¿Qué hace la Generación Aumentada por Recuperación (RAG)?

La Generación Aumentada por Recuperación (RAG) busca en una fuente de conocimiento externa, como una base de datos documental o la web, los pasajes relevantes para la pregunta de un usuario, y luego introduce esos pasajes en el modelo junto con la pregunta para que responda basándose en información actualizada. Esto aborda una debilidad central de los grandes modelos de lenguaje: su conocimiento queda congelado en el momento en que terminó su entrenamiento, así que sin recuperación no pueden saber qué ocurrió después ni acceder a documentos privados con los que nunca fueron entrenados.

Reentrenar todo el modelo con cada pregunta resultaría enormemente costoso, en esencia reconstruir la IA desde cero cada vez, y no es así como funciona RAG. Borrar respuestas incorrectas después de mostrarlas tampoco resuelve el conocimiento desactualizado; es una limpieza reactiva, no mejores respuestas desde el principio.

RAG se ha vuelto popular para construir asistentes de IA adaptados a empresas concretas, permitiendo que un modelo de propósito general responda preguntas sobre documentos internos sin el enorme coste de entrenar un modelo personalizado desde cero.