Diseño e implementación de una arquitectura de software basada en LLM para la detección y clasificación inteligente de emergencias multi escenario: caso LivIApp

Abstract

LivIApp es una plataforma móvil orientada a la generación de alertas ante situaciones de riesgo. Su mecanismo inicial basado en palabras clave presenta limitaciones frente a la variabilidad del lenguaje humano y restringe su capacidad para abordar distintos tipos de emergencias. Este trabajo propone una arquitectura de software basada en modelos de lenguaje de gran escala para incorporar detección y clasificación semántica multi escenario. La solución integra captura de audio, transcripción mediante Whisper y análisis con GPT-4o-mini, generando una respuesta estructurada que identifica la existencia, categoría y gravedad de una posible emergencia. Además, incorpora un mecanismo de doble verificación que utiliza contexto temporal posterior para confirmar la situación o descartar falsas alarmas antes de alertar a la red de apoyo. La arquitectura se evaluó mediante 40 escenarios simulados de seguridad, emergencias médicas y accidentes. Bajo condiciones controladas, las decisiones finales coincidieron con el resultado esperado en los 40 casos. En aquellos que requirieron doble verificación, la latencia promedio acumulada de procesamiento posterior a la captura fue de 7,87 segundos, excluyendo la duración de las ventanas de grabación. Estos resultados proporcionan evidencia inicial sobre la viabilidad del análisis semántico basado en LLM.