Smart Grant AI

SmartGrant rastrea múltiples portales de financiación alemanes, traduce y normaliza los datos de los programas y construye un almacén vectorial semántico (embeddings de OpenAI + Pinecone). Los usuarios describen su empresa o suben un perfil en PDF; el sistema busca en más de 500 programas, clasifica las coincidencias mediante una puntuación de relevancia personalizada (plazo, ubicación, dominio) y utiliza GPT-4 para generar recomendaciones priorizadas y redactar borradores de documentos de solicitud (DOCX).

Una interfaz de Streamlit ofrece un chat interactivo, respuestas respaldadas por RAG, análisis de PDF y persistencia de sesiones e historial mediante PostgreSQL. El pipeline incluye scraping con Selenium/Playwright, traducción con DeepL, limpieza de datos y generación con python-docx, lo que permite un asistente casi de extremo a extremo para el descubrimiento de financiación y la creación de un primer borrador de solicitud.

Se trata de un proyecto de investigación interno y aún se encuentra en fase de prototipo.

1. Heterogeneidad y actualidad de los datos: los portales de financiación tienen esquemas distintos, actualizaciones frecuentes y límites de tasa, lo que dificulta una agregación fiable y actualizada.
2. Extracción multilingüe y fidelidad: la traducción precisa y la preservación del significado de los textos jurídicos y administrativos alemanes hacia resúmenes en inglés no son triviales.
3. Relevancia y cumplimiento legal: la clasificación debe considerar criterios de elegibilidad detallados (legales, regionales, temporales) para evitar falsos positivos y reducir el esfuerzo desperdiciado.

1. RAG + búsqueda semántica: usar embeddings de OpenAI + Pinecone para una coincidencia y recuperación semánticas rápidas y, a continuación, aportar el contexto RAG a GPT-4 para producir recomendaciones de programas precisas y sus justificaciones.
2. Flujo de trabajo LLM híbrido: usar GPT-4-turbo para las recomendaciones y la redacción de solicitudes; usar GPT-3.5 (o modelos más ligeros) para resúmenes y paráfrasis de bajo costo a fin de reducir gastos.
3. Puntuación de relevancia + capa de reglas: combinar la similitud vectorial con filtros basados en reglas (plazos, elegibilidad, ubicación) para mejorar la precisión y sacar a la luz oportunidades accionables.

1. Tiempo ahorrado: reducir la búsqueda manual y el trabajo del primer borrador de solicitud de días a minutos por cada oportunidad.
2. Mayor calidad de las coincidencias: la clasificación semántica y basada en reglas devuelve menos falsos positivos y más coincidencias accionables.
3. Paso más rápido a la solicitud: los borradores DOCX generados automáticamente aceleran el ciclo de solicitud y aumentan el rendimiento para consultores o pymes.

1. Eficiencia laboral: automatiza tareas repetitivas de investigación y redacción, reduce las horas de trabajo por solicitud y disminuye los costos de consultoría.
2. Optimización de cómputo y costos: el uso escalonado de modelos (GPT-3.5 para resúmenes, GPT-4 para borradores) reduce el gasto en API a la vez que preserva la calidad donde importa.
3. Menos desplazamientos e impresiones: la generación digital de documentos y las coincidencias precisas reducen la necesidad de consultoría presencial, envíos físicos y documentación impresa.