Objetivo
Este sistema descubre 20-30 casos de uso reales (10-15 por dominio) donde la analítica avanzada y Edge AI aportan valor operativo en dos áreas:
- Vehículos blindados: ruedas / cadenas, IFV, MRAP, vehículos de reconocimiento.
- UAV / drones tácticos: ISR de ala fija, FPV / loitering, enjambres, VTOL / cuadricópteros.
No busca empresas ni productos, sino problemas operativos documentados que luego se transforman en oportunidades tecnológicas.
Fuentes y reglas
- Únicamente fuentes públicas (gubernamentales, OTAN, académicas, prensa especializada).
- Búsquedas en inglés y español para capturar documentación local.
- Cada caso requiere al menos dos referencias independientes.
- Se descartan hallazgos centrados en letalidad, sistemas de armas o targeting.
- El foco es apoyo a la decisión: conciencia situacional, mantenimiento, logística, carga cognitiva, comunicaciones.
Tecnología: aisa.one + Tavily + Perplexity
La investigación se orquesta a través del gateway aisa.one, que integra dos motores complementarios:
- Tavily Search: realiza el recall amplio, devolviendo resultados públicos relevantes. Se usan filtros de fecha para priorizar los últimos 5 años, salvo en problemas estructurales (DDIL, carga cognitiva).
- Perplexity Sonar Pro / Deep Research: sintetiza los mejores resultados, verifica fuentes adicionales, aplica filtrado por dominio (priorizando
.mil, .gov, .int) y realiza gap analysis.
Workflow de investigación
- Selección de dominio (blindados o UAV).
- Recall amplio con Tavily en inglés y español.
- Síntesis y análisis de huecos con Perplexity.
- Extracción de dominio, subtipo, categoría del problema, decisiones afectadas, datos disponibles, limitaciones y tipo de fuente.
- Deduplicación: se fusionan hallazgos que describan el mismo problema; máximo 3 rondas de iteración si un dominio queda por debajo de 10 casos.
- Evaluación técnica: se clasifica cada caso en una o varias categorías (Data Fusion, Edge AI, Computer Vision, Predictive Analytics, Anomaly Detection, Decision Support, Digital Twin, Automated Summarization / NLG).
- Generación del informe en Markdown con tabla resumen y ficha por caso.
De Markdown a JSON
El informe Markdown se serializa a un array JSON (casos.json). Cada objeto añade los campos necesarios para la aplicación web:
id: UUID v4 para identificar el caso de forma única.case_number: número secuencial para referencia rápida.discarded: booleano para marcar casos descartados sin borrarlos.origen_caso: origen del caso (AISA, RAG de fuentes de alto valor, Propuesta Interna).proyectos_previos, capacidades_disponibles, capacidades_a_desarrollar, comentarios: campos de Proyección Sixtema para evaluar oportunidades de negocio.
El frontend lee ese JSON, permite filtrar, editar, añadir casos y persistir los cambios de vuelta al fichero.