Uno de los principales problemas de los modelos de lenguaje es que, aunque “saben mucho”, su conocimiento está congelado en el momento en que fueron entrenados. Aquí entra en juego RAG: Retrieval-Augmented Generation.
¿Cómo funciona RAG?
RAG es una técnica que combina el poder de los LLM con bases de datos externas. Antes de generar una respuesta, el modelo busca en una fuente de datos actualizada (como documentos, webs, bases vectoriales, etc.) y luego genera el texto usando esa información como contexto.
Imagina un ChatGPT que, antes de responderte, consulta tus documentos internos o la documentación técnica de tu empresa.
¿Ventajas?
-
Precisión y actualidad: las respuestas se basan en datos frescos, no en conocimientos preentrenados.
-
Personalización: puedes integrar tus propios documentos.
-
Reducción de alucinaciones: si el modelo “ve” directamente la información, se reduce el riesgo de que se la invente.
Esta tecnología es la base de herramientas como Perplexity AI, ChatGPT con archivos adjuntos, y buscadores generativos como el nuevo Bing o ChatGPT Browse.
👉 Si quieres aprender a aplicarlo, echa un vistazo a nuestro artículo sobre cómo hacer un buscador personalizado en ChatGPT.