RAG (Generación aumentada por recuperación)
Definición breve
El RAG permite a un modelo de IA extraer información de un conjunto de documentos fiables antes de redactar su respuesta, en lugar de fiarse solo de su memoria.
El RAG, generación aumentada por recuperación, hace que un modelo de lenguaje consulte un documento o una base de datos concreta en el momento de la consulta, en lugar de apoyarse solo en lo aprendido durante el entrenamiento. Primero busca la fuente pertinente y luego redacta una respuesta basada en ella.
Este método reduce la tendencia del modelo a inventar, alucinar, sobre un tema que no conoce o conoce de forma desactualizada, porque la respuesta ahora se nutre de una fuente mostrada y no de patrones generales.
Una empresa puede conectar su propio catálogo de productos, sus textos de preguntas frecuentes o sus documentos de política a un sistema RAG, para que un asistente de clientes hable solo desde sus propios datos correctos.
El RAG se confunde a menudo con el reentrenamiento del modelo, o fine-tuning, pero el RAG no toca los pesos del modelo, solo le muestra un documento pertinente al hacer la consulta, mientras que el fine-tuning reentrena esos pesos. En la práctica, usted reconoce el RAG cuando la respuesta incluye una fuente o referencia de página; si falta, el modelo probablemente confía solo en su entrenamiento original.
Por qué importa
Configurar un RAG garantiza que un asistente de IA hable desde los datos correctos propios de la empresa y no desde el conocimiento general de internet. Esto reduce en gran medida el riesgo de indicar un precio o una política equivocados.
Ejemplo ilustrativo
Un proveedor de datáfono virtual conectó su asistente de soporte a su propia documentación técnica mediante RAG, y dejó de sugerir pasos de integración obsoletos.
