Ciclo de vida del modelo
RAG (Generación Aumentada por Recuperación)
Dar al modelo documentos externos para leer en el momento de responder, en vez de depender solo de lo que memorizó durante el entrenamiento.
Los datos de entrenamiento de un LLM tienen una fecha de corte y no pueden incluir los archivos privados de una empresa. RAG resuelve esto buscando pasajes relevantes en un almacén de documentos cuando llega una pregunta, y luego introduciendo esos pasajes en la ventana de contexto del modelo junto con la pregunta, de modo que la respuesta se basa en material fuente real y actual.
RAG es uno de los patrones más comunes en productos de IA en producción porque reduce las alucinaciones y hace que las respuestas sean rastreables hasta una fuente concreta, sin el coste de reentrenar el propio modelo.