{"id":3275,"date":"2024-02-21T07:31:28","date_gmt":"2024-02-21T15:31:28","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/an-overview-of-retrieval-augmented-generation\/"},"modified":"2026-09-16T09:05:02","modified_gmt":"2026-09-16T16:05:02","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":"Una visi\u00f3n general de la generaci\u00f3n aumentada por recuperaci\u00f3n (RAG)"},"content":{"rendered":"

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

No hay duda de que <\/span>modelos de lenguaje de gran tama\u00f1o (LLMs)<\/span><\/a> han transformado el procesamiento del lenguaje natural, pero a veces pueden ser inconsistentes, aleatorias o incluso completamente err\u00f3neas en las respuestas que proporcionan a una pregunta. Si bien esto puede sin duda provocar algunas risas, no es ideal cuando dependemos de los LLMs para obtener informaci\u00f3n precisa y verificable.<\/span><\/p>\n\n\n\n

Muchos equipos t\u00e9cnicos est\u00e1n trabajando para mejorar la precisi\u00f3n de los grandes modelos de lenguaje. Un m\u00e9todo que ha surgido en respuesta a este esfuerzo es la generaci\u00f3n mejorada mediante recuperaci\u00f3n (RAG). <\/span>Concebido por un grupo de personas<\/span><\/a> Desde el equipo Fundamental Artificial Intelligence Research (FAIR) de la University College London (UCL) y la New York University (NYU), la generaci\u00f3n aumentada por recuperaci\u00f3n (RAG) se refiere a una t\u00e9cnica que ayuda a mejorar la precisi\u00f3n de los modelos de lenguaje grande al permitir que el modelo tenga acceso a datos externos.<\/span><\/p>\n\n\n\n

\u00bfC\u00f3mo funciona RAG? <\/span><\/h2>\n\n\n\n

Por lo general, los grandes modelos de lenguaje (LLM) toman la entrada del usuario y proporcionan respuestas basadas en la informaci\u00f3n en la que se han entrenado (que a veces puede estar desactualizada o incorrecta). RAG combina esta informaci\u00f3n con datos adicionales como la base de conocimientos de una empresa o documentos relevantes, lo que le permite proporcionar respuestas de forma objetiva y relevante en funci\u00f3n del contexto.<\/span><\/p>\n\n\n\n

B\u00fasqueda sem\u00e1ntica vs. RAG<\/span><\/h2>\n\n\n\n

La b\u00fasqueda sem\u00e1ntica ofrece resultados relevantes mediante el procesamiento del lenguaje natural para comprender el prop\u00f3sito de la consulta de un usuario. Sin embargo, los motores de b\u00fasqueda sem\u00e1nticos son tan buenos como los datos y los algoritmos en los que se basan. <\/span><\/p>\n\n\n\n

Como se mencion\u00f3 anteriormente, RAG es tan eficaz porque utiliza t\u00e9cnicas de recuperaci\u00f3n y generaci\u00f3n de inteligencia artificial y incorpora fuentes externas confiables fuera de sus datos de entrenamiento para generar contenido relevante., <\/span>exacto<\/span><\/i> respuestas. <\/span><\/p>\n\n\n\n

Casos de uso de RAG<\/span><\/h2>\n\n\n\n

La generaci\u00f3n mejorada mediante recuperaci\u00f3n tiene muchos casos de uso. Algunos ejemplos de estos incluyen:<\/span><\/p>\n\n\n\n

Creaci\u00f3n de un sistema de preguntas y respuestas<\/span><\/h3>\n\n\n\n

RAG permite a los usuarios introducir preguntas y recibir respuestas detalladas y relevantes. En comparaci\u00f3n con los modelos o sistemas tradicionales de preguntas y respuestas, RAG ofrece una mayor precisi\u00f3n y un conocimiento m\u00e1s profundo.<\/span><\/p>\n\n\n\n

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

Al crear chatbots, RAG puede ayudar a proporcionar una variedad de respuestas informativas y relevantes a las consultas de los usuarios, especialmente cuando las conversaciones abarquen m\u00faltiples temas o requieran acceso a grandes cantidades de informaci\u00f3n. Consideremos un chatbot de seguros. Estos chatbots deber\u00edan poder responder a preguntas que van desde la incorporaci\u00f3n hasta el procesamiento de reclamaciones, adem\u00e1s de ofrecer muchos otros tipos de soporte al cliente. <\/span><\/p>\n\n\n\n

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

RAG se puede utilizar en diversos sistemas educativos. No solo proporciona respuestas a las preguntas, sino que tambi\u00e9n proporciona informaci\u00f3n de fondo sobre c\u00f3mo llegar a las respuestas y crea material de aprendizaje basado en las preguntas de los estudiantes. RAG puede mejorar la experiencia de aprendizaje tanto para estudiantes de la guarder\u00eda como para estudiantes de universidades y m\u00e1s all\u00e1. <\/span><\/p>\n\n\n\n

