📘 Laboratorio 1: Analizar Caso de Estudio de un Asistente Multimodal

Este documento describe el caso de negocio que utilizaremos como hilo conductor a lo largo de todo el curso. Cada sesión práctica estará vinculada a este escenario ya que relaciona el concepto multimodal de la carrera en IA, permitiéndote aplicar los conceptos de base de datos sobre un problema realista y coherente.

🧠 Lógica del Negocio

Aletza es un asistente virtual inteligente al que los usuarios acceden a través de diferentes canales (Telegram, web, app). Su característica principal es la autenticación por voz: el usuario dice la palabra mágica “aletza” y, si el sistema reconoce su voz, se le da acceso a todas las funcionalidades del agente.

El sistema está pensado para solo autenticación por voz, sin alternativas de contraseña. El registro de voz se realiza una sola vez durante el proceso de alta.

👥 Actores y Roles

Actor Descripción
Usuario Persona que se registra en la plataforma, realiza el enrollment de voz (repite “aletza” 10 veces) y luego se registra por unica vez mediante su voz para usar el asistente, y ya luego cuando quiera usar solo dira una vez “aletza” para iniciar sesion.
Agente / Bot El asistente IA multimodal que procesa los mensajes del usuario (texto, voz, imagen, video) utilizando módulos especializados: transcripción, análisis de imagen, clasificación de intención, generación de respuestas, etc.

🔄 Flujo Completo

1. Registro y Enrollment de Voz

  1. El ingresa a telegram desde el bot
  2. Desde el bot de telegram, se le dare ciertas instrucciones de registro si es la primera vez que ingresa, el usuario envía 10 mensajes de voz diciendo la palabra mágica “aletza”.
  3. El sistema almacena cada muestra y entrena un perfil biométrico asociado al usuario (vector de voz).
  4. Una vez completadas las 10 muestras, el perfil queda activo.

2. Autenticación por Voz (Uso Diario)

  1. El usuario envía un mensaje de voz con la palabra “aletza” inicialmente para iniciar sesion.
  2. El sistema extrae el vector de voz y lo compara con los perfiles almacenados.
  3. Si hay coincidencia, se inicia una sesión y el agente responde:
    “Bienvenido [nombre], ¿en qué puedo ayudarte?”
  4. A partir de ese momento, el usuario puede enviar cualquier tipo de mensaje (texto, audio, imagen, video) y el agente responde usando los módulos de IA correspondientes.

3. Gestión de Sesiones (Timeout)

  • Cada sesión tiene una duración máxima de 1 hora de inactividad.
  • Si el usuario no envía ningún mensaje durante 1 hora, la sesión se cierra automáticamente.
  • Para volver a usar el asistente, el usuario debe decir nuevamente “aletza” y autenticarse de nuevo.

4. Uso del Agente

Una vez autenticado, el agente actúa como un orquestador modular. Cada mensaje del usuario pasa por varios módulos:

  • Multimodalidad: Si el mensaje es audio, se transcribe; si es imagen, se describe; si es video, se analiza.
  • Clasificación NLP: Se determina la intención (ej. “soporte técnico”, “pedir información”, “charla informal”) y el sentimiento.
  • Generación de respuesta: Se produce una respuesta coherente, personalizada y contextual.
  • Traza: Cada paso queda registrado en logs de ejecución (qué módulo se usó, cuánto tardó, éxito/fallo).

🗂️ Modelo de Datos (Evolutivo)

A lo largo del curso iremos construyendo incrementalmente el modelo de datos. Las tablas principales serán:

-- Usuarios
CREATE TABLE usuarios (
    id SERIAL PRIMARY KEY,
    username TEXT UNIQUE NOT NULL,
    email TEXT UNIQUE NOT NULL,
    creado_en TIMESTAMPTZ DEFAULT NOW()
);

-- Perfiles de voz (enrollment)
CREATE TABLE perfiles_voz (
    id SERIAL PRIMARY KEY,
    usuario_id INT REFERENCES usuarios(id),
    palabra_magica TEXT NOT NULL,          -- 'aletza'
    vector_voz JSONB,                      -- embeddings o datos biométricos
    muestras_tomadas INT DEFAULT 0,
    estado TEXT DEFAULT 'incompleto' CHECK (estado IN ('incompleto', 'completo'))
);

-- Sesiones autenticadas
CREATE TABLE sesiones (
    id SERIAL PRIMARY KEY,
    usuario_id INT REFERENCES usuarios(id),
    token TEXT UNIQUE NOT NULL,
    canal TEXT,
    iniciada_en TIMESTAMPTZ DEFAULT NOW(),
    ultima_actividad TIMESTAMPTZ DEFAULT NOW(),
    expira_en TIMESTAMPTZ DEFAULT NOW() + INTERVAL '1 hour'
);

-- Mensajes (conversación)
CREATE TABLE mensajes (
    id SERIAL PRIMARY KEY,
    sesion_id INT REFERENCES sesiones(id),
    remitente_id INT REFERENCES usuarios(id),
    contenido TEXT,                         -- texto original o transcripción
    modalidad TEXT CHECK (modalidad IN ('texto', 'audio', 'imagen', 'video')),
    metadata_ia JSONB,                      -- resultados de los módulos
    enviado_en TIMESTAMPTZ DEFAULT NOW()
);

-- Logs de ejecución de módulos (trazabilidad)
CREATE TABLE logs_ejecucion (
    id SERIAL PRIMARY KEY,
    mensaje_id INT REFERENCES mensajes(id),
    modulo TEXT NOT NULL,
    tiempo_ejecucion_ms INT,
    exito BOOLEAN,
    error TEXT,
    ejecutado_en TIMESTAMPTZ DEFAULT NOW()
);

📝 Nota para el Estudiante

Este documento será tu guía de referencia durante todo el curso. Cada sesión retomará el caso de Aletza, añadiendo nuevos componentes o resolviendo problemas concretos. Te recomendamos conservarlo y tomar notas sobre las evoluciones que vayamos realizando.

Palabra mágica: aletza
Sesión: dura 1 hora de inactividad; si se duerme, basta con decir “aletza” para despertar al asistente.

Estructura visual

  • Capa de entrada: webhook de telegram bot
  • Capa de seguridad: Funcion auth_biometrica(), compara el audio recibido con perfilez_voz
  • Capa de inteligencia: Modulos que escriben en metadata_ia (jsonb)

  • Capa de observabilidad: La tabla logs_ejecucion que alimenta el dashboard de big data