Uno de los usos más comunes de la inteligencia artificial generativa (IA) y los grandes modelos de lenguaje (LLMs) en un entorno empresarial es responder preguntas basadas en el corpus de conocimiento de la empresa. Los modelos de fundación preentrenados (FMs) sobresalen en tareas de comprensión del lenguaje natural (NLU), como la generación de resúmenes, la generación de texto y la respuesta a preguntas sobre una amplia gama de temas. Sin embargo, a menudo tienen dificultades para proporcionar respuestas precisas sin "alucinaciones" y no pueden abordar cuestiones sobre contenido no incluido en sus datos de entrenamiento. Además, los FMs se entrenan con una instantánea temporal de los datos y no tienen la capacidad inherente de acceder a datos frescos en tiempo real, lo que puede llevar a respuestas incorrectas o inadecuadas. Nos enfrentamos a un desafío fundamental con los datos empresariales: superar la desconexión entre el lenguaje natural y los datos estructurados. El lenguaje natural es ambiguo e impreciso, mientras que los datos se adhieren a esquemas rígidos. Por ejemplo, las consultas SQL pueden ser complejas e intuitivas para usuarios no técnicos. Manejar consultas complejas que impliquen múltiples tablas, uniones y agregaciones dificulta la interpretación de la intención del usuario y la traducción correcta en operaciones SQL. La terminología específica del dominio también complica el proceso de mapeo. Otro desafío es acomodar las var...