Mimub De Rag A Tejido: Lecciones Aprendidas En La Construcción De Rags Reales – Parte 2

Compartir en X (Twitter)Compartir en FacebookCompartir en PinterestCompartir en EmailCompartir en WhatsApp

El avance de la tecnología en la generación aumentada por recuperación (RAG) ha logrado un nuevo hito que permite la integración de datos heterogéneos en sus procesos, facilitando el manejo de formatos variados como tablas y contenido multimodal, incluyendo imágenes. Este desarrollo responde a la creciente demanda de las empresas por utilizar diferentes tipos de datos para optimizar sistemas de pregunta y respuesta.

Un caso destacado de esta tecnología se ha implementado en la asistencia técnica para ingenieros de campo, donde un sistema centraliza la información de productos y experiencia de campo de una empresa. Esto permite a los ingenieros acceder rápidamente a información relevante, solucionar problemas de manera más eficiente y compartir conocimiento dentro de la organización. En la industria del petróleo y gas, un chatbot ha sido diseñado para responder preguntas complejas, ayudando a las empresas a tomar decisiones más rápidas e informadas mediante la consulta de datos provenientes de registros sísmicos y muestras de núcleo.

En el sector financiero, la tecnología RAG ha permitido combinar información estructurada, como precios de acciones, con datos no estructurados para ofrecer análisis detallados que identifican oportunidades y predicen movimientos de mercado. De manera similar, en el mantenimiento industrial, la integración de registros de mantenimiento, manuales de equipo e inspecciones visuales optimiza los calendarios de trabajo, mejorando las capacidades de diagnóstico de los técnicos.

El uso de routers en RAG se ha vuelto crucial para gestionar estas diversas fuentes de datos. Estos routers dirigen las consultas a las canalizaciones de procesamiento adecuadas, asegurando que cada tipo de dato sea manejado correctamente mediante la detección de las intenciones del usuario. Esto permite una gestión efectiva de datos no estructurados, tablas estructuradas y contenidos multimodales.

Además, los modelos avanzados han comenzado a utilizar la generación de código para analizar datos estructurados como grandes tablas. En aplicaciones como la producción de petróleo, por ejemplo, se solicita al modelo de lenguaje que genere código Python o SQL para realizar análisis específicos. Esta habilidad no solo optimiza el tiempo de respuesta, sino que también reduce el riesgo de errores en los modelos de lenguaje de gran tamaño.

Por último, la incorporación de capacidades multimodales en RAG supone un avance significativo. Este enfoque permite la combinación de datos textuales e imágenes, mejorando sectores como el comercio electrónico, donde los usuarios pueden buscar productos mediante texto e imágenes para obtener coincidencias precisas. Las estrategias para lograr esto incluyen el uso de modelos de embebido multimodal o la generación de descripciones detalladas de imágenes, cada opción con sus propias ventajas según el caso de uso.

Este continuo progreso en la tecnología de RAG está redefiniendo los límites del ámbito tecnológico, proporcionando a las organizaciones herramientas poderosas para integrar y aprovechar datos complejos y variados. La implementación efectiva de estas soluciones implica desglosar problemas en componentes modulares y maximizar la utilidad de los modelos fundacionales (FM) para cada uno, desde la detección de intenciones hasta las capacidades multimodales que integran texto y datos visuales de manera armoniosa.