La evolución de la generación aumentada por recuperación, conocida por sus siglas en inglés como RAG, ha marcado un nuevo hito tecnológico con su capacidad de integrar datos heterogéneos. Este avance significa que ya no se limita a trabajar exclusivamente con bases de datos textuales, sino que ahora es capaz de procesar diversos formatos, incluyendo tablas y contenido multimodal, como imágenes. La adopción de estas capacidades es una respuesta a la creciente necesidad de las empresas de utilizar diferentes tipos de datos para optimizar sistemas de pregunta y respuesta.
Uno de los ejemplos más destacados de esta innovación se encuentra en la asistencia técnica para ingenieros de campo. A través de la implementación de un sistema que centraliza información de productos y experiencia de campo, los ingenieros pueden acceder de manera rápida y eficiente a información relevante. Este sistema integrado de datos estructurados y no estructurados facilita la resolución de problemas y el intercambio interno de conocimientos dentro de las organizaciones. En la industria del petróleo y gas, otro caso de uso relevante incluye un chatbot que ayuda a responder preguntas complejas, permitiendo a las empresas tomar decisiones más informadas al analizar registros sísmicos y muestras de núcleo.
En el sector financiero, la integración de información estructurada, como los precios de acciones, con datos no estructurados proporciona un análisis más matizado para identificar oportunidades y prever movimientos del mercado. Asimismo, en el ámbito del mantenimiento industrial, la conjunción de registros de mantenimiento, manuales de equipo e inspecciones visuales ayuda a optimizar los calendarios de mantenimiento y mejora las capacidades de diagnóstico de los técnicos.
Los routers en RAG juegan un papel clave en la gestión de diversas fuentes de datos, al dirigir las consultas del usuario a los canales de procesamiento adecuados según el tipo de datos requerido. Esto se lleva a cabo mediante la detección de intenciones del usuario, asegurando un manejo adecuado de datos no estructurados, tablas estructuradas y contenido multimodal.
Además, los modelos avanzados han comenzado a aprovechar la generación de código para mejorar el análisis de datos estructurados. En la producción de petróleo, por ejemplo, los modelos generadores de lenguaje pueden producir código Python o SQL para realizar análisis necesarios, optimizando así el tiempo de respuesta y reduciendo las alucinaciones potenciales en modelos de lenguaje de gran tamaño.
La incorporación de capacidades multimodales en RAG representa un avance significativo, especialmente en el comercio electrónico, donde los usuarios pueden buscar productos usando texto e imágenes para obtener coincidencias precisas. Las estrategias empleadas para lograr esto incluyen modelos de embebido multimodal y la elaboración de descripciones detalladas de imágenes mediante modelos avanzados de lenguaje.
Esta evolución está desafiando los límites tecnológicos de RAG, armando a las organizaciones con las herramientas para integrar y aprovechar datos complejos y variados. La implementación eficaz de estas soluciones exige descomponer problemas en componentes modulares, maximizando la utilidad de los modelos fundacionales para cada componente, desde la detección de intenciones hasta las capacidades multimodales que facilitan la fusión entre texto y datos visuales.
