164748 20251203145554.0 TAZ-TFG-2025-3061 spa De Vera Sanz, Carlos RAG to facilitate the use of DATUZ and learning about data warehouses. RAG para facilitar el uso de DATUZ y el aprendizaje de almacenes de datos. Zaragoza Universidad de Zaragoza 2025 by-nc-sa Creative Commons 3.0 http://creativecommons.org/licenses/by-nc-sa/3.0/ Este Trabajo de Fin de Grado desarrolla dos herramientas para mejorar el acceso y aprendizaje de datos universitarios en la Universidad de Zaragoza. RAGDWAREuz es un asistente conversacional basado en inteligencia artificial que permite consultar información sobre los datos de SEGEDA usando lenguaje natural, eliminando la necesidad de conocimientos técnicos especializados. MDX LEARN es un entorno educativo autocontenido que facilita el aprendizaje de MDX, el lenguaje de consultas para análisis multidimensional, mediante datos sintéticos y cuadernos de Jupyter guiados. La implementación utiliza tecnologías de código abierto como LangGraph para flujos conversacionales, Milvus como base de datos vectorial, y modelos de lenguaje optimizados para entornos con recursos limitados. El sistema RAG combina recuperación de información con generación de respuestas, permitiendo consultas como "¿Qué es un egresado?" o "¿Cuántos estudiantes de nuevo ingreso hubo en Física?" con respuestas precisas basadas en documentación oficial. La evaluación mediante herramientas automáticas (DeepEval) y expertos universitarios demuestra la viabilidad de implementar IA avanzada en entornos universitarios. Los resultados confirman que ambas herramientas democratizan el acceso a información institucional y mejoran la formación técnica, con aplicación real en el marco del proyecto NEAT-AMBIENCE y la colaboración con DATUZ.<br /> Graduado en Ingeniería Informática Derechos regulados por licencia Creative Commons 848481@celes.unizar.es 2314954 http://zaguan.unizar.es/record/164748/files/TAZ-TFG-2025-3061.pdf Memoria (spa) oai:zaguan.unizar.es:164748 driver trabajos-fin-grado 9 RAGDWAREuz contribuye al ODS 9.5 al demostrar la viabilidad de implementar tecnologías de IA avanzadas con arquitectura modular, código abierto y recursos limitados, facilitando su replicación y adopción en otros entornos académicos para impulsar la investigación y la innovación tecnológica. Ilarri Artigas, Sergio dir. Gracia Latorre, María Belén dir. Universidad de Zaragoza Informática e Ingeniería de Sistemas Lenguajes y Sistemas Informáticos TAZ TFG EINA 20250627094319.CREATION_DATE deposita:2025-12-03