términos del glosario
Recuperación
- Categoría
- RAG, Embeddings & Search
- Dificultad
- Intermedio
Definición
La recuperación es el proceso computacional de identificar y extraer la información más relevante de una base de conocimientos externa grande para proporcionar contexto a la respuesta de un modelo de IA. Por lo general, implica consultar una base de datos utilizando similitud semántica para encontrar datos que aborden un prompt de usuario específico.
Cómo funciona y contexto
En los sistemas de IA modernos, particularmente aquellos que utilizan Generación Aumentada por Recuperación (RAG), la recuperación actúa como el puente entre un modelo estático y información dinámica, privada o actualizada. Cuando un usuario envía una consulta, el sistema la convierte en una representación vectorial y busca en una base de datos vectorial documentos o fragmentos que sean semánticamente similares. Este contexto recuperado se inyecta luego en el prompt enviado al Modelo de Lenguaje Grande (LLM). Sin embargo, la calidad de la recuperación depende en gran medida de la estrategia de indexación, la calidad de las incrustaciones y la relevancia de los fragmentos recuperados, lo que puede introducir latencia y complejidad en la arquitectura del sistema.
Por qué es importante
Sin ella, los modelos se limitan a sus datos de entrenamiento, que a menudo están desactualizados o son genéricos. Al permitir que los sistemas 'busquen' información antes de generar una respuesta, la recuperación permite interacciones de IA más fácticas, verificables y específicas del dominio, lo cual es un requisito previo para la implementación a nivel empresarial.
Ejemplo real
Una IA de atención al cliente para un banco utiliza la recuperación para responder preguntas específicas de la cuenta. Cuando un usuario pregunta sobre su tasa de interés actual, el sistema recupera el documento de política más reciente de la base de datos interna del banco. Luego, la IA utiliza este texto específico recuperado para generar una respuesta precisa, asegurando que la información sea precisa y cumpla con los términos actuales del banco, en lugar de depender del conocimiento general del modelo.
Errores frecuentes
- Asumir que la recuperación es perfecta; los fragmentos irrelevantes pueden llevar a escenarios de 'basura entra, basura sale'.
- Descuidar la actualización del índice, lo que resulta en la recuperación de información obsoleta o desactualizada.
- Sobrecargar el modelo con demasiado contexto recuperado, lo que puede diluir el enfoque del modelo y aumentar los costos.
- No implementar controles de acceso adecuados, lo que podría recuperar datos confidenciales que el usuario no debería ver.
Preguntas frecuentes
¿En qué se diferencia la recuperación de la búsqueda tradicional por palabras clave?
La búsqueda tradicional por palabras clave se basa en la coincidencia exacta de palabras, mientras que la recuperación de IA moderna utiliza la búsqueda semántica (incrustaciones) para encontrar contenido basado en el significado y el contexto, incluso si las palabras exactas difieren.
¿Cuáles son las principales limitaciones de los sistemas de recuperación?
Las limitaciones incluyen la latencia introducida por el proceso de búsqueda, la dificultad de mantener índices vectoriales de alta calidad y el riesgo de recuperar información irrelevante que puede confundir al LLM.
¿La recuperación garantiza que la IA será 100% precisa?
No. Si bien la recuperación mejora significativamente la precisión al proporcionar contexto fáctico, el LLM aún puede malinterpretar la información recuperada o no sintetizarla correctamente.