{"id":15356,"date":"2024-02-21T07:31:28","date_gmt":"2024-02-21T15:31:28","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=15356"},"modified":"2025-06-13T20:32:24","modified_gmt":"2025-06-14T03:32:24","slug":"an-overview-of-retrieval-augmented-generation","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/es\/an-overview-of-retrieval-augmented-generation\/","title":{"rendered":"Visi\u00f3n general de la generaci\u00f3n mejorada por recuperaci\u00f3n (RAG)"},"content":{"rendered":"

\u00bfQu\u00e9 es la generaci\u00f3n mejorada por recuperaci\u00f3n?<\/span><\/h2>\n

No cabe duda de que <\/span>grandes modelos ling\u00fc\u00edsticos (LLM)<\/span><\/a> han transformado el procesamiento del lenguaje natural, pero a veces pueden ser incoherentes, aleatorios o incluso err\u00f3neos en las respuestas que dan a una pregunta. Si bien es cierto que esto puede dar lugar a algunas risas, no es lo ideal cuando se conf\u00eda en los LLM para obtener informaci\u00f3n precisa y verificable.<\/span><\/p>\n

Muchos equipos t\u00e9cnicos trabajan para mejorar la precisi\u00f3n de los grandes modelos ling\u00fc\u00edsticos. Un m\u00e9todo que ha surgido en respuesta a este empe\u00f1o es la generaci\u00f3n aumentada por recuperaci\u00f3n (RAG). <\/span>Acu\u00f1ado por un grupo de personas<\/span><\/a> del equipo de Investigaci\u00f3n Fundamental en Inteligencia Artificial (FAIR), el University College de Londres (UCL) y la Universidad de Nueva York (NYU), la generaci\u00f3n aumentada por recuperaci\u00f3n (RAG) se refiere a una t\u00e9cnica que ayuda a la precisi\u00f3n de grandes modelos ling\u00fc\u00edsticos al permitir que el modelo tenga acceso a hechos externos.<\/span><\/p>\n

\u00bfC\u00f3mo funciona el GAR?\u00a0<\/span><\/h2>\n

Normalmente, los grandes modelos ling\u00fc\u00edsticos (LLM) toman la informaci\u00f3n de un usuario y ofrecen respuestas basadas en la informaci\u00f3n con la que se ha entrenado el LLM (que a veces puede estar desfasada o ser incorrecta). RAG combina esta informaci\u00f3n con datos complementarios, como la base de conocimientos de una empresa o documentos relevantes, lo que le permite ofrecer respuestas precisas y contextualmente relevantes.<\/span><\/p>\n

B\u00fasqueda sem\u00e1ntica frente a RAG<\/span><\/h2>\n

La b\u00fasqueda sem\u00e1ntica ofrece resultados relevantes utilizando el procesamiento del lenguaje natural para comprender la intenci\u00f3n de la consulta del usuario. Sin embargo, los motores de b\u00fasqueda sem\u00e1ntica son tan buenos como los datos y los algoritmos con los que se entrenan.\u00a0<\/span><\/p>\n

Como ya se ha mencionado, RAG es tan eficaz porque utiliza t\u00e9cnicas de recuperaci\u00f3n y generaci\u00f3n de LLM e incorpora fuentes externas de confianza ajenas a sus datos de entrenamiento para generar datos relevantes, <\/span>preciso<\/span><\/i> respuestas.\u00a0<\/span><\/p>\n

Casos de uso del GAR<\/span><\/h2>\n

La generaci\u00f3n aumentada por recuperaci\u00f3n tiene muchos casos de uso. Algunos ejemplos son:<\/span><\/p>\n

Crear un sistema de preguntas y respuestas<\/span><\/h3>\n

RAG permite a los usuarios introducir preguntas y recibir respuestas detalladas y pertinentes. En comparaci\u00f3n con los modelos o sistemas tradicionales de preguntas y respuestas, RAG puede ofrecer mayor precisi\u00f3n y conocimientos m\u00e1s profundos.<\/span><\/p>\n

Sistemas conversacionales<\/span><\/h3>\n

Cuando se crean chatbots, la GAR puede ayudar a proporcionar una variedad de respuestas informativas y relevantes a las consultas de los usuarios, especialmente cuando las conversaciones abarcan varios temas o requieren acceder a grandes cantidades de informaci\u00f3n. Pensemos en un chatbot de seguros. Estos chatbots deben ser capaces de responder a preguntas que van desde la contrataci\u00f3n hasta la tramitaci\u00f3n de siniestros, adem\u00e1s de proporcionar muchos otros tipos de atenci\u00f3n al cliente.\u00a0<\/span><\/p>\n

Sistemas educativos<\/span><\/h3>\n

El GAR puede utilizarse en varios sistemas educativos. No s\u00f3lo puede dar respuestas a preguntas, sino tambi\u00e9n proporcionar informaci\u00f3n de fondo sobre c\u00f3mo llegar a las respuestas y crear material did\u00e1ctico basado en las preguntas de los alumnos. El GAR puede mejorar la experiencia de aprendizaje de los alumnos desde la guarder\u00eda hasta la universidad y m\u00e1s all\u00e1.\u00a0<\/span><\/p>\n

Generaci\u00f3n de contenidos e informes<\/span><\/h3>\n

RAG puede ayudar a crear informes basados en informaci\u00f3n relevante e incluso a generar contenidos, como art\u00edculos, publicaciones en redes sociales y guiones de v\u00eddeo. El uso de RAG para estos materiales puede reducir el tiempo de investigaci\u00f3n y lluvia de ideas de los creadores de contenidos y aumentar su producci\u00f3n.\u00a0<\/span><\/p>\n

