1
00:00:10,000 --> 00:00:15,800
Buenas, esto es BIMPRAXIS, el podcast donde el

2
00:00:15,800 --> 00:00:17,920
BIM se encuentra con la inteligencia artificial.

3
00:00:20,519 --> 00:00:23,620
Exploramos la ciencia, la tecnología y el futuro

4
00:00:23,620 --> 00:00:26,559
desde el enfoque de la arquitectura, ingeniería y

5
00:00:26,559 --> 00:00:27,179
construcción.

6
00:00:28,859 --> 00:00:29,519
¡Empezamos!

7
00:00:37,299 --> 00:00:39,259
Hola de nuevo a un episodio más de

8
00:00:39,259 --> 00:00:41,219
BIMPRAXIS.

9
00:00:41,219 --> 00:00:43,619
Hoy llegamos al número 50.

10
00:00:43,619 --> 00:00:45,659
50 ya, felicidades.

11
00:00:45,759 --> 00:00:46,539
Gracias.

12
00:00:46,539 --> 00:00:48,979
Y para celebrar este número tan redondo, vamos

13
00:00:48,979 --> 00:00:51,060
a comenzar una nueva serie dedicada a una

14
00:00:51,060 --> 00:00:54,359
tecnología que está, bueno, en boca de todos.

15
00:00:54,359 --> 00:00:57,299
El RAG, Retrieval Augmented Generation.

16
00:00:57,740 --> 00:00:58,799
Exacto.

17
00:00:58,799 --> 00:01:00,380
Hoy vamos a ver qué es eso de

18
00:01:00,380 --> 00:01:01,439
los RAG.

19
00:01:01,439 --> 00:01:03,520
Porque, a ver, a menudo oímos que los

20
00:01:03,520 --> 00:01:06,540
grandes modelos de lenguaje, los LLMs, a veces

21
00:01:06,540 --> 00:01:07,900
se inventan cosas, ¿no?

22
00:01:07,900 --> 00:01:10,680
O dan información que ya está anticuada.

23
00:01:10,640 --> 00:01:11,719
Totalmente.

24
00:01:11,719 --> 00:01:14,299
¿Y si hubiera una forma de darles, no

25
00:01:14,299 --> 00:01:17,459
sé, como una biblioteca personalizada y que estuviera

26
00:01:17,459 --> 00:01:18,239
siempre al día?

27
00:01:18,480 --> 00:01:19,939
Pues es que has dado justo en el

28
00:01:19,939 --> 00:01:20,319
clavo.

29
00:01:20,319 --> 00:01:22,700
Ese es uno de los mayores desafíos de

30
00:01:22,700 --> 00:01:23,780
los LLMs ahora mismo.

31
00:01:24,000 --> 00:01:24,780
Claro.

32
00:01:24,620 --> 00:01:27,280
Y RAG es precisamente la solución a ese

33
00:01:27,280 --> 00:01:28,260
problema.

34
00:01:28,260 --> 00:01:30,219
Es una arquitectura que permite que un modelo,

35
00:01:30,219 --> 00:01:33,519
antes de responder, pueda consultar fuentes de información

36
00:01:33,519 --> 00:01:36,500
muy específicas y, sobre todo, actualizadas.

37
00:01:36,780 --> 00:01:39,420
Bien, pues vamos a desgranar esto.

38
00:01:39,420 --> 00:01:41,900
La analogía de la biblioteca me parece muy,

39
00:01:41,900 --> 00:01:43,000
muy potente.

40
00:01:42,939 --> 00:01:44,739
Sí, funciona muy bien.

41
00:01:44,739 --> 00:01:47,000
O sea, es como tener un asistente virtual

42
00:01:47,000 --> 00:01:48,799
al que, en lugar de confiar solo en

43
00:01:48,799 --> 00:01:51,099
lo que aprendió durante su entrenamiento hace meses

44
00:01:51,099 --> 00:01:54,000
o años, que se queda viejo enseguida.

45
00:01:54,140 --> 00:01:56,719
le damos acceso a una biblioteca en tiempo

46
00:01:56,719 --> 00:01:57,420
real.

47
00:01:57,459 --> 00:01:58,340
Eso es.

48
00:01:58,500 --> 00:02:01,219
El proceso, a grandes rasgos, es bastante elegante

49
00:02:00,760 --> 00:02:03,359
y se puede dividir como en tres pasos.

