media sin GPU (7,7 GB de RAM, ventana de contexto de 2.048 tokens), mientras que un tercer equipo sin instrucciones AVX presentó un fallo de ejecución que delimita el piso de hardware compatible. Conclusiones: Los resultados sugieren una vía técnicamente viable para reducir las barreras de acceso a la tutoría asistida por inteligencia artificial en contextos con recursos tecnológicos y conectividad limitados; su efectividad pedagógica queda pendiente de evaluación con usuarios finales.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Juan Jose Caiza-Naravez, Institución Universitaria Colegio Mayor del Cauca, Popayan, Colombia.

    Maestría en Inteligencia Artificial por la Universidad Internacional de La Rioja, España. Docente investigador, Institución Universitaria Colegio Mayor del Cauca, Popayán, Colombia.

  • Fabián Armando Hoyos-Ceron, Institución Universitaria Colegio Mayor del Cauca, Popayán, Colombia

    Investigador Institución Universitaria Colegio Mayor del Cauca, Popayán, Colombia

  • Yeison Javier Muñoz-Gomez, Institución Universitaria Colegio Mayor del Cauca, Popayán, Colombia.

    Investigador, Institución Universitaria Colegio Mayor del Cauca, Popayán, Colombia.

Referencias

1. ABDIN, Marah; ANEJA, Jyoti; BEHL, Harkirat; BUBECK, Sébastien; ELDAN, Ronen; GUNASEKAR, Suriya; HARRISON, Michael; HEWETT, Russell J.; JAVAHERIPI, Mojan; KAUFFMANN, Piero; LEE, James R.; LEE, Yin Tat; LI, Yuanzhi; LIU, Weishung; MENDES, Caio C. T.; NGUYEN, Anh; PRICE, Eric; DE ROSA, Gustavo; SAARIKIVI, Olli; SALIM, Adil; SHAH, Shital; WANG, Xin; WARD, Rachel; WU, Yue; YU, Dingli; ZHANG, Cyril; ZHANG, Yi. Phi-4 technical report [preprint]. 2024. https://doi.org/10.48550/arXiv.2412.08905

2. ANDERSON, Lorin W.; KRATHWOHL, David R. A taxonomy for learning, teaching, and assessing: a revision of Bloom's taxonomy of educational objectives. New York: Longman, 2001. 352 p.

3. BARNETT, Scott; KURNIAWAN, Stefanus; THUDUMU, Srikanth; BRANNELLY, Zach; ABDELRAZEK, Mohamed. Seven failure points when engineering a retrieval augmented generation system. In: Proceedings of the IEEE/ACM International Conference on AI Engineering (CAIN 2024). 2024. p. 194-199. https://doi.org/10.1145/3644815.3644945

4. COGNII. Artificial intelligence for education and training. 2024. https://www.cognii.com/

5. COLOMBIA. CONGRESO DE LA REPÚBLICA. Ley 1581. (17, octubre, 2012). Por la cual se dictan disposiciones generales para la protección de datos personales. Diario Oficial. Bogotá, D.C., 2012. No. 48587.

6. COLOMBIA. PRESIDENCIA DE LA REPÚBLICA. Decreto 1377. (27, junio, 2013). Por el cual se reglamenta parcialmente la Ley 1581 de 2012. Diario Oficial. Bogotá, D.C., 2013. No. 48834.

7. CORMACK, Gordon V.; CLARKE, Charles L. A.; BUETTCHER, Stefan. Reciprocal rank fusion outperforms condorcet and individual rank learning methods. In: Proceedings of the 32nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2009). 2009. p. 758-759. https://doi.org/10.1145/1571941.1572114

8. DANE. Indicadores básicos de tenencia y uso de tecnologías de la información y las comunicaciones (TIC) en hogares y personas de 5 y más años de edad 2023. Bogotá D.C.: DANE, 2023. https://www.dane.gov.co/index.php/estadisticas-por-tema/tecnologia-e-innovacion/tecnologias-de-la-informacion-y-las-comunicaciones-tic/indicadores-basicos-de-tic-en-hogares

9. DETTMERS, Tim; PAGNONI, Artidoro; HOLTZMAN, Ari; ZETTLEMOYER, Luke. QLoRA: efficient finetuning of quantized LLMs [preprint]. 2023. https://doi.org/10.48550/arXiv.2305.14314

