El tema de hoy es algo de lo que casi todos han oído hablar, pero casi nadie puede explicar en términos sencillos. Regeneración aumentada por recuperación. Has visto el acroemo por todas partes, anuncios de Microsoft, charlas en conferencias de e-applogs, pero ¿qué significa realmente? Y lo más importante, porque es muy importante, aquí está el punto. Los modelos de lenguaje grandes como GPT-4O son potentes. Pueden escribir ensayos, presumir documentos, incluso generar código, pero vienen con dos grandes problemas. Primero, su conocimiento está con el tiempo. Pregúntale a ChatGPT sobre algo que pasó ayer y no tiene ni idea. Segundo, estos modelos nunca vieron los datos internos de tu empresa, tus políticas, detalles de productos, correos de clientes. Por eso, cuando le haces una pregunta a un LM sobre tu negocio, está adivinando. Así que ahí es donde entra la generación aumentada por recuperación. Rack no es un modelo nuevo, no es un GPT más grande o mejor. Es un enfoque totalmente diferente. En lugar de pedirle al LM que extraiga respuestas de su memoria y entrenamiento, Rack primero busca la información correcta en tus propios datos y se la entrega al modelo junto con la pregunta. El modelo luego usa ese contexto para darte respuestas basadas en contenido real y actualizado, no en suposiciones. Sin Rack, tu guía trabaja con una memoria de hace meses o años. Con Rack, trabaja con tus documentos reales en este momento. Esa es la diferencia entre una guía que suena segura pero puede estar equivocada y una que te muestra exactamente de dónde sacó su respuesta. Esto es lo que cubriremos hoy. Primero, veremos los dos problemas que hacen necesario el Rack. Luego analizaremos qué es realmente el Rack. La recuperación, la aumentación, la generación. Después recorreremos los servicios clave de Azure. Azure AI Search, Azure Open AI y Azure AI Foundry. Y terminaremos con un ejemplo real para que veas cómo encajan las piezas. Comencemos con el men sí. Una vez que lo ves, la solución se vuelve obvia. Los dos problemas que tienen los LLM. Entonces, ¿qué tienen de malo los modelos de lenguaje grano? Dos cosas son reales. Primero, su conocimiento está congelado. Piénsalo. Cuando se entrenó GPT-4O, aprendió de una instantánea de Internet que ahora tiene meses o años de antigüedad, así que no conoce nuevos productos, regulaciones recientes ni las noticias de ayer. Pregúntale sobre un cambio de política de la semana pasada y no tiene forma de saberlo. Esa información simplemente no está en sus datos de entrenamiento. Segundo, los LLM nunca vieron tus datos privados, tus documentos internos, correos de clientes, bases de datos propietarias. El modelo no tiene acceso a nada de eso. Entonces, cuando un empleado pregunta sobre sus procesos comerciales específicos, el modelo no puede responder. No sabe lo que usted sabe. Algunas personas creen que el ajuste fino resuelve. Toma el modelo base y lo entrena un poco más con sus propios datos. Pero el ajuste fino tiene sus propios problemas. Es costoso. Te paga por el tiempo de GPU y el esfuerzo de ingeniería. No soluciona la obsolescencia. Una vez que realiza el ajuste fino, el modelo queda congelado en ese momento. Y no puede manejar datos que cambian frecuentemente, como niveles de inventario o precios. El ajuste fino es como enseñarle un libro de texto a alguien de memoria. Útil para un asino, pueden consultar el periódico de hoy. La verdadera solución es simple. De al modelo acceso a su conocimiento en el momento que necesite responder, en lugar de intentar meter todo en su memoria. Lo obligue a memorizarlo todo. Permita que busque información en tiempo real, desde sus datos reales. Eso es lo que hace Rack. Una idea simple, pero que lo cambia todo. ¿Qué es realmente? Entonces, aquí está Rack en una frase. En lugar de pedirle al modelo que extraiga una respuesta de sus datos de entrenamiento, primero buscamos la información relevante y luego se la proporcionamos al modelo junto con la pregunta. Esa es la idea central. Tres pasos simples. Recuperar, aumentar y generar. Permítame darle una analogía. Piensa en un bibliotecario. Entra en una biblioteca y hace una pregunta. No esperaría que el bibliotecario haya memorizado cada libro, ¿verdad? Eso es R. En cambio, le pide que busque el libro correcto, lo abra en la página adecuada y le lea la respuesta. El bibliotecario no memoriza nada. Primero recupera y luego lee. Y eso es exactamente lo que hace