50
00:02:03,540 --> 00:02:04,140
A ver.

51
00:02:04,260 --> 00:02:05,379
Primero, la búsqueda.

52
00:02:06,060 --> 00:02:08,340
El sistema recibe la pregunta y, en lugar

53
00:02:08,340 --> 00:02:10,680
de lanzarse a responder, lo que hace es

54
00:02:10,680 --> 00:02:12,780
usar esa pregunta para buscar en una base

55
00:02:12,780 --> 00:02:15,439
de datos de conocimiento que hemos creado nosotros.

56
00:02:14,659 --> 00:02:17,960
Una base de datos con nuestros propios documentos,

57
00:02:17,960 --> 00:02:18,439
¿no?

58
00:02:18,599 --> 00:02:22,719
PDFs, manuales, lo que sea.

59
00:02:22,280 --> 00:02:23,979
Justo, lo que necesitemos.

60
00:02:24,500 --> 00:02:26,199
Una vez que ha buscado, llega el segundo

61
00:02:26,199 --> 00:02:28,060
paso, la recuperación.

62
00:02:28,060 --> 00:02:30,599
De todo lo que encuentra, el sistema elige

63
00:02:30,599 --> 00:02:34,199
sólo los fragmentos de información más relevantes, los

64
00:02:34,199 --> 00:02:36,280
trocitos de texto que de verdad parecen contener

65
00:02:36,280 --> 00:02:36,879
la respuesta.

66
00:02:37,360 --> 00:02:41,840
Ok, busca, recupera lo importante y… El tercer

67
00:02:41,840 --> 00:02:43,800
paso, la generación.

68
00:02:43,900 --> 00:02:45,020
Y aquí es donde está la magia.

69
00:02:45,680 --> 00:02:48,840
El modelo de lenguaje, el LLM, recibe dos

70
00:02:48,840 --> 00:02:52,780
cosas, la pregunta original y, además, esos fragmentos

71
00:02:52,780 --> 00:02:53,960
que hemos recuperado.

72
00:02:54,000 --> 00:02:56,060
Ah, como contexto adicional.

73
00:02:56,080 --> 00:02:56,580
Exacto.

74
00:02:56,580 --> 00:02:59,460
Es como si le dijéramos, oye, responde a

75
00:02:59,460 --> 00:03:01,620
esto, pero por favor, basándote en esta información

76
00:03:01,620 --> 00:03:03,520
que te estoy dando ahora mismo.

77
00:03:03,379 --> 00:03:05,840
Aquí es donde se pone realmente interesante para

78
00:03:05,840 --> 00:03:06,620
mí.

79
00:03:06,620 --> 00:03:09,680
Quiero entender bien ese viaje de los datos.

80
00:03:09,680 --> 00:03:12,500
O sea, ¿cómo se construye esa biblioteca?

81
00:03:12,795 --> 00:03:13,315
Claro.

82
00:03:13,315 --> 00:03:16,795
Porque hablamos de PDFs, documentos de Notion, Excel.

83
00:03:16,795 --> 00:03:19,955
¿Cómo transformamos, por ejemplo, un manual de 500

84
00:03:19,955 --> 00:03:22,835
páginas en algo que una máquina pueda consultar

85
00:03:22,835 --> 00:03:23,935
así de rápido?

86
00:03:23,795 --> 00:03:25,735
Esa es la pregunta del millón, porque ahí

87
00:03:25,735 --> 00:03:27,675
está el núcleo de un buen sistema RAG.

88
00:03:27,675 --> 00:03:29,535
Hay dos fases muy claras.

89
00:03:29,535 --> 00:03:31,335
La primera es la preparación de los datos.

90
00:03:31,875 --> 00:03:34,255
Que se hace solo una vez, imagino.

91
00:03:34,135 --> 00:03:36,035
Eso es, al principio.

92
00:03:36,035 --> 00:03:37,895
Y lo primero dentro de esa preparación es

93
00:03:37,895 --> 00:03:40,495
lo que llamamos chunking o fragmentación.

94
00:03:41,135 --> 00:03:42,455
Trocear los documentos.

95
00:03:42,955 --> 00:03:44,095
Exacto.

96
00:03:44,095 --> 00:03:45,575
No le puedes dar al modelo las 500

97
00:03:45,575 --> 00:03:46,855
páginas de golpe.

98
00:03:46,855 --> 00:03:48,915
Sería un caos.

