Recuperación-Generación Aumentada (RAG)

Definición

La Generación Aumentada por Recuperación (RAG) es una técnica que combina modelos generativos con sistemas de recuperación de información. Basa los resultados en fuentes externas para mejorar la precisión factual.

Propósito

El objetivo es reducir las alucinaciones en la IA generativa complementando las respuestas con documentos recuperados. Resulta especialmente útil en la resolución de preguntas y en tareas que requieren un alto nivel de conocimiento.

Importancia

• Mejora la precisión factual en los resultados del LLM.
• Permite la integración de conocimientos específicos del dominio.
• Requiere sistemas de recuperación confiables.
• Relacionado con la búsqueda híbrida y el control de calidad de dominio abierto.

Cómo Funciona

1. El usuario proporciona una consulta o solicitud.
2. El sistema de recuperación obtiene los documentos relevantes.
3. Los documentos se pasan a un modelo generativo.
4. El modelo genera respuestas basadas en el contenido recuperado.
5. Los bucles de retroalimentación mejoran el rendimiento futuro.

Ejemplos (mundo real)

• OpenAI ChatGPT con complementos de navegación o recuperación.
• Modelo Meta RAG: investigación sobre LLM basados ​​en la recuperación.
• Perplexity AI: búsqueda conversacional aumentada por recuperación.

Referencias / Lecturas adicionales

• Lewis et al. “Generación aumentada por recuperación para PNL con uso intensivo de conocimiento”. NeurIPS 2020.
• Implementación de RAG Hugging Face.
• Investigación de Stanford HAI sobre métodos de recuperación.
• ¿Qué es RAFT? RAG + Ajuste fino