M365.FM · Español
Por qué los embeddings no bastan
RAG híbrido con BM25, reranker y caché semántica
Has creado la base de datos vectorial, indexado los documentos y gastado el presupuesto, y aun así tu Copilot sigue alucinando. La causa rara vez es el modelo, sino la estrategia de recuperación: los embeddings devuelven lo parecido, no lo correcto. Este episodio muestra cómo una arquitectura RAG híbrida con BM25, búsqueda vectorial y reranking semántico alcanza la precisión que necesitan las empresas.
Seguir el podcastNuevos episodios sobre Microsoft 365, Copilot y más, gratis en tu app de podcasts.Spotify
▶ Por qué los embeddings no bastan: RAG híbrido con BM25, reranker y caché semántica (Doblaje IA)
Lo que aprenderás:
- La trampa del top-K: por qué la similitud matemática no equivale a relevancia de negocio y la búsqueda vectorial pura falla con códigos de producto, SKU y nombres internos de proyectos
- El estándar híbrido: cómo la búsqueda por palabras clave BM25 junto con la búsqueda vectorial mejora el recall un 17 % y encuentra también la jerga especializada
- Ranking semántico con el reranker L2 en Azure AI Search: modelos de atención cruzada derivados de Bing que suben la respuesta correcta de la posición 8 a la 1
- Precisión asequible: la caché semántica reduce las llamadas al LLM entre un 60 y un 80 %, y el reranker se activa solo en consultas complejas
- La brecha de gobernanza y la hoja de ruta 2026: RAG agéntico, GraphRAG y una auditoría de recuperación como primer paso
Este episodio es una versión en español doblada con IA del video animado de M365 Show del Microsoft MVP Mirko Peters.