Contenedores e Inteligencia Artificial para Dummies

Docker propone virtualización de software mediante contenedores: empaquetan código, librerías y dependencias, garantizando que el software funcione idénticamente en cualquier entorno. A diferencia de máquinas virtuales que replican un sistema operativo completo, los contenedores son ligeros y portables.

Instalación

Se instala Docker Desktop y opcionalmente se integra con WSL (wsl --install). Verificación: docker --version.

Imágenes y Contenedores

Una imagen es una plantilla (como un ISO), el contenedor es la instancia en ejecución:

docker pull hello-world
docker run hello-world
docker images
docker ps -a

Despliegue de Apps Geoespaciales

Mapeo de puertos con -p y modo segundo plano con -d:

docker run -d -p 8080:80 ingjuanmasuarez/app-geoturismo:v1

PostGIS + pgAdmin con Red Docker

Se crea una red virtual para comunicación entre contenedores:

docker network create geo-net

docker run --name postgis --network geo-net \
  -e POSTGRES_USER=juanma \
  -e POSTGRES_PASSWORD=geocositas \
  -e POSTGRES_DB=gisdb \
  -p 5432:5432 -d postgis/postgis:latest

docker run --name pgadmin --network geo-net \
  -e PGADMIN_DEFAULT_EMAIL=admin@geocositas.com \
  -e PGADMIN_DEFAULT_PASSWORD=geocositas \
  -p 5050:80 -d dpage/pgadmin4

En pgAdmin, el Host name es el nombre del contenedor (postgis), no localhost. GeoServer se despliega en otro puerto: docker run -d -p 8081:8080 docker.osgeo.org/geoserver:2.23.0.

Los LLM (Large Language Models) procesan texto mediante tokenización (descomposición en unidades) y embeddings (vectores numéricos en espacio n-dimensional donde palabras similares se agrupan geométricamente). La arquitectura Transformers usa redes neuronales con mecanismos de autoatención (self-attention).

Ollama: LLM Locales

Ejecutar modelos localmente garantiza privacidad. La cuantización reduce precisión decimal para menor consumo de RAM:

ollama run codellama
ollama list

Prompt Engineering para SIG

Cadena de Pensamiento + Roles:

Actúa como desarrollador senior en Python y PostGIS.
Explica paso a paso cómo calcular NDVI.
Usa solo Psycopg2 y Geopandas. Máximo 40 líneas.

Árbol de Pensamiento:

Desarrolla 3 flujos para detectar cambios de cobertura.
Selecciona el mejor y preséntalo en JSON con campos:
Etapa, Herramientas, Descripción, Script Python.

Rol Inverso:

Actúa como estudiante curioso, yo soy el experto.
Hazme 3 preguntas antes de generar código para
calcular buffers y exportar a GeoPackage.

Metalenguaje SIG:

Mini lenguaje: LOAD=leer, CLIP=recorte, CALC=área, SAVE=exportar.
Interpreta: "LOAD -> CLIP -> CALC -> SAVE"
Devuelve script Python completo.

RAG (Retrieval Augmented Generation) combina un LLM con una base de conocimientos externa. El flujo: los documentos se fragmentan en chunks, se transforman en embeddings (vectores n-dimensionales) y se almacenan en una base de datos vectorial. Ante una consulta, el sistema recupera semánticamente la información más relevante.

Despliegue de n8n con Docker

n8n orquesta el flujo de trabajo. Se integra en la misma red que PostgreSQL y Ollama:

docker run -d --name n8n --network gisnet \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  n8nio/n8n

Para conectar con Ollama: http://host.docker.internal:11434

PostgreSQL con Extensión Vector

Habilitamos la capacidad de almacenar vectores:

CREATE DATABASE geologo;
\c geologo
CREATE EXTENSION IF NOT EXISTS vector;

Flujo n8n: Ingesta y Recuperación

Ingesta: Cargar PDFs → Text Splitter (chunks) → Embeddings (nomic-embed-text) → Insertar en tabla vectores_geologia.

Recuperación: Chat de Ollama (llama3/qwen) → Vector Store Tool conectado a PostgreSQL → Búsqueda semántica → Respuesta contextualizada.

System Prompt

Eres un asistente experto en geología.
Utiliza la herramienta de recuperación para responder
basándote exclusivamente en el contexto recuperado.

Implementación de RAG sobre PostgreSQL con extensiones PostGIS y pgvector. Transformamos registros espaciales en embeddings para consultas en lenguaje natural, permitiendo que un LLM "converse" con datos geográficos propios.

API de Ollama

Ollama expone endpoints REST. Para generar texto: /api/generate. Para embeddings: /api/embeddings (verificar dimensionalidad, ej: 768).

Tabla de Conocimiento Vectorial

Creamos una tabla kb_items con columna de tipo vector:

CREATE TABLE kb_items (
    id SERIAL PRIMARY KEY,
    contenido TEXT,
    metadata JSONB,
    geom GEOMETRY,
    embedding VECTOR(768)
);

Indexación con Python

Iteramos tablas (colegios, equipamientos), concatenamos atributos en texto descriptivo, obtenemos embedding via API y lo insertamos con psycopg:

texto = f"El colegio {nombre} tiene {cupos} cupos"
embedding = obtener_embedding(texto)  # API Ollama
cursor.execute("INSERT INTO kb_items ...", [texto, embedding])

Chat Geoespacial

La pregunta del usuario se convierte en embedding y se buscan registros similares con operadores de pgvector. El contexto recuperado se incluye en el prompt:

Eres un asistente experto en SIG.
Contexto: {registros_recuperados}
Responde basándote únicamente en el contexto.
Pregunta: {pregunta_usuario}

Esto garantiza privacidad y reduce alucinaciones del modelo.