IA + tus documentos (RAG)
Lección 15 de 23 del curso «Bases de IA». Gratis, con animaciones y un test.
El modelo no leyó tus archivos
El modelo solo sabe lo que había en sus textos de entrenamiento. Nunca vio tus apuntes, las reglas de tu trabajo ni ese PDF de la uni. Pregúntale por la fecha de entrega de un curso y solo va a adivinar. RAG (en simple: primero busca, luego responde) lo resuelve así: un programa busca el pedazo correcto en tus archivos y el modelo responde a partir de él. El esquema lo muestra: pregunta, búsqueda, pedazo encontrado, respuesta con fuente.
Búsqueda por significado, no por palabras
Primero, los documentos se cortan en pedazos, por ejemplo uno por párrafo. Cada pedazo se convierte en un embedding: una lista de números que describe su significado, como las coordenadas de un punto en un mapa. Tu pregunta también se vuelve un punto. La búsqueda toma los pedazos cuyos puntos están más cerca de la pregunta. Por eso «¿cuándo entrego el ensayo?» encuentra «plazo de entrega del trabajo: fin de mayo», aunque las palabras cambien.
Lo encontrado entra al prompt
Luego, la app pega los pedazos encontrados directo en el prompt, o sea, el texto de la petición al modelo, junto a tu pregunta. Y agrega una instrucción: «responde solo con estos textos e indica la fuente». El modelo escribe la respuesta y pone una marca como [1]: el número del pedazo de donde salió la idea. Todo esto pasa tras bambalinas. Tú solo ves la respuesta con sus fuentes.
Menos inventos, pero no cero
Por qué inventa menos: el modelo resume el texto que tiene enfrente en vez de recordar de memoria. Por qué no llega a cero: la búsqueda puede traer el pedazo equivocado, como una versión vieja de las reglas. Puede que el pedazo correcto ni exista, y el modelo rellena el hueco solo. También puede mezclar dos pedazos o leer mal una tabla. Truco: agrega «si los documentos no tienen la respuesta, dilo».
Dónde lo vas a ver
Chat con un PDF: subes un libro de texto o un contrato de alquiler y haces preguntas. Bot de soporte de una empresa: responde con sus reglas internas, no de memoria. Búsqueda con IA: el modelo encuentra páginas web y escribe la respuesta con enlaces. Siempre es la misma receta: buscar pedazos, meterlos al prompt, responder con fuente. En corto: RAG es un acordeón que le pasan al modelo justo antes de responder.
¿Hay fuente? Ábrela
Una marca [1] no es garantía. A veces el enlace lleva a un pedazo que dice otra cosa, o el modelo lo resumió mal. Antes de un paso importante (entregar un trabajo, firmar un contrato, gastar dinero), abre la fuente y busca esa frase exacta. ¿Coincide? Genial. ¿No la encuentras? Toma la respuesta como una suposición y pregúntale al modelo dónde exactamente está escrito.
Ponte a prueba
- ¿Qué hace RAG antes de que el modelo responda?
Respuesta correcta: Busca pedazos de tus archivos que encajan y los mete al prompt. Nadie reentrena el modelo. Un programa encuentra pedazos parecidos en significado y los mete al prompt, y el modelo responde con ellos. - Preguntaste «¿cuándo entrego el ensayo?» y encontró «plazo de entrega del trabajo». ¿Por qué?
Respuesta correcta: Textos de significado parecido quedan como puntos cercanos. Un embedding describe el significado con números. Una pregunta y un párrafo sobre lo mismo quedan cerca en el mapa, aunque usen otras palabras. - Un bot de documentos respondió con la marca [1]. ¿Qué haces antes de una decisión importante?
Respuesta correcta: Abrir la fuente [1] y buscar ahí esa frase. La búsqueda puede traer el pedazo equivocado y el modelo puede resumirlo mal. Revisar la fuente toma un minuto.
← La respuesta en el formato correcto Imágenes, voz y video →