Arquitectura multiagente para modelos RAG en entornos de tráfico aéreo

Resumen

El presente Trabajo de Fin de Grado, titulado “Arquitectura Multiagente para Modelos RAG en Entornos de Tráfico Aéreo”, aborda el diseño e implementación de un sistema multiagente basado en modelos de lenguaje de gran tamaño (LLMs). A través de una implementación RAG (Generación Aumentada por Recuperación), este sistema es capaz de detectar posibles errores en las comunicaciones ATC (Control de Tráfico Aéreo). Estas comunicaciones son la vía de contacto principal entre controladores y pilotos, por lo que deben garantizar la máxima fiabilidad y precisión. Es por eso que el objetivo del proyecto es mejorar la seguridad y fiabilidad de estas operaciones, demostrando cómo la aplicación de la Inteligencia Artificial Generativa podría tener un papel clave en el futuro del sector aeronáutico. La solución desarrollada cuenta con cinco agentes, cada uno con una responsabilidad única. Estos agentes se encargan de procesar los datos que consumirá el programa, construir y gestionar el RAG, alimentar al modelo de lenguaje (LLM) con datos contextuales y relevantes, generar comunicaciones ATC sintéticas, analizar dichas comunicaciones, detectar errores y dar retroalimentación en tiempo real mediante streaming simulado. Además, se realizan pruebas para garantizar la calidad del feedback proporcionado para cada escenario. Todo esto es visible y accesible para el usuario mediante un frontend interactivo desarrollado con Streamlit. Este interfaz permite ejecutar el pipeline completo, visualizar en tiempo real las comunicaciones ATC generadas y las aportaciones realizadas por los agentes, así como interactuar directamente con el sistema para seleccionar escenarios específicos y comprobar la efectividad del modelo a través de una interfaz sencilla e intuitiva. El impacto de este Trabajo de Fin de Grado radica en sentar unas bases tecnológicas y conceptuales necesarias para incorporar la inteligencia artificial generativa en el sector del tráfico aéreo. La arquitectura desarrollada actúa como una prueba de concepto (PoC), demostrando cómo esta tecnología puede mejorar la seguridad operativa mediante el uso coordinado de múltiples agentes inteligentes capaces de monitorizar acciones humanas. Además, establece un punto de partida para desarrollos futuros e implementaciones más avanzadas que podrían transformar las comunicaciones ATC y reducir el número de incidentes aeronáuticos. En conclusión, este trabajo valida con el potencial de la inteligencia artificial generativa aplicada mediante una arquitectura multiagente para mejorar la seguridad y fiabilidad en las comunicaciones de control de tráfico aéreo, sentando así las bases para futuras investigaciones y aplicaciones prácticas en el ámbito aeronáutico.

ABSTRACT

The present Final Degree Project, titled "Multi-Agent Architecture for RAG Models in Air Traffic Environments," addresses the design and implementation of a multi-agent system based on large language models (LLMs). Through a Retrieval Augmented Generation (RAG) implementation, this system is capable of detecting potential errors in Air Traffic Control (ATC) communications. These communications are the primary contact channel between controllers and pilots, thus requiring maximum reliability and accuracy. Therefore, the project's goal is to enhance safety and reliability in these operations, demonstrating how Generative Artificial Intelligence could play a crucial role in the future of the aeronautical sector. The developed solution consists of five agents, each with a unique responsibility. These agents are tasked with processing the data consumed by the program, creating and managing the RAG system, supplying contextual and relevant data to the language model (LLM), generating synthetic ATC communications, analyzing these communications, detecting errors, and providing real-time feedback through simulated streaming. Additionally, tests are performed to guarantee the quality of the feedback provided for each scenario. All of this is visible and accessible to users via an interactive frontend developed with Streamlit. This interface allows the execution of the complete pipeline, realtime visualization of generated ATC communications and agent contributions, and direct interaction with the system to select specific scenarios and verify the model's effectiveness through a simple and intuitive interface. The impact of this Final Degree Project lies in laying the technological and conceptual foundations necessary to incorporate generative artificial intelligence into the air traffic sector. The developed architecture acts as a proof of concept (PoC), demonstrating how this technology can enhance operational safety through the coordinated use of multiple intelligent agents capable of monitoring human actions. Additionally, it establishes a starting point for future developments and more advanced implementations that could transform ATC communications and reduce the number of aerial incidents. In conclusion, this project validates the potential of generative artificial intelligence applied through a multi-agent architecture to improve safety and reliability in air traffic control communications, thus laying the groundwork for future research and practical applications in the aeronautical field.