¿Qué es la recuperación de conocimiento en IA?

Explicación

La recuperación de conocimiento es el proceso de encontrar, dentro de un fondo de conocimiento, la información que mejor responde a una consulta: documentos, wikis, incidencias, bases de datos o grafos de conocimiento. Usa búsqueda por palabras clave, búsqueda semántica basada en embeddings o una combinación de ambas, y a menudo un paso posterior de reordenación. En IA generativa es la «R» de RAG: los pasajes recuperados se pasan a un modelo de lenguaje para que su respuesta se base en el conocimiento propio y actual de la organización. La calidad de la respuesta final depende mucho de recuperar antes el contenido correcto.

Cómo funciona

• Ingesta: se recogen y limpian los documentos y se dividen en pasajes, conservando metadatos como origen, fecha y permisos.
• Indexado: los pasajes se indexan para búsqueda por palabras clave, se convierten en embeddings para búsqueda semántica, o ambas cosas.
• Consulta: la pregunta del usuario se compara con el índice para encontrar pasajes candidatos.
• Reordenación y filtrado: un segundo modelo ordena los candidatos por relevancia y las reglas de acceso quitan lo que el usuario no puede ver.
• Entrega: los mejores pasajes se devuelven al usuario o se pasan a un modelo de lenguaje como contexto, con sus fuentes.

La recuperación de conocimiento en RAG

En la generación aumentada por recuperación, el modelo no responde solo con lo que aprendió al entrenarse. Primero recupera pasajes relevantes y después redacta una respuesta apoyada en ellos. Así puede usar información privada y reciente, y cada respuesta se puede rastrear hasta sus fuentes.

Si la recuperación devuelve los pasajes equivocados, el modelo escribirá una respuesta fluida sobre el material equivocado. Por eso la mayoría de los problemas de un sistema RAG son problemas de recuperación, y por eso la recuperación merece su propia evaluación.

Qué la hace funcionar con el conocimiento de empresa

• Fuentes limpias, actuales y con responsable claro: la recuperación no arregla documentos viejos o contradictorios.
• Un troceado sensato que mantenga juntas tablas, secciones y contexto.
• Búsqueda híbrida, porque códigos de producto, nombres y siglas se encuentran mejor por palabra clave que por significado.
• Permisos aplicados en el momento de recuperar, para que cada usuario reciba solo lo que puede ver.
• Evaluación con preguntas reales, midiendo si vuelven los pasajes correctos.

Preguntas frecuentes

Cómo llevarlo a la práctica

• ¿Cómo no perder el conocimiento de los expertos que se jubilan?

Para seguir leyendo

• Bases de datos vectoriales para RAG: búsqueda semántica para LLM
• RAG agéntico: motor de automatización empresarial de alta confianza

Términos relacionados

• IA Generativa IA que crea contenido nuevo, como texto, imágenes, código o audio, en lugar de limitarse a clasificar o predecir a partir de datos existentes.
• RAG Técnica que recupera fragmentos relevantes de una base de conocimiento y se los da a un modelo de lenguaje como contexto, para que responda apoyándose en esas fuentes.
• Recuperación Paso de búsqueda que obtiene los documentos o pasajes más relevantes para una consulta, antes de mostrarlos o pasarlos a un modelo.
• Búsqueda Semántica Búsqueda que encuentra contenido por lo que significa y no por coincidencia exacta de palabras, normalmente comparando embeddings de la consulta y los documentos.
• Aprendizaje federado Forma de entrenar un modelo común entre muchos dispositivos u organizaciones dejando los datos donde están y compartiendo solo actualizaciones del modelo.
• Base de Datos Vectorial Base de datos pensada para guardar embeddings y devolver, rápido y a escala, los vectores más parecidos a un vector de consulta.