10. DUOLINGO. Duolingo Max uses OpenAI's GPT-4 for new learning features. 2023. https://blog.duolingo.com/duolingo-max/

11. ECLAC. Universalizing access to digital technologies to address the consequences of COVID-19. Santiago de Chile: United Nations, 2020. https://www.cepal.org/en/publications/45939-universalizing-access-digital-technologies-address-consequences-covid-19

12. FALMAGNE, Jean-Claude; COSYN, Eric; DOIGNON, Jean-Paul; THIÉRY, Nicolas. The assessment of knowledge, in theory and in practice. In: MISSAOUI, Rokia; SCHMID, Jürg (Eds.). Formal concept analysis. Berlin: Springer, 2006. p. 61-79. https://doi.org/10.1007/11671404_4

13. FRANTAR, Elias; ASHKBOOS, Saleh; HOEFLER, Torsten; ALISTARH, Dan. GPTQ: accurate post-training quantization for generative pre-trained transformers [preprint]. 2023. https://doi.org/10.48550/arXiv.2210.17323

14. GAO, Yunfan; XIONG, Yun; GAO, Xinyu; JIA, Kangxiang; PAN, Jinliu; BI, Yuxi; DAI, Yi; SUN, Jiawei; WANG, Meng; WANG, Haofen. Retrieval-augmented generation for large language models: a survey. In: Proceedings of the Conference on AI, Science, Engineering, and Technology (AIxSET 2024). 2024. p. 166-169. https://doi.org/10.1109/AIxSET62544.2024.00030

15. GERGANOV, Georgi. llama.cpp: LLM inference in C/C++ [software]. 2023. https://github.com/ggml-org/llama.cpp

16. GRAESSER, Arthur C.; LU, Shulan; JACKSON, George Tanner; MITCHELL, Heather Hite; VENTURA, Matthew; OLNEY, Andrew; LOUWERSE, Max M. AutoTutor: a tutor with dialogue in natural language. In: Behavior Research Methods, Instruments, & Computers. 2004. vol. 36, no. 2. p. 180-192. https://doi.org/10.3758/BF03195563

17. HEVNER, Alan R.; MARCH, Salvatore T.; PARK, Jinsoo; RAM, Sudha. Design science in information systems research. In: MIS Quarterly. 2004. vol. 28, no. 1. p. 75-105. https://doi.org/10.2307/25148625

18. ITU. Facts and Figures 2023: Internet use. Geneva: International Telecommunication Union, 2023. https://www.itu.int/itu-d/reports/statistics/2023/10/10/ff23-internet-use/

19. KARPUKHIN, Vladimir; OĞUZ, Barlas; MIN, Sewon; LEWIS, Patrick; WU, Ledell; EDUNOV, Sergey; CHEN, Danqi; YIH, Wen-tau. Dense passage retrieval for open-domain question answering. In: Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP 2020). 2020. p. 6769-6781. https://doi.org/10.18653/v1/2020.emnlp-main.550

20. KASNECI, Enkelejda; SESSLER, Kathrin; KÜCHEMANN, Stefan; BANNERT, Maria; DEMENTIEVA, Daryna; FISCHER, Frank; GASSER, Urs; GROH, Georg; GÜNNEMANN, Stephan; HÜLLERMEIER, Eyke; KRUSCHE, Stephan; KUTYNIOK, Gitta; MICHAELI, Tilman; NERDEL, Claudia; PFEFFER, Jürgen; POQUET, Oleksandra; SAILER, Michael; SCHMIDT, Albrecht; SEIDEL, Tina; STADLER, Matthias; WELLER, Jochen; KUHN, Jochen; KASNECI, Gjergji. ChatGPT for good? On opportunities and challenges of large language models for education. In: Learning and Individual Differences. 2023. vol. 103. p. 102274. https://doi.org/10.1016/j.lindif.2023.102274

21. KHAN ACADEMY. Meet Khanmigo: Khan Academy's AI-powered teaching assistant & tutor. 2024. https://www.khanmigo.ai/

22. LEARNING EQUALITY. Kolibri: the offline app for universal education [software]. 2024. https://learningequality.org/kolibri/

