Rigor académico a escala con un pipeline de evaluación con IA que prioriza la privacidad

• Una curaduría manual que limita la producción de investigación. Crear evaluaciones nuevas requería semanas de tiempo de expertos, lo que limitaba la producción de investigación y las herramientas listas para el aula.
• Datos de niños que descartan las API de IA públicas. Los datos sensibles de los niños hacían inviables las API de IA de terceros, por razones de privacidad y éticas.
• Contenido generado sujeto a estándares académicos. Los resultados debían ajustarse a las taxonomías internas, a los estándares CCSS y a la adecuación al desarrollo del niño.
• Sin margen para el contenido inseguro. Una moderación integrada debía filtrar automáticamente el contenido inapropiado y los datos personales (PII).

Devsinc diseñó un pipeline de extremo a extremo sobre cuatro pilares, creado para que la IA refuerce la experiencia humana en lugar de reemplazarla.

• Arquitectura que prioriza la privacidad. Un LLM autoalojado en un servidor privado mantiene todos los datos, los prompts y los borradores dentro del entorno del instituto.
• RAG dual para un contenido fundamentado. Dos capas de recuperación se apoyan en el banco de preguntas de los expertos y en las taxonomías de investigación y los documentos CCSS.
• Revisión con una persona en el circuito. Los expertos revisan, editan y aprueban los borradores en un portal, y sus comentarios afinan las estrategias de prompting.
• Moderación de contenido automatizada. Un filtro integrado elimina el contenido inapropiado y los datos personales (PII) tanto de las entradas como de las salidas.