Generación aumentada por recuperación (RAG)
La generación aumentada por recuperación (RAG) es una técnica de IA en la que un sistema primero recupera pasajes relevantes de una base de conocimiento definida, como guías agronómicas o normativas, y luego un modelo de lenguaje genera una respuesta fundamentada en esos pasajes, a menudo con citas.
También conocido como: RAG · generación fundamentada · IA aumentada por recuperación
¿Por qué es importante?
En agricultura y en cumplimiento normativo, las respuestas deben ajustarse a un cultivo, una región, una temporada o un texto legal concretos. Un modelo de lenguaje por sí solo puede dar consejos fluidos pero inexactos. La RAG fundamenta las respuestas en un corpus de conocimiento seleccionado, como manuales de extensión, buenas prácticas agrícolas, estándares de certificación o el EUDR (Reglamento de la UE sobre Deforestación), que puede actualizarse sin volver a entrenar el modelo. El enfoque fue descrito en una investigación de Lewis y colaboradores (2020).
¿Cómo funciona?
- Construir la base de conocimiento: reunir y revisar documentos, dividirlos en pasajes e indexarlos.
- Recuperar: para cada pregunta, encontrar los pasajes más relevantes, a menudo mediante búsqueda semántica.
- Generar: entregar los pasajes y la pregunta a un modelo de lenguaje, con la instrucción de responder a partir de ellos.
- Citar y evaluar: mostrar las fuentes, contrastar las respuestas con preguntas revisadas por expertos y recoger la retroalimentación de los usuarios.
Errores frecuentes
- Una base de conocimiento desactualizada o no adaptada a las condiciones locales.
- Mezclar fuentes de distinta fiabilidad sin jerarquizarlas.
- No contar con un conjunto de evaluación, de modo que la calidad se desconoce.
- Respuestas en un idioma o un nivel de lectura que los productores no utilizan.
El agrónomo con IA de Farmer1st ofrece respuestas fundamentadas en conocimiento agronómico revisado para apoyar a los productores y a los equipos que trabajan con ellos.
Preguntas frecuentes
¿Por qué usar RAG en lugar de un chatbot general?
Un modelo general responde a partir de lo que aprendió en su entrenamiento, que puede estar desactualizado, ser genérico o no servir para un contexto local. La RAG limita las respuestas a fuentes verificadas y actuales, y permite mostrar qué fuente respalda cada respuesta.
¿La RAG elimina los errores de la IA?
No. Reduce las respuestas sin fundamento, pero depende de la calidad y la cobertura de la base de conocimiento, de la etapa de recuperación y de la evaluación. La revisión humana y los ciclos de retroalimentación siguen siendo importantes.
Cuéntenos sobre su cadena de suministro.
Diez minutos con nuestro asistente de definición. Le respondemos con un primer boceto de su servicio.
