Arquitectura RAG para el Contexto en PLN Generación y Acceso Inteligente de Datos

Este artículo explora en profundidad la integración de técnicas avanzadas de machine learning mediante la metodología Retrieval Augmented Generation (RAG). Se analiza la arquitectura dual que combina procesos de recuperación y generación de información, resaltando su impacto en el entrenamiento de modelos de lenguaje natural. Asimismo, se presentan variantes especializadas como el Corrective RAG y el Advanced RAG, que incorporan mecanismos de retroalimentación y optimización en tiempo real. Se incluye, además, una mención del producto JurislibreIA, desarrollado por el semillero Sensorama, ejemplificando aplicaciones prácticas en dominios complejos como el legal. El estudio se fundamenta en ejemplos de implementación en Python, diagramas explicativos y una revisión crítica de las fuentes relevantes, ofreciendo una guía completa para investigadores y desarrolladores interesados en impulsar soluciones innovadoras basadas en RAG.

• Autores: Gonzalez Torres, Daniel Leonardo; Santa Quintero, Ricardo Andres
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Universidad Libre
• Repositorio: RIU - Repositorio Institucional UniLibre
• OAI Identifier: oai:repository.unilibre.edu.co:10901/31241
• Acceso en línea: https://hdl.handle.net/10901/31241
• Palabra clave: Retrieval Augmented Generation (RAG); Machine Learning; Natural Language Processing (NLP); Corrective RAG; Advanced RAG; JurislibreIA; Sensorama; Bases de Datos Vectoriales; Grafos; Modelos de Lenguaje (LLM); Retrieval Augmented Generation (RAG); Machine Learning; Natural Language Processing (NLP); Corrective RAG; Advanced RAG; JurislibreIA; Sensorama; Vector database; Graph; Language Models (LLM); Gestión de datos
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/