Documentación del TFG: Interconexión entre Espacios de Datos e Inteligencia Artificial Generativa

Fecha: 11/04/2025
Autor: Jaime Alonso Ruiz Tutor: Joaquín Salvachúa Título del TFG: Diseño e implementación de interconexión entre espacios de datos e inteligencia artificial generativa

---

🎯 Propósito del proyecto

El objetivo principal de este Trabajo de Fin de Grado es diseñar e implementar una arquitectura funcional y escalable que permita a un modelo de lenguaje (LLM) interactuar con un espacio de datos utilizando el Model Context Protocol (MCP).
El cliente (el modelo de lenguaje) no debe acceder directamente a la base de datos, sino que todas las operaciones deben realizarse exclusivamente a través del servidor MCP, que actúa como capa intermedia segura, modular y extensible.

---

🧱 Arquitectura actual

Componentes principales:

• 🧠 Cliente LLM (cliente_llm.py)

  • Ejecuta preguntas en lenguaje natural.
  • Utiliza el modelo TinyLlama-1.1B-Chat-v1.0.
  • Genera consultas SQL a partir de preguntas.
  • Consulta datos exclusivamente a través del servidor MCP.
  • Interpreta los resultados devueltos y construye una respuesta explicativa.
  • Registra todo el proceso en un log: logs/cliente_llm.log.

• 🔗 Servidor MCP (main.py)

  • Desarrollado en FastAPI.
  • Conectado a un espacio de datos local basado en DuckDB.
  • Exposición de herramientas MCP mediante endpoints REST:
    • /tool/consulta: ejecuta una consulta SQL.
    • /tool/info/productos: devuelve la lista de productos distintos.
    • /tool/info/fechas: devuelve el rango mínimo y máximo de fechas registradas.

• 📂 Espacio de datos

  • Implementado localmente usando DuckDB (lake.duckdb).
  • Contiene una tabla iceberg_space.ventas con las siguientes columnas:
    • fecha (DATE)
    • producto (TEXT)
    • cantidad (INTEGER)
    • precio (DOUBLE)
  • Los datos se cargan desde load_data.py.

---

🔒 Principios y decisiones clave

• ✅ Separación estricta entre procesamiento semántico (LLM) y acceso a datos (MCP).
• ✅ Cumplimiento del diseño propuesto por MCP: los LLMs acceden a los datos solo a través de herramientas ("tools").
• ✅ Uso de prompts enriquecidos con información contextual previa obtenida del MCP.
• ✅ Arquitectura modular, extensible y trazable mediante logs.

---

📈 Escalabilidad futura

El diseño actual se ha planteado desde el principio con una visión clara de crecimiento:

• 🔁 Sustitución futura de DuckDB por Apache Iceberg real o incluso Trino/Presto.
• 🤖 Sustitución del modelo TinyLlama por un LLM más avanzado o alojado en GPU.
• 🔎 Evolución hacia una arquitectura RAG (Retrieval-Augmented Generation), donde:
  • El LLM consulta primero un vector store basado en embeddings generados desde el MCP.
  • El contenido recuperado se pasa como contexto al modelo para respuestas más precisas.

Además, se podrán incorporar nuevas herramientas MCP como:

• /tool/info/esquema
• /tool/info/documentacion
• /tool/descargar
• /tool/upload-pdf

---

📜 Conclusión

Se ha establecido una base sólida, funcional y alineada con las exigencias del TFG.
El sistema ya permite una interacción completa entre un modelo de lenguaje y un espacio de datos, cumpliendo con los principios del MCP y dejando preparado el camino para su futura evolución hacia un sistema RAG más avanzado.