Introduccion a RAG
Búsqueda tradicional, vectorial e híbrida en Azure AI Search
Clase 15 de 22 • Curso de RAG con Microsoft Azure
Contenido del curso
Etapas de RAG
- 5
Embeddings y bases de datos vectoriales para documentos digitales
03:35 - 6
Configuración de Azure para RAG: preparativos y gestión de costos
03:51 - 7
Qué son las bases de datos vectoriales y sus aplicaciones
04:50 - 8
Despliegue de recursos de IA en Azure con scripts de Bash
05:15 - 9
Despliegue de modelos GPT-4 y embeddings en Azure OpenAI
03:01 - 10
Configuración de Jupyter Notebook y ambientes virtuales en Python
03:37 quiz de Etapas de RAG
Tecnicas de RAG
- 11
Vectorización de documentos con Azure Search y OpenAI
06:15 - 12
Configuración de Azure OpenAI y AI Search en Jupyter Notebook
06:56 - 13
Integración de LLM para optimizar respuestas en Jupyter Notebook
03:09 - 14
Actualización manual de índices con nuevos documentos PDF
03:17 - 15
Búsqueda tradicional, vectorial e híbrida en Azure AI Search
06:05 quiz de Tecnicas de RAG
RAG avanzado
- 16
Creación de múltiples índices en Azure AI Search con Jupyter
09:40 - 17
Generación de información ficticia con archivos Parquet
03:14 - 18
Subida automática de documentos fragmentados a Azure AI Search
02:53 - 19
Comparación de índices en Azure para optimizar almacenamiento
03:59 - 20
Creación de aplicación demo con Azure Search Service
03:39 quiz de RAG avanzado
Fusionando RAG con un agente
Resumen
Para obtener resultados más certeros y precisos en búsquedas dentro de Azure AI Search, se presentan diferentes técnicas según el objetivo y la cantidad de información disponible. La búsqueda tradicional o natural puede ofrecer un primer acercamiento, pero existen métodos más efectivos como la búsqueda vectorial y la búsqueda híbrida, que combinan las ventajas de ambas tecnologías para resultados más acotados y pertinentes.
¿Qué es y cómo funciona la búsqueda tradicional?
La búsqueda tradicional en Azure AI Search se basa en textos ingresados naturalmente. Aunque ofrece resultados relevantes inicialmente, podría también arrojar documentos no deseados relacionados indirectamente al tema central.
- Es sencilla de implementar.
- Puede devolver resultados superficiales que no siempre enfocan sólo en el documento esperado.
¿Por qué optar por la búsqueda vectorial?
La búsqueda vectorial implica trabajar con paquetes específicos como vectorizable text query, permitiendo una consulta mucho más precisa basada en vectores.
- Devuelve resultados mucho más específicos.
- Excluye documentos irrelevantes, como ocurrió al eliminar resultados que hacían referencia a "Benefit Details", enfocándose únicamente en los documentos relevantes para "Contoso".
¿Cómo combinar búsqueda tradicional y vectorial?
Los métodos se pueden unificar en una búsqueda híbrida, combinando texto tradicional con técnicas vectoriales para mejorar aún más la precisión de los resultados.
- Permite especificar parámetros complementarios entre ambas técnicas.
- Es ideal para contextos amplios como repositorios con múltiples documentos o archivos PDF.
Gracias a estos métodos de Azure AI, tienes la posibilidad de ajustar los parámetros según los requerimientos específicos de búsqueda, entregando resultados eficientes y cómodos adaptados a cada necesidad particular. Además, la implementación puede simplificarse siguiendo los pasos demostrados para establecer conexiones, realizar consultas y desplegar información desde la plataforma.