23. LEWIS, Patrick; PEREZ, Ethan; PIKTUS, Aleksandra; PETRONI, Fabio; KARPUKHIN, Vladimir; GOYAL, Naman; KÜTTLER, Heinrich; LEWIS, Mike; YIH, Wen-tau; ROCKTÄSCHEL, Tim; RIEDEL, Sebastian; KIELA, Douwe. Retrieval-augmented generation for knowledge-intensive NLP tasks [preprint]. 2020. https://doi.org/10.48550/arXiv.2005.11401

24. MARTÍNEZ-TORO, Iván. PrivateGPT [software]. 2023. https://github.com/zylon-ai/private-gpt

25. NOGUEIRA, Rodrigo; CHO, Kyunghyun. Passage re-ranking with BERT [preprint]. 2019. https://doi.org/10.48550/arXiv.1901.04085

26. OECD. OECD digital education outlook 2023: towards an effective digital education ecosystem. Paris: OECD Publishing, 2023. 411 p. https://doi.org/10.1787/c74f03de-en

27. OPENAI. Introducing ChatGPT Edu. 2024. https://openai.com/index/introducing-chatgpt-edu/

28. OPENAI. API pricing. 2026. https://openai.com/api/pricing

29. PEFFERS, Ken; TUUNANEN, Tuure; ROTHENBERGER, Marcus A.; CHATTERJEE, Samir. A design science research methodology for information systems research. In: Journal of Management Information Systems. 2007. vol. 24, no. 3. p. 45-77. https://doi.org/10.2753/MIS0742-1222240302

30. PRINSLOO, Paul; SLADE, Sharon. An elephant in the learning analytics room: the obligation to act. In: Proceedings of the International Learning Analytics & Knowledge Conference (LAK 2017). 2017. p. 46-55. https://doi.org/10.1145/3027385.3027426

31. REIMERS, Nils; GUREVYCH, Iryna. Sentence-BERT: sentence embeddings using Siamese BERT-networks. In: Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP-IJCNLP 2019). 2019. p. 3982-3992. https://doi.org/10.18653/v1/D19-1410

32. ROBERTSON, Stephen; ZARAGOZA, Hugo. The probabilistic relevance framework: BM25 and beyond. In: Foundations and Trends in Information Retrieval. 2009. vol. 3, no. 4. p. 333-389. https://doi.org/10.1561/1500000019

33. SARTHI, Parth; ABDULLAH, Salman; TULI, Aditi; KHANNA, Shubh; GOLDIE, Anna; MANNING, Christopher D. RAPTOR: recursive abstractive processing for tree-organized retrieval [preprint]. 2024. https://doi.org/10.48550/arXiv.2401.18059

34. WOOLF, Beverly Park. Building intelligent interactive tutors: student-centered strategies for revolutionizing e-learning. Burlington: Morgan Kaufmann, 2009. 480 p. https://doi.org/10.1016/B978-0-12-373594-2.X0001-9

35. WORLD POSSIBLE. RACHEL: Remote Area Community Hotspot for Education and Learning. 2024. https://rachel.worldpossible.org/

36. YAN, Lixiang; SHA, Lele; ZHAO, Linxuan; LI, Yuheng; MARTINEZ-MALDONADO, Roberto; CHEN, Guanliang; LI, Xinyu; JIN, Yueqiao; GAŠEVIĆ, Dragan. Practical and ethical challenges of large language models in education: a systematic scoping review. In: British Journal of Educational Technology. 2024. vol. 55, no. 1. p. 90-112. https://doi.org/10.1111/bjet.13370

37. ZHANG, Peiyuan; ZENG, Guangtao; WANG, Tianduo; LU, Wei. TinyLlama: an open-source small language model [preprint]. 2024. https://doi.org/10.48550/arXiv.2401.02385

Publicado

2026-06-20

Número

Vol. 22 Núm. 2 (2026): Entramado

Sección

TEMA LIBRE - ARTÍCULO DE INVESTIGACIÓN

Licencia

Derechos de autor 2026 Entramado

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Artículos similares

81-90 de 113

También puede Iniciar una búsqueda de similitud avanzada para este artículo.