La técnica de Generación Aumentada por Recuperación (RAG) ha emergido como una herramienta potente para mejorar las capacidades de los grandes modelos de lenguaje (LLMs). Al combinar el vasto conocimiento almacenado en fuentes de datos externas con el poder generativo de los LLMs, RAG permite abordar tareas complejas que requieren tanto conocimiento como creatividad. Hoy en día, las técnicas RAG se utilizan en empresas de todas las escalas, donde la inteligencia artificial generativa se emplea para resolver preguntas basadas en documentos y otros tipos de análisis.
Aunque construir un sistema RAG simple es directo, desarrollar sistemas RAG de producción utilizando patrones avanzados representa un desafío. Una tubería RAG de producción opera típicamente sobre un mayor volumen de datos y con una mayor complejidad de datos, y debe cumplir con un estándar de calidad más alto en comparación con la construcción de una prueba de concepto. Un desafío general que enfrentan los desarrolladores es la baja calidad de respuesta; la tubería RAG no es capaz de responder adecuadamente a un gran número de preguntas, lo cual puede deberse a diversas razones, tales como:
Recuperaciones incorrectas – Falta el contexto relevante necesario para responder a la pregunta.
Respuestas incompletas – El contexto relevante está presente parcialmente, pero no completamente. La salida generada no responde completamente a la pregunta de entrada.
Alucinaciones – El cont...