Rack. Primero la recuperación, segundo la generación. Así es como funciona realmente en la práctica. Un usuario es una pregunta. El sistema entonces busca una base de conocimiento, sus documentos, sus datos, su información privada. Lo que encuentre se envía al modelo de lenguaje grande y el modelo genera una respuesta basada en ese contexto. Y esta es la parte importante. El LM nunca ve sus datos sin procesar. Solo ve lo que el sistema de recuperación le entrega. Eso no es un inconveniente. Es una característica de seguridad. Sus documentos confidenciales permanecen en su propia nación. En el momento de la consulta, el modelo solo recibe los fragmentos relevantes que necesita para responder. Sin entrenamiento con sus datos, sin memorización, sin filtraciones. Sus datos se quedan donde pertenecen. Entonces, Rack resuelve ambos problemas de los que hablamos antes. Datos obsoletos. No es un problema. Su base de conocimiento se mantiene actualizada. Datos privados. El modelo solo ve lo que usted elige recuperar. Es como darle al bibliotecario acceso a su archivador, pero permitiéndole sacar solo la carpeta que necesita justo cuando la necesita. Incrustaciones vectoriales semánticas. Ahora quizás se pregunte cómo funciona realmente esa búsqueda. No se trata de hacer coincidir palabras clave ni de ejecutar un control más F en su documento. Es algo mucho más inteligente. Se llama búsqueda semántica y funciona con incrustaciones vectoriales. Permíteme explicarle qué es una incrustación. Una incrustación vectorial es una larga lista de números que captura el significado de un texto como si fueran coordenadas en un mapa. Cada documento obtiene su propia coordenada en ese mapa de significado. Cuando usted hace una pregunta, el sistema también convierte su pregunta en coordenadas y luego encuentra los documentos más cercanos a ella. La clave aquí es semántica. No se trata de encontrar las palabras exactas, sino de entender conceptos. Si busca hoteles económicos, el sistema puede encontrar documentos sobre alojamientos asequibles incluso si esas palabras exactas nunca aparecen. ¿Por qué? Porque el significado es cercano. Las incrustaciones de económico y asequible se sitúan justo al lado de la otra en ese mapa. Un modelo pequeño y especial, como el Text Embedding 3 Large de Azure, que da estas incrustaciones. No es un modelo de lenguaje gigante, por lo que es una herramienta enfocada que realiza una sola tarea. Convertir texto en sus números de coordenada. Esto es lo que hace que Rack sea tan poderoso. Sus documentos se convierten en incrustaciones una vez durante la indexación. Luego, cuando llega una consulta, el sistema encuentra el contenido más relevante en milisegundos, incluso si las palabras exactas del usuario nunca aparecen en los documentos. Entiende la intención, no solo las palabras clave que usted escribe. Azure AI Search, el motor de recuperación. Entonces, ahora comprende el concepto. Primero, recuperarlo, generar. Pero, ¿dónde ocurre realmente toda esa recuperación? Ahí es donde entra en juego Azure AI Search. Azure AI Search es el servicio que almacena, indexa y recupera su contenido. Piénselo como el sistema de archivos para su aplicación Rage. Maneja dos tareas principales y vamos a revisarlas. Primero, la indexación. Es preparar sus datos para que puedan ser buscados. Segundo, la búsqueda. Es encontrar realmente el contenido adecuado cuando alguien hace una pregunta. Revisemos primero el proceso de indexación. Usted comienza apuntando Azure AI Search a su fuente de datos, que podría ser un contenedor de almacenamiento de blobs lleno de archivos PDF, una base de datos SQL con registros de clientes o cualquier otra fuente. El servicio lee esos documentos, los divide en partes más pequeñas llamadas fragmentos, crea incrustaciones vectoriales para cada fragmento usando el modelo de incrustación que mencionamos antes y almacena todo en un índice de búsqueda. Piensa en el índice como un catálogo gigante y altamente organizado. Cada fragmento de contenido recibe un ID único, un bloque de texto y un conjunto de coordenadas en ese mapa de significados. Ahora, proceso de búsqueda. Cuando un usuario hace una pregunta, AI Search convierte esa pregunta en un vector usando el mismo modelo de incrustación. Y luego escanea el índice para encontrar los bloques cuyas coordenadas estén más cerca de las coordenadas de la pregunta. Devuelve las mejores coincidencias. Normalmente las 