No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Arquitectura RAG

13/21
Recursos

Aportes 4

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Básicamente es entrenar una base de conocimiento al chatbot, luego se tunea con el promt para darle estilo a la respuesta. Claro, siempre las respuestas que el chatbot de estarán basadas en la información que se le cargó.

Les recomindo usar pgvector que es una extensión de PostgreSQL. Es fácil de implementar y agregarlo a una aplicación ya funcional 🚀
La clase se centró en la arquitectura Retrieval Augmented Generation (RAG), que permite a los asistentes virtuales interactuar con datos estructurados y no estructurados. Se describieron tres pasos básicos para implementar esta arquitectura: seleccionar una fuente de datos valiosa, procesar la información para que el modelo de IA la entienda y probar el sistema con consultas. Se explicó el flujo de trabajo que involucra la búsqueda en un índice de datos, el enriquecimiento del prompt y la entrega de respuestas generadas por el modelo de Azure OpenAI, destacando su aplicación en asistentes virtuales y bots empresariales.
**Título: La Arquitectura RAG: Un Avance en la Inteligencia Artificial Generativa** **Introducción:** La arquitectura RAG (Retrieval Augmented Generation) es un avance significativo en la inteligencia artificial generativa que nos permite chatear con nuestros propios datos. En este texto, argumentaremos cómo la arquitectura RAG cambia la forma en que utilizamos los modelos de inteligencia artificial. **Definición de la Arquitectura RAG:** La arquitectura RAG es un mecanismo que fundamenta las sugerencias que nos dan los modelos de inteligencia artificial generativa basadas en información real que le hemos dado a partir de nuestras diferentes fuentes de datos. Estas fuentes pueden ser estructuradas o no estructuradas. La arquitectura RAG nos permite crear asistentes virtuales o aplicaciones basadas en inteligencia artificial generativa que pueden chatear con esos datos y permitirnos tomar decisiones o realizar análisis sobre esos datos. **Implementación de la Arquitectura RAG:** La implementación de la arquitectura RAG se realiza en tres pasos. El primer paso es buscar una fuente de verdad, una fuente de datos que consideremos que le puede agregar información valiosa al modelo. El segundo paso es darle esa información de una manera que el modelo de inteligencia artificial generativa lo pueda entender. El tercer paso es probar cómo a partir de esos datos que le hemos brindado al modelo, nosotros podamos formularle preguntas y el modelo nos pueda dar respuestas basados en nuestros propios datos. **Arquitectura RAG en Microsoft Azure:** En el caso de una implementación de la arquitectura RAG en Microsoft Azure, se consideran varios elementos. Primero, tenemos una interfaz gráfica que permite al usuario enviar sus preguntas o peticiones. Luego, tenemos un elemento orquestador que se encarga de recibir la petición del usuario y enviarla a Azure Cognitive Search. Este servicio nos permite indexar los documentos de nuestras fuentes de datos. Luego, el orquestador enriquece la petición del usuario con la información obtenida de Azure Cognitive Search y se la envía al modelo de inteligencia artificial generativa en Azure Cognitive Services. Finalmente, el modelo procesa la petición en riquecida y devuelve los resultados al orquestador, quien los muestra al usuario final a través de la interfaz gráfica. **Implementación de RAG en un Bot Empresarial:** En el contexto de un bot empresarial, la implementación de RAG incluiría elementos adicionales. Además del servicio Azure Cognitive Services y los modelos de inteligencia artificial generativa, necesitamos agregar fuentes de datos que proporcionen contexto e información para que los modelos puedan responder preguntas de manera efectiva. Estas fuentes de datos pueden ser estructuradas, como bases de datos, o no estructuradas, como documentos en PDF o Word. **RAG en la Vida Real:** En la vida real, un asistente virtual que utiliza RAG puede interactuar con datos propios para responder preguntas de los usuarios. Por ejemplo, un usuario puede preguntar si su tarjeta de crédito incluye acceso a salas VIP en aeropuertos. El modelo de inteligencia artificial generativa toma esta pregunta, enriquece la consulta con información de las fuentes de datos y proporciona una respuesta basada en esta información. **Conclusión:** La arquitectura RAG es una herramienta poderosa para la creación de asistentes virtuales y aplicaciones basadas en inteligencia artificial generativa. Al proporcionar a los modelos acceso a fuentes de datos propias, podemos enriquecer las respuestas de estos modelos y proporcionar información más precisa y relevante a los usuarios.