Ir al contenido principal

Glosario de IA Data & Retrieval

¿Qué es un corpus en IA y en PLN?

← Todos los términos del glosario
En pocas palabras

Conjunto de documentos o textos que se usa para entrenar un modelo o como base de conocimiento de la que un sistema de IA recupera información, como en RAG.

Explicación

Un corpus es una colección estructurada de documentos reunida con un fin. En IA cumple dos papeles: como datos de entrenamiento, el texto del que aprende un modelo de lenguaje, y como base de conocimiento, los documentos en los que busca un sistema de generación aumentada por recuperación (RAG) para fundamentar sus respuestas. En una empresa, el corpus suele ser el conjunto de políticas, manuales, contratos, tickets o fichas de producto que un asistente puede usar. Su calidad, cobertura, actualización y estructura afectan directamente a lo bien que recupera el sistema y a la precisión de sus respuestas.

Corpus de entrenamiento frente a corpus de recuperación

Un corpus de entrenamiento determina lo que sabe un modelo y cómo escribe. Los grandes modelos de lenguaje se entrenan con corpus enormes de páginas web, libros, código y otros textos, y ese conocimiento queda fijo al acabar el entrenamiento.

Un corpus de recuperación se consulta en el momento de responder. En un sistema RAG, los documentos se dividen en fragmentos, se indexan (a menudo como embeddings en una base de datos vectorial) y se buscan con cada pregunta. Actualizarlo no exige reentrenar: añades o quitas documentos y las respuestas cambian.

Qué hace bueno un corpus empresarial

  • Cobertura: los documentos contienen de verdad las respuestas a lo que preguntará la gente.
  • Actualización: las versiones antiguas se retiran o se marcan, para que el sistema no cite normas superadas.
  • Estructura y metadatos: título, fecha, responsable y tipo de documento ayudan a recuperar y a filtrar.
  • Texto limpio: tablas, escaneos y adjuntos bien convertidos, sin maquetaciones rotas ni duplicados.
  • Permisos: cada documento indica quién puede verlo, para que el asistente no enseñe lo que un usuario no debe leer.

Problemas habituales

Muchos malos resultados de RAG vienen del corpus y no del modelo: versiones contradictorias de la misma política, PDF escaneados sin texto legible, documentos troceados de forma que la respuesta queda partida o conocimiento importante que nunca se puso por escrito. Cuidar el corpus, con responsables claros y un ciclo de revisión, suele ser la forma más barata de mejorar las respuestas.

Preguntas frecuentes

¿Qué es un corpus en PLN?

En procesamiento del lenguaje natural, un corpus es un conjunto de textos reunido para estudiar la lengua o entrenar modelos, como noticias, libros o transcripciones. Su tamaño y su composición determinan lo que un modelo puede aprender de él.

¿Qué diferencia hay entre corpus y dataset?

Un corpus es un tipo de dataset formado sobre todo por documentos o textos. Dataset es el término más amplio e incluye tablas, imágenes, ejemplos etiquetados y otros datos.

¿Qué es el corpus en un sistema RAG?

Es la colección de documentos en la que el sistema RAG puede buscar. Con cada pregunta, recupera los fragmentos más relevantes de ese corpus y se los da al modelo para fundamentar la respuesta.

¿Qué tamaño debe tener un corpus para RAG?

No hay un tamaño fijo. Lo que importa es que cubra las preguntas de los usuarios, esté al día y esté bien estructurado. Un corpus pequeño y cuidado suele dar mejores respuestas que uno grande lleno de duplicados y versiones antiguas.

Dónde aparece en Thinkia

Para seguir leyendo

Fuentes

Actualizado: 2026-10-21

¿Quieres ver cómo se aplica en tu organización?

Habla con un experto en IA