Plataforma digital con IAG y RAG para la automatización de valoración de autos

Abstract

Las ventas de autos usados están aumentando exponencialmente, y con esto surge la necesidad del uso de plataformas digitales para hacer del proceso de venta una experiencia online rápida y segura. En este contexto, existen dos actores: el usuario que desea vender su auto, y el usuario que quiere comprarlo. Asignar el precio correcto considerando las características del vehículo, así como los daños declarados es esencial para mantener la confianza de ambas partes. Los sistemas tradicionales de valoración de autos que utilizan inteligencia artificial se centran en evaluar únicamente características como marca, modelo, año de manufactura, kilometraje, tipo de combustible, sistema de frenos, etc., y algunos más avanzados analizan imágenes usando deep learning. Sin embargo, es difícil encontrar un precio correcto sin conocer las condiciones en las que el auto se encuentra, ya que estos sistemas no evalúan los daños mecánicos o eléctricos que el vehículo podría presentar. La plataforma digital de la empresa permite a los usuarios que desean vender su vehículo, declarar mediante texto en lenguaje natural los daños mecánicos y/o eléctricos que el automóvil presenta. El desafío ahora reside en entender lo que el usuario ha ingresado y asignar un precio en base a la descripción del daño vehicular. La ayuda de un agente humano es primordial y la primera respuesta a este reto, sin embargo, esto genera una carga de trabajo mayor para ellos. Para resolver este nuevo problema, la solución planteada en este estudio utiliza inteligencia artificial generativa con técnicas como RAG y fundamentación para analizar el texto ingresado por el usuario, encontrar la clase o tipo de daño en una base de datos, y asignar el precio correspondiente a uno o más artículos declarados. La implantación del proyecto y las primeras proyecciones sostienen que la solución propuesta tiene una alta rentabilidad, logrando reducir el tiempo promedio de valoración en un 200%, manteniendo un nivel de precisión del 87% con respecto a la evaluación realizada por agentes humanos.