Dar conocimiento a la IA: embeddings, búsqueda vectorial y RAG

Qué aprenderás

• Por qué no todo debe estar dentro del modelo.
• Embeddings, similitud semántica y búsqueda vectorial (nivel introductorio).
• RAG, grounding, fuentes y trazabilidad.

Explicación sencilla

Meter todo dentro del modelo es imposible: entrenar es caro, lento y congela el conocimiento en una fecha. La alternativa es darle conocimiento externo en el momento de la consulta: buscar documentos relevantes y adjuntarlos como contexto para que responda basándose en ellos.

Las piezas, en lenguaje simple:

• Embedding: convertir un texto en una lista de números que captura su

significado (textos parecidos → números cercanos).

• Búsqueda vectorial / semántica: encontrar documentos por significado, no

por palabras exactas ("auto" encuentra "vehículo").

• RAG (Retrieval-Augmented Generation, generación aumentada con

recuperación): el flujo completo — buscar fragmentos relevantes → dárselos al modelo → generar la respuesta citando esas fuentes.

• Grounding: anclar la respuesta en fuentes concretas y verificables.
• Trazabilidad: poder rastrear cada afirmación hasta su documento origen.

Ejemplo en una organización

Preguntás por un procedimiento interno. El sistema busca en manuales autorizados, elige 3 fragmentos relevantes, se los pasa al modelo y este redacta la respuesta citando el manual y la versión. Si el manual cambia, cambia la respuesta sin reentrenar nada. Eso es RAG bien aplicado.

Un poco más de profundidad

RAG no enseña al modelo (sus parámetros no cambian): le presta información. Por eso combina tan bien con verificación: las citas permiten auditar. Sus límites honestos: si la búsqueda trae basura, la respuesta hereda basura; si el documento no existe en la base, el sistema debe decir "no lo encontré", no inventar. Diseñar ese "no sé" es parte del trabajo (ver guardrails, Unidad 9).

Profundización técnica

(Opcional.) Los embeddings típicos son vectores de cientos o miles de dimensiones; la cercanía se mide con similitud de coseno o distancia euclídea. Las bases vectoriales indexan millones de vectores para búsqueda aproximada rápida (ANN). El chunking (cómo partir documentos) y el reranking (reordenar candidatos) deciden la calidad más que el modelo generador.

Qué no significa

• RAG ≠ entrenar ni fine-tuning (no modifica el modelo).
• Poner embeddings ≠ tener RAG (falta el flujo completo + citas).
• Más documentos ≠ mejor respuesta (relevancia manda, como en la Unidad 5).

Errores frecuentes

1. Indexar documentos desactualizados y culpar al modelo.
2. No mostrar fuentes al usuario (se pierde la única ventaja auditable).
3. Creer que RAG elimina alucinaciones (las reduce mucho, no las elimina).

Ideas principales

• El conocimiento cambiante vive fuera del modelo, no dentro.
• Embeddings permiten buscar por significado.
• RAG = recuperar + generar con citas; grounding = anclar en fuentes.
• Sin trazabilidad no hay respuesta confiable.

Autoevaluación

1. ¿Para qué sirve RAG y en qué se diferencia del fine-tuning?
2. ¿Qué es el grounding y por qué importa para verificar?

Fuentes

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (paper original) — arXiv (Lewis et al.) — https://arxiv.org/abs/2005.11401 — consulta: 2026-10-03.
• Text embeddings guide (qué son y cómo usarlos) — OpenAI — https://platform.openai.com/docs/guides/embeddings — consulta: 2026-10-03.

Seguir aprendiendo

• Unidad 9: agentes y memoria (qué hacen con ese conocimiento).
• Más adelante: Módulo 9 (embeddings), Módulo 10 (bases vectoriales) y Módulo 11 (RAG).