Análisis para la implementación de un sistema de soporte técnico automatizado basado en LLM y Docker: Arquitectura contenerizada para la automatización del primer nivel de atención mediante inteligencia artificial

AMAURY CASTILLO CRUZ; Emmanuel Tonatihu Juarez Velázquez

doi:10.5281/zenodo.19889233

Autores/as

AMAURY CASTILLO CRUZ TECNOLOGICO DE ESTUDIOS SUPERIORES DE ECATEPEC https://orcid.org/0009-0007-8673-4011
Emmanuel Tonatihu Juarez Velázquez Tecnológico de Estudios Superiores de Ecatepec https://orcid.org/0000-0001-5388-0521

DOI:

https://doi.org/10.5281/zenodo.19889233

Palabras clave:

Automated technical support, Large Language Models (LLM), Docker containers, Artificial Intelligence, Microservices architecture, Natural language processing, Incident management automation

Resumen

En este trabajo se presenta el diseño e implementación de un sistema de soporte técnico automatizado basado en un modelo de lenguaje de gran escala (LLM), desplegado mediante contenedores Docker e integrado con una interfaz web desarrollada en Python. El objetivo es optimizar la gestión de incidencias técnicas mediante la automatización del primer nivel de atención. El sistema interpreta solicitudes en lenguaje natural, clasifica tickets según su nivel de complejidad y genera respuestas contextualizadas. La arquitectura propuesta permite escalabilidad, aislamiento de servicios y mantenimiento eficiente. Los resultados experimentales muestran una reducción significativa en los tiempos de respuesta y una mejor distribución de cargas entre niveles de soporte. Finalmente, se discuten limitaciones relacionadas con la clasificación automática y el rendimiento dependiente de recursos computacionales, proponiendo líneas futuras de mejora en modelos especializados y optimización del sistema.

Biografía del autor/a

AMAURY CASTILLO CRUZ, TECNOLOGICO DE ESTUDIOS SUPERIORES DE ECATEPEC

Estudiante de la Maestría en Ingeniería en Sistemas Computacionales en el Tecnol´ógico de Estudios Superiores de Ecatepec

Emmanuel Tonatihu Juarez Velázquez, Tecnológico de Estudios Superiores de Ecatepec

Profesor del Tecnológico de Estudios Superiores de Ecatepec, vinculado al área de Ingeniería en Sistemas Computacionales. Ha participado en la asesoría y revisión de trabajos académicos relacionados con el desarrollo de software, tecnologías de información y procesos de investigación aplicada.

Citas

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.

Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108–116.

Freshworks. (2026). Freshdesk: AI-powered platform for modern customer service. Recuperado el 19 de marzo de 2026 de https://www.freshworks.com/freshdesk/

Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O’Reilly Media.

Huang, M. H., & Rust, R. T. (2021). Artificial intelligence in service. Journal of Service Research, 24(1), 3–16. https://doi.org/10.1177/1094670520902266

ITIL. (2019). ITIL Foundation: ITIL 4 Edition. AXELOS.

Lin, C.-Y. (2004). ROUGE: A package for automatic evaluation of summaries. In Proceedings of the Workshop on Text Summarization Branches Out (pp. 74–81). Association for Computational Linguistics.

Merkel, D. (2014). Docker: Lightweight Linux containers for consistent development and deployment. Linux Journal, 2014(239), 2.

Newman, S. (2015). Building microservices. O’Reilly Media.

Norman, D. (2013). The design of everyday things. Basic Books.

OpenAI. (2023). GPT-4 technical report. arXiv:2303.08774.

Papineni, K., Roukos, S., Ward, T., & Zhu, W.-J. (2002). BLEU: A method for automatic evaluation of machine translation. In Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (pp. 311–318). Association for Computational Linguistics.

Richards, M., & Ford, N. (2020). Fundamentals of software architecture. O’Reilly Media.

Van Rossum, G., & Drake, F. L. (2009). Python 3 reference manual. CreateSpace.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.

Zendesk. (2026). AI for customer service. Recuperado el 19 de marzo de 2026 de https://www.zendesk.com/service/ai/.

Agarwal, S., Sindhgatta, R., & Sengupta, B. (2012). SmartDispatch: Enabling efficient ticket dispatch in an IT service environment. In Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM. doi:10.1145/2339530.2339744.

Al-Hawari, F., & Barham, H. (2021). A machine learning based help desk system for IT service management. Journal of King Saud University - Computer and Information Sciences, 33(6), 702–718. doi:10.1016/j.jksuci.2019.04.001.

Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics.

Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., Dai, Y., Sun, J., Wang, M., & Wang, H. (2024). Retrieval-augmented generation for large language models: A survey. arXiv. doi:10.48550/arXiv.2312.10997.

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv. doi:10.48550/arXiv.2005.11401.

Hu, E. J., Shen, Y., Wallis, P., Allen-Zhu, Z., Li, Y., Wang, S., Wang, L., & Chen, W. (2021). LoRA: Low-rank adaptation of large language models. arXiv. doi:10.48550/arXiv.2106.09685.

Marcuzzo, M., Zangari, A., Schiavinato, M., Giudice, L., Gasparetto, A., & Albarelli, A. (2022). A multi-level approach for hierarchical ticket classification. In Proceedings of the Eighth Workshop on Noisy User-generated Text (W-NUT 2022) (pp. 201–214). Association for Computational Linguistics.

Olujimi, P. A., & Ade-Ibijola, A. (2023). NLP techniques for automating responses to customer queries: A systematic review. Discover Artificial Intelligence, 3, 20. doi:10.1007/s44163-023-00065-5.