WEBVTT

00:00:00.000 --> 00:00:04.040
El tema de hoy es algo de lo que casi todos han oído hablar, pero casi nadie puede explicar en términos sencillos.

00:00:04.920 --> 00:00:06.500
Regeneración aumentada por recuperación.

00:00:06.900 --> 00:00:11.540
Has visto el acroemo por todas partes, anuncios de Microsoft, charlas en conferencias de e-applogs, pero ¿qué significa realmente?

00:00:12.340 --> 00:00:14.460
Y lo más importante, porque es muy importante, aquí está el punto.

00:00:14.920 --> 00:00:17.260
Los modelos de lenguaje grandes como GPT-4O son potentes.

00:00:17.900 --> 00:00:22.260
Pueden escribir ensayos, presumir documentos, incluso generar código, pero vienen con dos grandes problemas.

00:00:23.000 --> 00:00:24.340
Primero, su conocimiento está con el tiempo.

00:00:24.660 --> 00:00:27.260
Pregúntale a ChatGPT sobre algo que pasó ayer y no tiene ni idea.

00:00:27.260 --> 00:00:32.880
Segundo, estos modelos nunca vieron los datos internos de tu empresa, tus políticas, detalles de productos, correos de clientes.

00:00:33.460 --> 00:00:36.100
Por eso, cuando le haces una pregunta a un LM sobre tu negocio, está adivinando.

00:00:36.440 --> 00:00:38.580
Así que ahí es donde entra la generación aumentada por recuperación.

00:00:38.880 --> 00:00:41.080
Rack no es un modelo nuevo, no es un GPT más grande o mejor.

00:00:41.380 --> 00:00:42.480
Es un enfoque totalmente diferente.

00:00:43.380 --> 00:00:46.420
En lugar de pedirle al LM que extraiga respuestas de su memoria y entrenamiento,

00:00:46.540 --> 00:00:50.820
Rack primero busca la información correcta en tus propios datos y se la entrega al modelo junto con la pregunta.

00:00:52.020 --> 00:00:57.180
El modelo luego usa ese contexto para darte respuestas basadas en contenido real y actualizado, no en suposiciones.

00:00:57.880 --> 00:01:00.560
Sin Rack, tu guía trabaja con una memoria de hace meses o años.

00:01:01.080 --> 00:01:03.380
Con Rack, trabaja con tus documentos reales en este momento.

00:01:04.000 --> 00:01:06.740
Esa es la diferencia entre una guía que suena segura pero puede estar equivocada

00:01:06.740 --> 00:01:09.040
y una que te muestra exactamente de dónde sacó su respuesta.

00:01:09.700 --> 00:01:10.620
Esto es lo que cubriremos hoy.

00:01:11.100 --> 00:01:13.320
Primero, veremos los dos problemas que hacen necesario el Rack.

00:01:13.860 --> 00:01:15.440
Luego analizaremos qué es realmente el Rack.

00:01:15.580 --> 00:01:17.500
La recuperación, la aumentación, la generación.

00:01:18.000 --> 00:01:20.160
Después recorreremos los servicios clave de Azure.

00:01:20.260 --> 00:01:23.140
Azure AI Search, Azure Open AI y Azure AI Foundry.

00:01:23.740 --> 00:01:26.460
Y terminaremos con un ejemplo real para que veas cómo encajan las piezas.

00:01:27.140 --> 00:01:27.960
Comencemos con el men sí.

00:01:28.620 --> 00:01:30.280
Una vez que lo ves, la solución se vuelve obvia.

00:01:31.320 --> 00:01:32.580
Los dos problemas que tienen los LLM.

00:01:33.040 --> 00:01:34.540
Entonces, ¿qué tienen de malo los modelos de lenguaje grano?

00:01:34.780 --> 00:01:35.480
Dos cosas son reales.

00:01:36.420 --> 00:01:37.660
Primero, su conocimiento está congelado.

00:01:38.100 --> 00:01:38.460
Piénsalo.

00:01:38.840 --> 00:01:43.200
Cuando se entrenó GPT-4O, aprendió de una instantánea de Internet que ahora tiene meses o años de antigüedad,

00:01:43.580 --> 00:01:46.640
así que no conoce nuevos productos, regulaciones recientes ni las noticias de ayer.

