NoticiasDeIA
ModelosExplicador

Qué es RAG: recuperación de información en contexto

RAG (Retrieval-Augmented Generation) combina recuperación de información con generación: el modelo consulta fuentes antes de responder, reduciendo la alucinación y permitiendo actualizar el conocimiento sin reentrenar.

Redacción de NoticiasDeIAPublicado el 1 min de lectura
Compartir

El problema: el conocimiento estático

Un modelo de lenguaje preentrenado tiene un conocimiento fijo, definido por sus datos de entrenamiento. No sabe sobre acontecimientos posteriores, ni sobre documentos privados, ni sobre fuentes que no forman parte de su corpus. El enfoque obvio —reentrenar— es cara y lenta.

La solución: recuperación + generación

RAG (Retrieval-Augmented Generation) añade un paso de recuperación a la generación. El flujo es:

  1. Consulta: el usuario hace una pregunta.
  2. Recuperación: el sistema codifica la pregunta y busca en un índice de documentos relevantes.
  3. Generación: el modelo recibe la pregunta y los documentos recuperados y responde basándose en ellos.

El modelo no "recuerda" los documentos; los ve como parte de su contexto. Esto reduce la alucinación y permite actualizar el conocimiento sin reentrenar: basta con actualizar el índice de documentos.

¿Por qué funciona?

El modelo usa la información de los documentos como evidencia en su generación. La reducción de alucinaciones es porque los documentos proporcionan una fuente coherente para la respuesta. La actualización del conocimiento es inmediata porque el índice se puede actualizar en tiempo real.

Limitaciones

RAG no es una panacéa: la calidad de la respuesta depende de la calidad de la recuperación. Si el índice no contiene documentos relevantes, el modelo responderá basándose solo en sus datos preentrenados, lo que restaura el problema original. Además, la arquitectura RAG introduce nuevas componentes (índices vectoriales, servidores de recuperación) que pueden fallar.

Referencias

  • Lewis, P. et al. (2020). "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks." arXiv:2005.11401.
  • Gao, Y. et al. (2023). "Precise Decoding from Language Models with Many Knowledge Neurons." arXiv:2303.13162.

Fuentes consultadas

Se conservan las referencias para poder reconstruir cómo se verificó esta información.

¿Ves un error? Escríbenos indicando el dato concreto y la fuente que lo contradice. Las correcciones se aplican en la propia página y se reflejan en la fecha de actualización. Contactar con la redacción.

Sigue leyendo