5 a 10 más relevantes y hace todo esto en milisegundos. Aquí tienen unas opciones sólidas. La búsqueda vectorial pura encuentra contenido por significado, por lo que aparecen conceptos similares aunque las palabras exactas no coinciden. La búsqueda por palabras clave funciona como un buscador tradicional, encontrando coincidencias exactas. O puede usar la búsqueda híbrida, que combina ambos enfoques y esa suele ser la mejor elección. También existe algo llamado reclasificación semántica, que toma esos resultados iniciales y los reordena basándose en que también responden realmente a la pregunta. Es como una segunda pasada que captura cosas que la primera puede haber pasado por alto. Algo que debes saber, Azure AI Search puede resultar costoso. El nivel básico comienza alrededor de $75 al mes y sube a partir de ahí. Si solo está experimentando, usa el nivel gratuito o asegúrese de eliminar sus recursos cuando termine. Sin embargo, para uso en producción, el costo suele valer la pena. Está comprando velocidad y confiabilidad a gran escala. Azure Open AI más AI Foundry Generación y Orquestación. Entonces, ahora sus datos están indexados y listos para la recuperación, pero el LLM aún necesita entender su pregunta y generar una respuesta sólida. Ahí es donde entran Azure Open AI y Azure AI Foundry. Azure Open AI proporciona el modelo de lenguaje real, GPT-4O, GPT-4.1 o cualquier modelo que elija. Este es el motor de generación. Recibe una instrucción que incluye tanto la pregunta original del usuario como el contexto que Azure AI Search recuperó. El modelo lee ese contexto y produce una respuesta basada en lo que encuentra. Ahora, no puede simplemente volcar todo y esperarlo mejor. Necesita una instrucción de sistema, un conjunto de directrices que le da el modelo desde el principio sobre cómo comportarse. Le dice que use solo el contexto proporcionado, que cite sus fuentes y lo más importante, que diga, no lo sé. Sin la información relevante, no están los documentos recuperados. Eso es lo que mantiene el modelo honesto. Sin una buena instrucción de sistema, el modelo podría recurrir a sus datos de entrenamiento o, peor aún, inventar algo. Entonces, ¿cómo conecta realmente todas estas piezas? Ahí es donde entra Azure AI Foundry. Es el portal donde creas un proyecto, implementas tus modelos, conectas tus fuentes de datos y pruebas tu agente. Piénsalo como el centro de control para toda tu configuración de Rack. Dentro de Foundry puedes añadir tu índice de Azure AI Search como fuente de conocimiento a tu agente sin escribir código personalizado para la configuración básica. Solo creas una conexión, seleccionas tu índice y el agente puede empezar a consultarlo automáticamente. El portal se encarga de la orquestación. Cuando un usuario hace una pregunta, el agente sabe llamar AI Search, obtiene los fragmentos relevantes y pasárselos al LLM junto con la pregunta original, que hay un ejemplo concreto. En un tutorial que encontré, alguien creó un agente de recomendación de películas usando un conjunto de datos de Netflix. Subieron un archivo CSV con títulos de películas, descripciones e información del reparto a Azure Blob Storage. Luego usaron Azure AI Search para indexar esos datos. En Azure AI Foundry, crearon un agente con GPT-4O y conectaron el índice de AI Search. Cuando un usuario preguntó, me gustan los thrillers, dame algunas recomendaciones. El agente buscó en el índice, encontró películas de suspenso de ese conjunto de datos específico y devolvió recomendaciones. Y aquí está la clave, solo recomiendo películas que realmente estaban en ese conjunto de datos. No inventó nada, no recurrió a sus datos de entrenamiento y trabajó exclusivamente con el contenido que le proporcionaron. Ese es el poder de Rack. Rack clásico vs. Rackente Ahora, hablemos de cómo configurarlo. Existen dos patrones principales, Rack clásico y Rackente. Cuál elijas depende de lo que estés construyendo. Rack clásico es el enfoque sencillo. Entra a una consulta, se ejecuta una búsqueda y sale una respuesta. Simple, rápido, predecivo. Piénsalo como acercarte a la recepción de un edificio de oficinas y pedir un archivo específico. El recepcionista lo toma, te lo entrega y listo. Rack clásico funciona muy bien para preguntas y respuestas factuales sobre un solo tema, como ¿cuál es la política de la empresa sobre el trabajo remoto? O muéstrame los pasos de solución de problemas para este código. Es