Page 1 - Retrieval Augmented Generation

Laboraatorio Innteligenncia Arttificial ee

Interneet de lass Cosass

Reetrieval Augmeented GGeneratiion - RAAG
Dr. Miguel Roojas – mrojaas@ude.edu.uy
A/S DDiego Noguueira –dnoguueira@ude.eedu.uy

3.. Mejora de preciisión: Redduce las
Introduucción alucinacioones o infoormación inncorrecta
La Generación Aumenntada p por generada por los LLMMs.
Recuperración o RRAG (por sus siglas en 4.. Adaptabilidad: Faciilita la adapttación de
ingles), es una técnica en eel área de la modelos generalees a d dominios
Inteligenncia Artificiial (IA) quee combina llas específicoos sin necesidad de
capacidaades y virtuudes de loss modelos de reentrenaamiento.
lenguajee de gran tamaño (LLMs) coon 5.. Transparrencia: Puuede propporcionar
sistemass de recuperación de informacióón. citas y refferencias.
Esta combinacióón permiite mejorrar
significaativamente la calidad, precisión y T Tipos de RAAG
fiabilidaad de las resppuestas geneeradas por llos E Existen una ggran cantidaad de sistemmas RAG
modeloss de IA, al nutrir a los modelos de quue varían según suu funcionnamiento,
informaación especcífica de un dominnio caaracterísticass y casos dde uso. Alggunos de
determinnado. elllos se presentan a contiinuación:

¿Qué ess RAG? 1. Estándar RAG:
RAG es una arquuitectura quee optimiza el Sistemas báásicos de reespuesta a ppreguntas
rendimieento de los modelos dde lenguaje de de propósitto general o resúmenes de texto
gran taamaño (LLMMs) conecttándolos coon básicos. Ejeemplo: Asisttente para reesponder
fuentes de conocimiento extternas, sienddo preguntas dde cultura general.
estos doocumentos, páginas wweb, bases de
datos enntre muchass otras. Esttas fuentes de 2.. Graph RAAG:
conocimmiento amplían el connocimiento de Sistemas de soporte a laa toma de deecisiones
los LLMM en lugar de dependeer únicamennte que permiteen la compprensión a ttravés de
del connocimiento adquirido durante su relaciones entre enntidades. EEjemplo:
entrenammiento. Loss RAG puedden accederr a A Análisis de relaciones entre emppresas en
informaación actuualizada y y específiica casos de fraaude financieero.
almacennada en basees de datos eexternas. 3.. Long RAG:
El funciionamiento de los sisteemas RAG es Procesamiennto y generración de reesúmenes
simple: cuando uun usuario realiza uuna de textos exxtensos.
consultaa, lo primeroo que realizaa el sistema es Ejemplo: GGeneración de un resumen
recuperaar informacción relevannte de fuenttes ejecutivo enn base a uun informe de 120
externass para luegoo utilizar estaa informacióón páginas.
como coontexto adiccional de forma tal que el
modelo de lenguaje genere uuna respuessta 4.. Self RAG:
más precisa y fundaamentada. Generaciónn de contennido o anállisis con
mejora autónoma baasado en grandes
Caracteerísticas priincipales dee RAG v volúmenes dde datos.
Ejemplo: Análisis de artícuulos de
1. Commbinación de recuuperación y i investigación.
genneración: Integra s sistemas de
recuuperación dee informacióón con LLMMs. 5.. Corrective RAG:
2. Accceso a cconocimiennto externno: A Aprendizajee en base a errores con la
Permmite consuultar fuentees de dattos finalidad dee mejorar laa precisión een tareas
actuualizadas y esspecíficas. críticas.