«Entrenar la IA con nuestros documentos» es una petición habitual. Puede responder a varios objetivos: encontrar un procedimiento actualizado, utilizar vocabulario específico, seguir un formato o realizar una tarea especializada. La solución técnica depende del resultado buscado.
RAG aporta fuentes cuando el sistema responde
La generación aumentada por recuperación, habitualmente llamada RAG, recupera pasajes pertinentes de fuentes autorizadas y los proporciona al modelo para ayudarle a responder. El sistema debe gestionar la incorporación de documentos, su división en fragmentos, la recuperación y la presentación de referencias. Los pesos del modelo no cambian necesariamente.
Para un asistente documental, este enfoque permite actualizar una colección sin volver a entrenar el modelo cada vez que cambia un procedimiento. Sigue siendo necesario gestionar la retirada de versiones obsoletas, la sincronización y el control de acceso. La calidad de la respuesta también depende de encontrar el pasaje adecuado.
El fine-tuning adapta un modelo existente
El fine-tuning continúa el entrenamiento de un modelo preentrenado con un conjunto de datos destinado a una tarea o un dominio. La documentación de Hugging Face lo distingue del entrenamiento con pesos inicializados aleatoriamente.
Puede merecer la pena estudiarlo cuando una necesidad repetida afecta, por ejemplo, a una estructura de salida o a una tarea especializada difícil de estabilizar solo con instrucciones. Requiere buenos ejemplos, derechos de uso claros y una evaluación separada de los datos de entrenamiento. Su valor debe medirse frente a una solución más sencilla.
Empezar con una comparación concreta
Consideremos tres solicitudes ficticias. Un equipo quiere encontrar el procedimiento de reembolso aplicable: la actualización y la cita de fuentes apuntan primero a la recuperación documental. Otro quiere un objeto estructurado que respete un esquema: las instrucciones y la validación automática pueden bastar. Un tercero quiere mejorar de forma duradera una tarea empresarial repetida: el fine-tuning puede ser una opción si las pruebas de referencia revelan una diferencia medible.
Estas situaciones son ejemplos para razonar, no reglas universales. Un sistema puede combinar varios enfoques. Sin embargo, añadirlos todos desde el principio aumenta el número de componentes que deben mantenerse y evaluarse.
Probar por separado la recuperación y la respuesta
Cuando un asistente responde mal, el modelo no siempre es la primera causa. El documento puede faltar, el índice estar obsoleto, el pasaje ser incompleto o el acceso estar denegado. Separar estas etapas ayuda a identificar el problema que conviene corregir. La guía de evaluación RAG de Hugging Face ilustra cómo un conjunto de referencia de preguntas y respuestas permite observar los cambios de un sistema.
Nuestra lista práctica incluye preguntas sencillas, solicitudes que combinan dos fuentes, documentos contradictorios y preguntas sin respuesta disponible. También comprueba que un usuario no pueda obtener un pasaje que no tiene derecho a leer. Los ejemplos deben reflejar las condiciones de trabajo, incluidos los fallos esperados.
No confundir especialización y seguridad
Un documento recuperado puede contener instrucciones maliciosas. OWASP describe este riesgo de inyección indirecta y recomienda varias capas de protección. Ni RAG ni el fine-tuning eliminan la necesidad de restringir las herramientas disponibles, validar sus parámetros y controlar en el servidor las acciones sensibles.
Para preparar un proyecto, parta de casos representativos y criterios de éxito. Nuestra página de entrenamiento y adaptación de modelos explica las etapas del trabajo. El objetivo es elegir una arquitectura justificada por los resultados y documentar después cómo se operará.