99
00:03:49,255 --> 00:03:51,535
Así que lo divides en chunks, en fragmentos

100
00:03:51,535 --> 00:03:53,455
más pequeños, más manejables.

101
00:03:53,335 --> 00:03:56,215
¿Y hay un tamaño ideal para esos trozos?

102
00:03:56,215 --> 00:03:57,115
¿Una frase?

103
00:03:57,115 --> 00:03:57,795
¿Un párrafo?

104
00:03:58,175 --> 00:04:00,295
Uf, no hay una fórmula mágica.

105
00:04:00,295 --> 00:04:01,755
Ahí empieza un poco el arte de esto,

106
00:04:01,755 --> 00:04:02,055
¿sabes?

107
00:04:02,735 --> 00:04:04,695
Depende totalmente del caso de uso.

108
00:04:04,895 --> 00:04:07,295
Un chunk muy pequeño puede no tener contexto.

109
00:04:07,255 --> 00:04:09,935
Y uno muy grande puede tener demasiado ruido,

110
00:04:09,935 --> 00:04:11,855
información que no viene al caso.

111
00:04:11,755 --> 00:04:12,095
Justo.

112
00:04:12,695 --> 00:04:14,815
El siguiente paso es clave, porque los modelos,

113
00:04:14,815 --> 00:04:18,775
como bien decías, no entienden texto, entienden números.

114
00:04:18,555 --> 00:04:19,255
Claro.

115
00:04:19,175 --> 00:04:21,135
Así que hay que traducir.

116
00:04:21,135 --> 00:04:24,295
Y eso se llama crear embeddings, o vectorizar.

117
00:04:24,515 --> 00:04:26,435
Cada uno de esos chunks de texto se

118
00:04:26,435 --> 00:04:29,735
convierte en una representación numérica, en un vector.

119
00:04:29,655 --> 00:04:32,135
Como una coordenada en un mapa de significados,

120
00:04:32,135 --> 00:04:32,175
¿no?

121
00:04:32,315 --> 00:04:33,675
Me gusta esa analogía.

122
00:04:33,675 --> 00:04:35,435
Es exactamente eso.

123
00:04:35,435 --> 00:04:37,895
Cada trozo de texto tiene su propia coordenada.

124
00:04:38,115 --> 00:04:39,835
Y estas coordenadas se guardan en una base

125
00:04:39,835 --> 00:04:43,075
de datos especial, una base de datos vectorial.

126
00:04:42,915 --> 00:04:45,535
Vale, que está pensada para buscar por similitud,

127
00:04:45,535 --> 00:04:47,355
no por palabras exactas.

128
00:04:47,135 --> 00:04:47,815
Eso es.

129
00:04:47,815 --> 00:04:50,475
Hay soluciones muy complejas, pero muchas veces basta

130
00:04:50,475 --> 00:04:52,155
con una base de datos postgres de toda

131
00:04:52,155 --> 00:04:54,675
la vida con una extensión como PG Vector.

132
00:04:54,555 --> 00:04:55,435
Entendido.

133
00:04:55,435 --> 00:04:58,535
Entonces, esa es la fase de preparación.

134
00:04:58,535 --> 00:05:00,235
La biblioteca está lista.

135
00:05:00,235 --> 00:05:02,715
Ahora llega una pregunta de un usuario.

136
00:05:02,715 --> 00:05:03,395
¿Qué pasa?

137
00:05:03,475 --> 00:05:04,935
Pues se repite el proceso, pero a la

138
00:05:04,935 --> 00:05:05,875
inversa.

139
00:05:05,875 --> 00:05:07,855
La pregunta del usuario también se convierte en

140
00:05:07,855 --> 00:05:09,815
un vector, en una coordenada en ese mismo

141
00:05:09,815 --> 00:05:10,595
mapa.

142
00:05:10,335 --> 00:05:13,315
Usando el mismo modelo de traducción, supongo.

143
00:05:13,315 --> 00:05:14,475
El mismo, sí.

144
00:05:14,635 --> 00:05:16,715
Y con esa coordenada, el sistema va a

145
00:05:16,715 --> 00:05:19,155
la base de datos vectorial y le dice,

146
00:05:19,215 --> 00:05:21,655
encuéntrame los 5 o 10 fragmentos que estén

147
00:05:21,655 --> 00:05:23,315
más cerca de este punto.

148
00:05:23,535 --> 00:05:25,195
Y esos fragmentos son los que se le

149
00:05:25,195 --> 00:05:27,935
dan al ELM junto a la pregunta original.

150
00:05:27,775 --> 00:05:28,315
Exacto.

151
00:05:28,315 --> 00:05:29,955
Ese es el contexto.

152
00:05:30,035 --> 00:05:32,655
Así es como aumentamos su conocimiento para que

153
00:05:32,655 --> 00:05:35,475
dé una respuesta precisa y, sobre todo, basada

154
00:05:35,475 --> 00:05:36,355
en nuestros datos.

155
00:05:36,895 --> 00:05:37,235
Vale.

156
00:05:37,235 --> 00:05:39,775
El proceso técnico queda claro.

157
00:05:39,715 --> 00:05:41,795
Pero, vamos a la práctica.

158
00:05:42,215 --> 00:05:44,515
¿Qué significa todo esto para una empresa?

159
00:05:44,495 --> 00:05:46,435
Pues significa un cambio radical.

160
00:05:46,755 --> 00:05:48,635
Piensa en un chatbot de servicio al cliente.

161
00:05:48,935 --> 00:05:51,435
¿El que recomendaba productos de la competencia?

162
00:05:51,475 --> 00:05:52,595
Ese mismo.

163
00:05:52,595 --> 00:05:55,155
Con RAH, ese chatbot podría consultar en tiempo

164
00:05:55,155 --> 00:05:57,215
real los manuales de producto y guiar a

165
00:05:57,215 --> 00:05:59,335
una persona paso a paso para solucionar un

166
00:05:59,335 --> 00:06:00,215
problema.

167
00:06:00,055 --> 00:06:02,155
¿Citando la página exacta del manual?

168
00:06:02,175 --> 00:06:03,335
Por ejemplo.

169
00:06:03,335 --> 00:06:05,415
O un asistente para un equipo de médicos

170
00:06:05,415 --> 00:06:07,715
que esté al día con las últimas investigaciones

171
00:06:07,715 --> 00:06:10,695
publicadas la semana pasada, no hace dos años.

172
00:06:11,395 --> 00:06:14,215
Un tutor virtual que pueda citar fuentes académicas

173
00:06:14,215 --> 00:06:16,375
actualizadas para un estudiante.

174
00:06:16,375 --> 00:06:18,315
Las aplicaciones son enormes.

175
00:06:18,675 --> 00:06:19,875
Lo son.

176
00:06:19,875 --> 00:06:22,075
Y las ventajas son muy claras.

177
00:06:22,075 --> 00:06:24,935
Primero, la información está siempre actualizada.

178
00:06:25,051 --> 00:06:28,031
Segundo, las respuestas son mucho más fiables.

179
00:06:28,031 --> 00:06:30,491
Se reducen las alucinaciones a casi cero.

180
00:06:30,411 --> 00:06:32,611
Y tercero, que para mí es crucial, son

181
00:06:32,611 --> 00:06:34,371
respuestas verificables.

182
00:06:34,471 --> 00:06:36,091
Se puede saber de dónde ha salido la

183
00:06:36,091 --> 00:06:36,931
información.

184
00:06:36,911 --> 00:06:38,851
Eso da una confianza brutal.

185
00:06:38,851 --> 00:06:39,831
Y luego está el coste.

186
00:06:40,511 --> 00:06:42,571
Reentrenar un modelo entero, lo que se conoce

187
00:06:42,571 --> 00:06:45,531
como fine tuning, es lentísimo y carísimo.

188
00:06:46,391 --> 00:06:48,971
Mientras que actualizar una base de datos es

189
00:06:48,971 --> 00:06:50,691
mucho más ágil y barato.

190
00:06:50,731 --> 00:06:51,931
Muchísimo más.

191
00:06:51,931 --> 00:06:54,371
Ahora, bueno, tampoco es una solución mágica, tiene

192
00:06:54,371 --> 00:06:55,591
sus desafíos.

193
00:06:55,671 --> 00:06:57,411
Claro, no todo va a ser perfecto.

194
00:06:57,371 --> 00:07:00,331
La implementación puede tener su complejidad técnica.

195
00:07:00,350 --> 00:07:02,371
Y esa base de datos hay que mantenerla,

196
00:07:02,371 --> 00:07:03,311
hay que actualizarla.

197
00:07:03,991 --> 00:07:05,011
Y luego está la latencia.

198
00:07:05,391 --> 00:07:06,631
El tiempo de respuesta, ¿no?

199
00:07:07,051 --> 00:07:08,071
Porque hay más pasos.

200
00:07:08,350 --> 00:07:08,850
Exacto.

201
00:07:08,850 --> 00:07:10,711
Puede tardar un poquito más.

202
00:07:10,791 --> 00:07:12,171
Y el coste por consulta.

203
00:07:12,171 --> 00:07:15,011
Al pasarle más texto al modelo, puede ser

204
00:07:15,011 --> 00:07:16,451
un poco más alto.

205
00:07:16,451 --> 00:07:17,551
Hay que buscar un equilibrio.

206
00:07:18,131 --> 00:07:19,171
Entendido.

207
00:07:19,171 --> 00:07:21,171
O sea, el RAG básico es un punto

208
00:07:21,171 --> 00:07:22,471
de partida genial.

209
00:07:22,471 --> 00:07:24,631
Pero la conversación de verdad está en cómo

210
00:07:24,631 --> 00:07:26,211
optimizarlo, ¿no?

211
00:07:26,211 --> 00:07:29,051
Veo que a menudo se combinan varias estrategias.

212
00:07:28,751 --> 00:07:30,431
Sí, aquí es donde entramos ya en la

213
00:07:30,431 --> 00:07:31,671
parte avanzada.

214
00:07:31,671 --> 00:07:34,350
Por ejemplo, una técnica muy común es el

215
00:07:34,350 --> 00:07:35,011
re-ranking.

216
00:07:35,491 --> 00:07:36,751
Reordenar, supongo.

217
00:07:36,471 --> 00:07:38,791
Sí, es un enfoque de dos pasos.

218
00:07:38,791 --> 00:07:40,211
En lugar de pedirle a la base de

219
00:07:40,211 --> 00:07:43,331
datos los cinco mejores resultados, le pides, no

220
00:07:43,331 --> 00:07:43,850
sé, 50.

221
00:07:44,431 --> 00:07:48,551
Pero, espera, darle 50 fragmentos al LLM no

222
00:07:48,551 --> 00:07:50,011
es contraproducente.

223
00:07:50,011 --> 00:07:51,211
¿Lo puedes aturar?

224
00:07:51,251 --> 00:07:52,131
Claro.

225
00:07:52,131 --> 00:07:54,011
Por eso está el segundo paso.

226
00:07:54,011 --> 00:07:56,011
Se usa un modelo mucho más pequeño y

227
00:07:56,011 --> 00:08:00,091
especializado, un re-ranker, cuya única misión es coger

228
00:08:00,091 --> 00:08:04,671
esos 50 fragmentos y reordenarlos por relevancia real.

229
00:08:04,571 --> 00:08:05,691
Ah, vale.

230
00:08:05,671 --> 00:08:08,011
Y solo después de ese filtro le pasas

231
00:08:08,011 --> 00:08:11,451
al LLM grande los cinco mejores de verdad.

232
00:08:11,451 --> 00:08:14,350
La calidad de la respuesta mejora una barbaridad.

233
00:08:14,611 --> 00:08:15,791
Inteligente.

234
00:08:15,791 --> 00:08:18,391
Primero una búsqueda amplia y luego un filtro

235
00:08:18,391 --> 00:08:19,231
preciso.

236
00:08:19,231 --> 00:08:20,251
Me gusta.

237
00:08:20,251 --> 00:08:23,391
También he leído sobre la fragmentación consciente del

238
00:08:23,391 --> 00:08:24,411
contexto.

239
00:08:24,291 --> 00:08:25,631
Context-aware chunking.

240
00:08:25,631 --> 00:08:27,051
Exacto.

241
00:08:27,051 --> 00:08:28,231
Va de la mano con lo que decíamos

242
00:08:28,231 --> 00:08:29,291
antes.

243
00:08:29,291 --> 00:08:31,031
No vale con cortar un texto cada mil

244
00:08:31,031 --> 00:08:32,191
caracteres y ya.

245
00:08:32,171 --> 00:08:33,931
Hay que respetar la estructura.

246
00:08:33,850 --> 00:08:36,530
Hay que buscar los límites naturales del documento.

247
00:08:37,091 --> 00:08:39,571
El final de un párrafo, un título, el

248
00:08:39,571 --> 00:08:41,791
pie de una tabla… Se trata de preservar

249
00:08:41,791 --> 00:08:42,711
el sentido.

250
00:08:43,071 --> 00:08:44,471
Es que la calidad de lo que metes

251
00:08:44,471 --> 00:08:46,350
en la base de datos tiene un impacto

252
00:08:46,350 --> 00:08:48,610
directo en la calidad de lo que sacas.

253
00:08:48,650 --> 00:08:50,110
Basura entra, basura sale.

254
00:08:50,110 --> 00:08:51,530
De toda la vida.

255
00:08:51,371 --> 00:08:52,490
Así es.

256
00:08:52,490 --> 00:08:55,091
Luego, hay otra estrategia muy potente.

257
00:08:55,131 --> 00:08:57,131
El agentic RAG.

258
00:08:57,131 --> 00:08:59,811
El ra-agéntico.

259
00:08:59,711 --> 00:09:01,831
Esto ya suena a ciencia ficción.

260
00:09:01,751 --> 00:09:03,431
Bueno, un poco.

261
00:09:03,431 --> 00:09:05,711
Es darle al sistema la capacidad de razonar

262
00:09:05,711 --> 00:09:07,410
sobre cómo tiene que buscar.

263
00:09:07,410 --> 00:09:09,311
O sea, que no siga siempre los mismos

264
00:09:09,311 --> 00:09:09,751
pasos.

265
00:09:10,091 --> 00:09:11,211
Eso es.

266
00:09:11,211 --> 00:09:13,610
El agente analiza la pregunta y decide.

267
00:09:13,610 --> 00:09:15,270
Si es una pregunta muy concreta, como cuál

268
00:09:15,270 --> 00:09:17,711
fue el beneficio en 2023, pues hace una

269
00:09:17,711 --> 00:09:19,350
búsqueda muy específica.

270
00:09:19,071 --> 00:09:21,451
Pero si es algo más abierto, como cuáles

271
00:09:21,451 --> 00:09:23,471
son los riesgos estratégicos de la empresa.

272
00:09:23,490 --> 00:09:25,691
Pues a lo mejor decide que es más

273
00:09:25,691 --> 00:09:28,891
útil recuperar y leerse el informe anual completo,

274
00:09:28,891 --> 00:09:30,910
para tener una visión global.

275
00:09:30,091 --> 00:09:33,471
Es más flexible, pero también menos predecible.

276
00:09:33,490 --> 00:09:36,110
Claro, hay que programarlo con mucho cuidado para

277
00:09:36,110 --> 00:09:37,886
que tome buenas decisiones.

278
00:09:37,886 --> 00:09:38,806
Desde luego.

279
00:09:38,966 --> 00:09:40,446
Y ya por último, una que a mí

280
00:09:40,446 --> 00:09:43,106
me parece fascinante, que es el fine tuning

281
00:09:43,106 --> 00:09:44,586
de los embeddings.

282
00:09:44,466 --> 00:09:46,766
O sea, afinar al traductor.

283
00:09:46,706 --> 00:09:47,686
Exacto.

284
00:09:47,506 --> 00:09:49,866
El modelo que convierte texto en vectores suele

285
00:09:49,866 --> 00:09:53,926
ser genérico, pero podemos reentrenarlo con datos de

286
00:09:53,926 --> 00:09:57,666
un dominio muy específico, legal, médico, financiero, para

287
00:09:57,666 --> 00:09:59,766
que entienda la jerga y los matices de

288
00:09:59,766 --> 00:10:00,486
ese campo.

289
00:10:00,286 --> 00:10:02,366
Y lo que se consigue es que un

290
00:10:02,366 --> 00:10:06,026
modelo de embeddings pequeño, pero muy especializado, supera

291
00:10:06,026 --> 00:10:08,566
a modelos gigantescos y genéricos en esas tareas

292
00:10:08,566 --> 00:10:09,646
concretas.

293
00:10:09,646 --> 00:10:12,306
La comprensión del dominio es mucho más profunda.

294
00:10:12,306 --> 00:10:13,366
Es increíble.

295
00:10:13,366 --> 00:10:15,526
Esto me recuerda a un ejemplo que leí.

296
00:10:15,526 --> 00:10:17,446
Entrenar un modelo no para que busque por

297
00:10:17,446 --> 00:10:19,926
similitud de significado, sino por sentimiento.