confiable, económico y fácil de arreglar cuando algo sale mal porque el flujo es lineal. Rackente es diferente. El agente de IA decide cómo recuperar la información. Puede hacer múltiples subpreguntas, buscar en diferentes índices, iterar sobre resultados y sintetizar entre fuentes antes de responder. Es como tener un administrador de edificio que coordina con diferentes departamentos para reunir todas las piezas. No solo toman un archivo, hablan con recursos humanos, revisan registros, verifican políticas cruzadas y luego regresan con una respuesta completa. Microsoft realizó sus propias pruebas y descubrió que el Rack agente ofrece una mejora de alrededor del 40% de las respuestas para preguntas complejas. Eso es significativo, pero utiliza de 3 a 10 veces más tokens y añade latencia. Para preguntas simples, ese trabajo adicional es un desperdicio. El Rack clásico las maneja perfectamente bien. Entonces, ¿cuándo usar cada uno? El clásico para consultas rutinarias y de gran volumen, donde la velocidad y el costo son lo más importante. El agente para preguntas de varios pasos, ambiguas o interdisciplinarias, donde la precisión vale el cómputo adicional. Sección de conexión ejemplo integral. Veamos cómo encajan todas estas piezas con un ejemplo real. Imagina que estás creando un agente de atención al cliente para una agencia de viajes llamada Marigold Travels. Tienes folletos de viajes, reseñas de hoteles y documentos de políticas dispersos por toda tu organización. Quieres que los clientes hagan preguntas y obtengan respuestas precisas basadas en tu contenido real, no en suposiciones genéricas. Paso 1. Almacena todo ese contenido en Azure Blobstory. Folletos en una carpeta, reseñas en otra, políticas en una tercera, simplemente archivos en un contenedor. Paso 2. Usa Azure AI Search para indexar esos datos ejecutando al asistente de importación, apuntando a tu almacenamiento de blobs y dejando que trabaje. El servicio lee cada documento, los divide en fragmentos, crea incrustaciones vectoriales y construye un índice de búsqueda. Todo el proceso tómanos minutos. Paso 3. Vea Azure AI Foundry y crea un agente. Despliega GPT-4O como tu modelo. Escribe un prompt del sistema que le indique usar solo el contexto proporcionado y citar sus fuentes. Luego conecta tu índice de Azure AI Search como fuente de conocimiento. Bueno, pocos clics y list. Ahora un cliente pregunta, ¿cuál es el hotel mejor valorado en Dubai por menos de 300 dólares? La gente toma esa pregunta y la envía a Azure AI Search. Azure AI Search la convierte en un vector y encuentra los fragmentos más relevantes de tus reseñas y folletos. Esos fragmentos se pasan a GPT-4O junto con la pregunta original. El modelo los lee, identifica la mejor coincidencia y genera una respuesta con citas que apuntan a tus documentos de origen. El punto es que el LM nunca memorizó esos datos. Nunca fue entrenado con tus reseñas de hoteles. Trabaja con tu contenido específico en cada ocasión. Agrega nuevas reseñas mañana y las respuestas se actualizarán automáticamente. Elimina un folleto desactualizado y dejará de aparecer. El modelo no necesita un rendimiento. Solo necesita la capa de recuperación adecuada. Entonces, ¿cómo empiezas realmente a construir Rack en Azure? Dividámoslo en tres pasos. Lo primero es lo primero. Conoce tus datos. Antes de elegir un servicio, averigua dónde reside tu contenido, cómo está organizado y quién era acceso. El éxito o fracaso de Rack depende de la calidad de tus datos. A continuación, mantélos sin. No compliques demasiado la configuración. Usa el asistente de importación de datos en Azure AI Search para indexar solo un conjunto de documentos. Prueba con consultas básicas. Asegúrate de que tu recuperación funcione perfectamente antes de añadir el LM. La mayoría de los fallos en Rack no son problemas. Son problemas de recuperación. Último paso. Añádele LM. Una vez que tu búsqueda devuelva los resultados correctos, entonces incorporas la generación. Es ahí cuando conectas a Azure Open AI y escribes tu PRAM del sistema. Punto. Es que Rack no es algo que compras. Es un patrón que construye. Azure te da las piezas, almacenamiento, búsqueda, modelos y el pegamento para conectarlo. Solo necesitas armarlo todo de la manera correcta. Si esto te ayudó a ver el panorama general, suscríbete para más explicaciones y lenguaje sencillo. Deja un comentario con tu caso de uso de Rack. Me encantaría saber qué estás construyendo.