Update README.md

README.md

@@ -4,10 +4,15 @@ language:
 - es
 ---
 
-# Introducción al consultor de SQL
+# Implementar LLM y SQL para interactuar con una base de datos en español en un enfoque multimodal
 
-La conversión de consultas de usuarios en comandos SQL, es una de las aplicaciones más importantes de los LLM en el mundo real en la actualidad, pudiendo facilitar el 
-procedimiento de acceso a los datos para usuarios de bases de datos no profesionales que no están familiarizados con SQL. 
+El desafío de generar SQL preciso para las consultas de los usuarios ha persistido durante mucho tiempo, ya que exige una comprensión profunda tanto de la consulta como de la base de datos. 
+Existen soluciones se basan en las capacidades de los grandes modelos de lenguaje (LLM) para generar SQL que se alinee con el esquema de la base de datos y recupere con precisión los datos requeridos.  
+Sin embargo, existen varios problemas como son  
+- Estas soluciones se encuentran en idioma inglés
+- Hay algunos conocimientos necesarios que no están incluidos explícitamente en el esquema de la base de datos ni han sido aprendidos por los LLM.
+
+Por lo que se propone una herramienta que sea capaz de interactuar en español con una base de datos utilizando un enfoque multimodal, como primer paso se creó un conjunto de datos personalizado para posteriormente entrenarlo apoyados por PEFT (parameter-efficient fine-tuning) y por medio de comandos de voz poder generar instrucciones y que sus correspondientes respuestas puedan entregar resultados ya sea por respuesta de voz, texto o imagen según sea la respuesta
 
 ## Detalles del modelo
 
@@ -24,7 +29,7 @@ Después de entrenar el modelo procedemos a una fase de pruebas se colocan instr
 
 ![image/png](https://cdn-uploads.huggingface.co/production/uploads/6529beddd78452c474eacc37/IKuxLT3JFnZyaPd1Hqccz.png)
 
-## Uso
+## Notebook
 
 Aqui se muestra un link al github con los los notebooks de entreamiento de cada modelo
 
@@ -35,6 +40,10 @@ Como segundo modelo se utilizo Mistral7b este se hizo un fine-tuning con el mode
 
 - [Mistral](https://github.com/Asis41/LLM_SQL_BaseDatosEspanol/blob/main/trainer-llm-detect-ai-comp-mistral-7b%20(1).ipynb)
 
+## Resutlados
+
+Después de aplicar la herramienta se logró que en un 80 % de los datos se entregaron sentencias favorables y al aplicar la auto-corrección se logro una cifra del 87% 
+
 ## Contribuciones
 
 Nuestras contribuciones se listan a continuación: