IA generativa en Azure (Spanish Edition)

Capítulo 4. Generaciónaumentada por recuperación

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

En este capítulo, nos sumergiremos en una de las aplicaciones más impactantes de GenAI: la generación aumentada por recuperación (RAG). Analizaremos sus principios básicos, exploraremos diferentes variantes de implementación adaptadas a casos de uso específicos y nos centraremos en soluciones basadas en Azure para implementar RAG de manera efectiva.

Los modelos tradicionales de GenAI, a pesar de sus impresionantes capacidades, tienen limitaciones inherentes que a menudo obstaculizan su rendimiento en escenarios prácticos del mundo real. Estos modelos se basan exclusivamente en el conocimiento estático adquirido durante el entrenamiento, y suelen tener una fecha límite de conocimiento más allá de la cual no se incorpora nueva información. En consecuencia, no pueden acceder ni utilizar la información que surge una vez concluido el entrenamiento. Además, los modelos generativos tradicionales son propensos a producir información que suena plausible pero es incorrecta, lo que comúnmente se conoce como «alucinaciones», especialmente al responder a consultas detalladas o muy especializadas.

Para hacer frente a estas limitaciones, RAG ofrece una solución transformadora al integrar fuentes de conocimiento externas directamente en el proceso generativo. A diferencia de los modelos generativos independientes, RAG recupera dinámicamente ...