Generaci\u00f3n de contenido y informes<\/span><\/h3>\n\n\n\n

RAG puede ayudar a crear informes basados en informaci\u00f3n relevante e incluso a generar contenido, 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 planificaci\u00f3n de ideas para los creadores de contenido y aumentar su productividad. <\/span><\/p>\n\n\n\n

C\u00f3mo implementar RAG<\/span><\/h2>\n\n\n\n

La implementaci\u00f3n de RAG implica los siguientes pasos: <\/span><\/p>\n\n\n\n

    \n
  1. Comienza con un modelo de lenguaje pre-entrenado<\/b><\/li>\n<\/ol>\n\n\n\n

    Lo primero que necesitas hacer es elegir un modelo de lenguaje pre-entrenado. Estos modelos han sido entrenados con diversos datos y pueden generar texto coherente y relevante (aunque no siempre actualizado ni completamente exacto). Tambi\u00e9n existen bibliotecas en l\u00ednea que permiten a los desarrolladores acceder f\u00e1cilmente a modelos de lenguaje pre-entrenados y utilizarlos (por ejemplo, <\/span>Los Transformers de Hugging Face<\/span><\/a>). <\/span><\/p>\n\n\n\n

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

      Luego, deber\u00edas implementar un sistema de recuperaci\u00f3n para recuperar documentos relevantes bas\u00e1ndose en la entrada del usuario. Hay la opci\u00f3n de crear o utilizar una variedad de documentos relevantes para tu industria o tarea. Alternativamente, existen m\u00e9todos m\u00e1s tradicionales, como usar <\/span>Okapi BM25<\/span><\/a> o <\/span>Frecuencia de t\u00e9rminos inversa a la frecuencia de documentos<\/span><\/a> (TF-IDF), o modelos de recuperaci\u00f3n neurales, como <\/span>Recuperaci\u00f3n de pasajes densos<\/span><\/a> (DPR).<\/span><\/p>\n\n\n\n

        \n
      1. Enmarcado contextualmente<\/b><\/li>\n<\/ol>\n\n\n\n

        Las incorporaciones contextuales ayudan a identificar el verdadero sentimiento de una palabra en funci\u00f3n del texto circundante, lo que permite ofrecer una representaci\u00f3n m\u00e1s precisa que las incorporaciones tradicionales de palabras. Las incorporaciones contextuales se pueden obtener utilizando modelos como <\/span>Representaciones de codificador bidireccionales a partir de transformadores<\/span><\/a> (En ingl\u00e9s:BERT para abreviar). <\/span><\/p>\n\n\n\n

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

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

            \n
          1. Ajustes finos<\/b><\/li>\n<\/ol>\n\n\n\n

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

              \n
            1. Hip\u00f3tesis<\/b><\/li>\n<\/ol>\n\n\n\n

              Esta \u00faltima etapa alimentar\u00e1 el contexto al modelo y recuperar\u00e1 los documentos relevantes utilizando el sistema de recuperaci\u00f3n de documentos. Tambi\u00e9n combinar\u00e1 las incorporaciones de entrada con las incorporaciones de documento y generar\u00e1 una respuesta utilizando el modelo combinado.<\/span><\/p>\n\n\n\n

              Afortunadamente, existen bibliotecas que proporcionan herramientas pre-entrenadas para implementar sistemas similares a RAG, lo que facilita todo el proceso y lo hace m\u00e1s accesible para los desarrolladores.<\/span><\/p>\n\n\n\n

              Beneficios de la generaci\u00f3n aumentada por la recuperaci\u00f3n<\/span><\/h2>\n\n\n\n

              Uno de los mayores beneficios de la generaci\u00f3n aumentada por la recuperaci\u00f3n es la mejora de la calidad y la relevancia de las respuestas generadas gracias a que el modelo de lenguaje grande tiene acceso a informaci\u00f3n m\u00e1s precisa y relevante de la que podr\u00eda tener de otro modo. <\/span><\/p>\n\n\n\n

              Otra ventaja es la capacidad de RAG para proporcionar informaci\u00f3n espec\u00edfica del dominio. Dado que es posible ajustar los modelos de RAG para tareas o casos de uso espec\u00edficos, pueden beneficiar a los usuarios al proporcionar informaci\u00f3n \u00fanica para su situaci\u00f3n particular. <\/span><\/p>\n\n\n\n

              Dado que RAG no solo recupera informaci\u00f3n relevante sino que tambi\u00e9n genera una respuesta natural, las interacciones con estos modelos ser\u00e1n generalmente m\u00e1s conversacionales y f\u00e1ciles de usar.<\/span><\/p>\n\n\n\n

              Principales puntos clave y recursos adicionales<\/span><\/h2>\n\n\n\n

              La generaci\u00f3n mejorada mediante recuperaci\u00f3n ofrece una versi\u00f3n mejorada de los modelos de lenguaje grandes tradicionales al combinar las fortalezas de los LLMs con el acceso externo a informaci\u00f3n precisa y actualizada.  <\/span><\/p>\n\n\n\n

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