C\u00f3mo aplicar el GAR<\/span><\/h2>\n

La implantaci\u00f3n del GAR implica los siguientes pasos:\u00a0<\/span><\/p>\n

    \n
  1. \n
      \n
    1. Empezar con un modelo ling\u00fc\u00edstico preformado<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

      Lo primero que debe hacer es elegir un modelo ling\u00fc\u00edstico preentrenado. Estos modelos se han entrenado con diversos datos y pueden generar textos coherentes y pertinentes (aunque no siempre actualizados ni del todo precisos). Tambi\u00e9n hay bibliotecas en l\u00ednea que permiten a los desarrolladores acceder f\u00e1cilmente a modelos ling\u00fc\u00edsticos preentrenados y utilizarlos (por ejemplo, <\/span>Transformers de Cara Abrazada<\/span><\/a>).\u00a0<\/span><\/p>\n

        \n
      1. \n
          \n
        1. Recuperaci\u00f3n de documentos<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

          A continuaci\u00f3n, debes implantar un sistema de recuperaci\u00f3n para recuperar los documentos pertinentes en funci\u00f3n de la informaci\u00f3n introducida por el usuario. Existe la opci\u00f3n de crear o utilizar una variedad de documentos relevantes para su sector o tarea. Tambi\u00e9n existen m\u00e9todos m\u00e1s tradicionales, como utilizar <\/span>Okapi BM25<\/span><\/a> o <\/span>Frecuencia de t\u00e9rminos-Frecuencia inversa de documentos<\/span><\/a> (TF-IDF), o modelos neuronales de recuperaci\u00f3n, como <\/span>Recuperaci\u00f3n del paso denso<\/span><\/a> (DPR).<\/span><\/p>\n

            \n
          1. \n
              \n
            1. Integraci\u00f3n contextual<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

              Las incrustaciones contextuales ayudan a identificar el verdadero sentimiento de una palabra bas\u00e1ndose en el texto que la rodea, lo que ayuda a proporcionar una mejor representaci\u00f3n que las incrustaciones de palabras tradicionales. La incrustaci\u00f3n contextual puede obtenerse utilizando modelos como <\/span>Representaciones bidireccionales de codificadores a partir de transformadores<\/span><\/a> (BERT para abreviar).\u00a0<\/span><\/p>\n

                \n
              1. \n
                  \n
                1. Combinaci\u00f3n (concatenaci\u00f3n)<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

                  Una vez que hayas utilizado las incrustaciones contextuales, tendr\u00e1s que combinarlas con el contexto. Puedes hacerlo combinando las incrustaciones de la entrada con las incrustaciones de los documentos o utilizando mecanismos de atenci\u00f3n para ponderar la importancia de las incrustaciones de cada documento en funci\u00f3n del contexto de la entrada.<\/span><\/p>\n

                    \n
                  1. \n
                      \n
                    1. Ajuste fino<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

                      El ajuste fino es opcional, pero puede mejorar el rendimiento del modelo. Puedes utilizar el ajuste fino para acelerar el entrenamiento, abordar casos de uso espec\u00edficos y mejorar la experiencia del usuario.\u00a0<\/span><\/p>\n

                        \n
                      1. \n
                          \n
                        1. Inferencia<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

                          Este \u00faltimo paso introducir\u00e1 el contexto en el modelo y recuperar\u00e1 los documentos pertinentes mediante el sistema de recuperaci\u00f3n de documentos. Tambi\u00e9n combinar\u00e1 las incrustaciones de entrada con las incrustaciones de documentos y generar\u00e1 una respuesta utilizando el modelo combinado.<\/span><\/p>\n

                          Por suerte, existen bibliotecas que proporcionan herramientas preformadas para implantar sistemas similares a RAG, lo que hace que todo este proceso sea m\u00e1s f\u00e1cil y accesible para los desarrolladores.<\/span><\/p>\n

                          Ventajas de la generaci\u00f3n mejorada por recuperaci\u00f3n<\/span><\/h2>\n

                          Una de las mayores ventajas de la generaci\u00f3n aumentada por recuperaci\u00f3n es la mejora de la calidad y la pertinencia de las respuestas generadas gracias a que el gran modelo ling\u00fc\u00edstico tiene acceso a informaci\u00f3n m\u00e1s precisa y pertinente de la que tendr\u00eda de otro modo.\u00a0<\/span><\/p>\n

                          Otra ventaja es la capacidad de RAG para proporcionar informaci\u00f3n espec\u00edfica de un dominio. Dado que los modelos RAG pueden ajustarse a tareas o casos de uso espec\u00edficos, pueden beneficiar a los usuarios proporcion\u00e1ndoles informaci\u00f3n exclusiva de su situaci\u00f3n.\u00a0<\/span><\/p>\n

                          Dado que la GAR no s\u00f3lo recupera la informaci\u00f3n pertinente, sino que tambi\u00e9n genera una respuesta natural, las interacciones con estos modelos ser\u00e1n, en general, m\u00e1s conversacionales y f\u00e1ciles de usar.<\/span><\/p>\n

                          Puntos clave y recursos adicionales<\/span><\/h2>\n

                          La generaci\u00f3n aumentada por recuperaci\u00f3n ofrece una versi\u00f3n mejorada de los grandes modelos ling\u00fc\u00edsticos tradicionales al combinar los puntos fuertes de los LLM con el acceso externo a informaci\u00f3n precisa y actualizada.\u00a0\u00a0<\/span><\/p>\n

                          Para seguir aprendiendo sobre temas relacionados con la generaci\u00f3n aumentada por recuperaci\u00f3n, consulte estos recursos:<\/span><\/p>\n