298
00:10:20,646 --> 00:10:22,346
Sí, es un caso de uso genial.

299
00:10:22,526 --> 00:10:24,726
De forma que una frase como el pedido

300
00:10:24,726 --> 00:10:27,606
llegó roto se considere muy similar a la

301
00:10:27,606 --> 00:10:29,926
web siempre dice que no hay stock.

302
00:10:29,926 --> 00:10:32,026
No porque usen las mismas palabras, sino porque

303
00:10:32,026 --> 00:10:34,166
ambas expresan frustración.

304
00:10:33,806 --> 00:10:35,546
Ese es el poder de la técnica.

305
00:10:35,546 --> 00:10:38,666
Te permite redefinir qué significa similar para tu

306
00:10:38,666 --> 00:10:39,746
problema.

307
00:10:39,746 --> 00:10:41,506
La personalización es total.

308
00:10:41,506 --> 00:10:44,386
Entonces, si lo unimos todo, queda claro que

309
00:10:44,386 --> 00:10:46,826
el RAGE no es solo una mejora técnica,

310
00:10:46,826 --> 00:10:46,846
¿no?

311
00:10:46,846 --> 00:10:49,586
Es un paso hacia una inteligencia artificial, no

312
00:10:49,586 --> 00:10:51,386
sé, más transparente, más fiable.

313
00:10:51,946 --> 00:10:52,906
Totalmente.

314
00:10:52,906 --> 00:10:54,306
Es que pasamos de una IA que es

315
00:10:54,306 --> 00:10:57,266
como un sabelotodo que a veces patina… ¿Y

316
00:10:57,266 --> 00:10:58,786
que no sabes de dónde saca las cosas?

317
00:10:59,006 --> 00:11:00,806
A una IA que se comporta como una

318
00:11:00,806 --> 00:11:04,806
investigadora experta, que consulta, contrasta y cita sus

319
00:11:04,806 --> 00:11:05,126
fuentes.

320
00:11:05,826 --> 00:11:07,766
Y para una empresa o un gobierno, eso

321
00:11:07,766 --> 00:11:09,546
es infinitamente más valioso.

322
00:11:09,746 --> 00:11:11,406
Por eso se está convirtiendo en la arquitectura

323
00:11:11,406 --> 00:11:14,146
por defecto para resolver problemas del mundo real.

324
00:11:14,266 --> 00:11:16,146
Y esto me lleva a una reflexión final,

325
00:11:16,146 --> 00:11:17,886
una pregunta que me queda en el aire.

326
00:11:17,886 --> 00:11:18,506
A ver, dispara.

327
00:11:18,606 --> 00:11:22,266
Todas estas estrategias se centran en encontrar información

328
00:11:22,266 --> 00:11:25,686
que es semánticamente similar a una pregunta.

329
00:11:25,966 --> 00:11:28,846
Pero, ¿qué pasa cuando la respuesta más útil,

330
00:11:28,846 --> 00:11:31,406
la más creativa, no está en un pasaje

331
00:11:31,406 --> 00:11:34,186
que suena parecido, sino en un dato que

332
00:11:34,186 --> 00:11:36,826
a primera vista no parece tener relación?

333
00:11:37,926 --> 00:11:40,846
¿Cómo podrían los futuros sistemas aprender a dar

334
00:11:40,846 --> 00:11:44,366
esos saltos, a conectar piezas de información dispares

335
00:11:43,886 --> 00:11:47,086
dispares para resolver un problema como hace la

336
00:11:47,086 --> 00:11:48,726
intuición de una persona experta.

337
00:11:50,006 --> 00:11:51,706
Llegamos al final por hoy.

338
00:11:51,706 --> 00:11:54,066
El podcast de BIMPRAXIS está dirigido por un

339
00:11:54,066 --> 00:11:56,246
humano, Julio Pablo Vázquez.

340
00:11:56,246 --> 00:11:57,926
Te esperamos en el próximo episodio.

341
00:12:09,306 --> 00:12:11,486
Y hasta aquí el episodio de hoy.

342
00:12:11,486 --> 00:12:13,066
Muchas gracias por tu atención.

343
00:12:22,946 --> 00:12:25,086
Esto es BIMPRAXIS.

344
00:12:25,086 --> 00:12:27,186
Nos escuchamos en el próximo episodio.

345
00:12:43,886 --> 00:12:44,266
Música