Este proyecto se desarrolló en colaboración con Repsol y actualmente está siendo evaluado para su aplicación en sistemas industriales.
Los procesos industriales generan flujos masivos de datos de sensores, pero el conocimiento necesario para detectar anomalías de seguridad permanece en documentación técnica no estructurada. Los métodos tradicionales de detección de anomalías que dependen de patrones históricos no capturan fallos que están definidos en los manuales de seguridad pero que nunca han ocurrido en operación.
Esta tesis introduce un marco de compilación semántica que transforma especificaciones de seguridad en lenguaje natural en reglas ejecutables. En lugar de usar modelos de lenguaje (LLMs) como oráculos, los tratamos como compiladores de restricciones de ingeniería, generando lógica determinista desplegada en un motor de procesamiento de streaming para monitorización industrial.
Repsol quedó muy impresionado con los resultados y está evaluando la tecnología para su integración en sus sistemas operativos — una validación potente de su relevancia industrial.
Problema y Motivación
La industria de procesos enfrenta:
- Abundancia de datos pero escasez de conocimiento
- Dependencia manual de ingenieros de dominio para interpretar especificaciones de seguridad
- Herramientas tradicionales incapaces de detectar condiciones de fallo definidas pero no observadas
Objetivo: Construir una canalización automatizada que:
- Lea especificaciones en lenguaje natural
- Compile reglas ejecutables
- Las despliegue eficientemente en tiempo real
Lo que Construí
- Un marco de compilación semántica multinivel que trata las especificaciones como código fuente
- Un paradigma Program-of-Thoughts junto con RAG sensible al diseño de documento
- Generación determinista de reglas en Python utilizando librerías de LLM de última generación (muchas inexistentes al iniciar el proyecto)
- Separación explícita entre la extracción probabilística y la ejecución determinista
- Motor de procesamiento de streaming liviano con evaluación incremental de reglas
Todos los componentes se construyeron con estándares avanzados de LLMops, garantizando reproducibilidad, validez mediante decodificación con restricciones y separación de responsabilidades entre extracción y ejecución.
Aspectos Técnicos Destacados
- Compilación de lenguaje natural a código usando LLM como compiladores
- Pipelines RAG / SAG sensibles al layout para extracción de lógica estructurada
- Decodificación con restricciones para validez casi perfecta de las reglas generadas
- Capa de ejecución determinista separada de la inferencia del modelo
- Procesamiento incremental eficiente apto para edge / IoT industrial
Resultados y Relevancia Industrial
- Validez cercana al 100% en reglas extraídas en benchmarks sintéticos
- Mejora significativa de recall semántico en restricciones temporales complejas frente a métodos basados en patrones
- Ejecución eficiente en un motor de streaming liviano, demostrando prueba de concepto para despliegues en tiempo real
- Repsol ha mostrado gran interés y está trabajando en aplicar la tecnología en sus sistemas, confirmando el impacto de negocio y la madurez técnica
Impacto
Este trabajo ofrece una alternativa a la detección puramente basada en datos, habilitando definiciones de anomalías expresadas desde el conocimiento del dominio, que pueden:
- ser expresadas directamente por expertos
- ejecutarse determinísticamente en producción
- mantenerse y auditarse como código
Representa un avance fundamental para sistemas de monitorización basados en especificaciones en entornos industriales.
Palabras Clave
Definición de anomalías • LLM como compiladores • Retrieval-Augmented Generation • RAG • Program-of-Thoughts • IoT Industrial • Procesamiento de Streaming • Extracción de Conocimiento • Edge Computing • LLMops
