Es multi sectorial
RAG (Retrieval-Augmented Generation)
Es multi sectorial
RAG (Retrieval-Augmented Generation)
Business Case
Nuestro sistema RAG (Retrieval-Augmented Generation) ofrece la capacidad de enriquecer el conocimiento de modelos de lenguaje grandes (LLMs) con información específica y actualizada, permitiendo generar respuestas más precisas, contextualizadas y basadas en datos propios, evitando así las limitaciones de conocimiento inherentes al modelo pre-entrenado y reduciendo las posibilidades de alucinaciones.
Objetivos
El sistema RAG busca mejorar la precisión y relevancia de las respuestas generadas por modelos de lenguaje, aprovechando el conocimiento interno de la organización sin necesidad de reentrenamiento costoso. Esto aumenta la confianza del usuario al poder fundamentar las respuestas y habilita nuevos casos de uso que requieren información contextualizada y actualizada, optimizando la eficiencia operativa.
Use case
Casos de Uso
Infraestructura
On Premise;Cloud
Tecnologías utilizadas
Tecnologías utilizadas
Datos utilizados
Texto plano: Archivos .txt, artículos, transcripciones.
Documentos: .pdf, .docx, .pptx
Páginas web: .html
Bases de datos y ficheros Excel.
Imágenes.
imagen
imagen
Recursos utilizados
Ha exigido un equipo diverso (científicos de datos, ingenieros, expertos de dominio y gestión de proyecto), una infraestructura tecnológica adecuada (cómputo, almacenamiento y herramientas especializadas) y una implicación organizativa que incluya patrocinio ejecutivo y colaboración interdepartamental con objetivos claros. Adicionalmente, ha requerido de formación tanto para el equipo técnico como para los usuarios finales.
Dificultades y aprendizaje
Son proyecto de prueba y error por su naturaleza iterativa y exploratoria. Implica plantear hipótesis sobre qué configuraciones o datos podrían funcionar mejor, implementarlas, evaluar los resultados y luego iterar basándose en esos hallazgos para mejorar el sistema gradualmente. Es un proceso de aprendizaje continuo.
KPIs (impacto en el negocio y métricas del modelo)
Mejora la precisión y relevancia de la información en sistemas de IA, lo que aumenta la satisfacción del cliente y la eficiencia operativa al facilitar el acceso al conocimiento interno propio, sin el costo de reentrenamiento completo. Además, reduce las alucinaciones, incrementando la confianza en el sistema y habilitando nuevos casos de uso para la interacción inteligente con datos, optimizando la toma de decisiones y potencialmente generando una ventaja competitiva.
Financiación
Financiación
Colaboradores
RocaSalvatella
multimedia