00:01:47.220 --> 00:01:50.020
Pregúntale sobre un cambio de política de la semana pasada y no tiene forma de saberlo.

00:01:50.640 --> 00:01:52.440
Esa información simplemente no está en sus datos de entrenamiento.

00:01:53.840 --> 00:01:59.280
Segundo, los LLM nunca vieron tus datos privados, tus documentos internos, correos de clientes, bases de datos propietarias.

00:01:59.820 --> 00:02:01.480
El modelo no tiene acceso a nada de eso.

00:02:02.100 --> 00:02:05.780
Entonces, cuando un empleado pregunta sobre sus procesos comerciales específicos, el modelo no puede responder.

00:02:06.200 --> 00:02:07.080
No sabe lo que usted sabe.

00:02:07.520 --> 00:02:09.040
Algunas personas creen que el ajuste fino resuelve.

00:02:09.480 --> 00:02:11.820
Toma el modelo base y lo entrena un poco más con sus propios datos.

00:02:12.220 --> 00:02:13.500
Pero el ajuste fino tiene sus propios problemas.

00:02:13.900 --> 00:02:14.360
Es costoso.

00:02:14.780 --> 00:02:16.780
Te paga por el tiempo de GPU y el esfuerzo de ingeniería.

00:02:17.280 --> 00:02:18.260
No soluciona la obsolescencia.

00:02:18.940 --> 00:02:21.760
Una vez que realiza el ajuste fino, el modelo queda congelado en ese momento.

00:02:22.240 --> 00:02:25.880
Y no puede manejar datos que cambian frecuentemente, como niveles de inventario o precios.

00:02:26.460 --> 00:02:28.820
El ajuste fino es como enseñarle un libro de texto a alguien de memoria.

00:02:28.820 --> 00:02:31.580
Útil para un asino, pueden consultar el periódico de hoy.

00:02:32.220 --> 00:02:33.240
La verdadera solución es simple.

00:02:34.020 --> 00:02:39.160
De al modelo acceso a su conocimiento en el momento que necesite responder, en lugar de intentar meter todo en su memoria.

00:02:39.820 --> 00:02:40.720
Lo obligue a memorizarlo todo.

00:02:41.160 --> 00:02:43.760
Permita que busque información en tiempo real, desde sus datos reales.

00:02:43.840 --> 00:02:44.360
Eso es lo que hace Rack.

00:02:44.620 --> 00:02:45.940
Una idea simple, pero que lo cambia todo.

00:02:46.840 --> 00:02:47.400
¿Qué es realmente?

00:02:48.260 --> 00:02:49.520
Entonces, aquí está Rack en una frase.

00:02:49.520 --> 00:02:53.080
En lugar de pedirle al modelo que extraiga una respuesta de sus datos de entrenamiento,

00:02:53.180 --> 00:02:57.380
primero buscamos la información relevante y luego se la proporcionamos al modelo junto con la pregunta.

00:02:58.360 --> 00:02:59.080
Esa es la idea central.

00:02:59.540 --> 00:03:00.340
Tres pasos simples.

00:03:00.800 --> 00:03:02.420
Recuperar, aumentar y generar.

00:03:03.140 --> 00:03:04.180
Permítame darle una analogía.

00:03:04.580 --> 00:03:05.300
Piensa en un bibliotecario.

00:03:05.960 --> 00:03:07.460
Entra en una biblioteca y hace una pregunta.

00:03:08.160 --> 00:03:10.400
No esperaría que el bibliotecario haya memorizado cada libro, ¿verdad?

00:03:10.800 --> 00:03:11.220
Eso es R.

00:03:11.580 --> 00:03:15.540
En cambio, le pide que busque el libro correcto, lo abra en la página adecuada y le lea la respuesta.

00:03:15.960 --> 00:03:17.120
El bibliotecario no memoriza nada.

00:03:18.000 --> 00:03:19.080
Primero recupera y luego lee.

00:03:19.800 --> 00:03:21.000
Y eso es exactamente lo que hace Rack.

00:03:21.320 --> 00:03:23.060
Primero la recuperación, segundo la generación.

00:03:23.320 --> 00:03:24.720
Así es como funciona realmente en la práctica.

00:03:25.280 --> 00:03:26.200
Un usuario es una pregunta.

00:03:26.580 --> 00:03:30.560
El sistema entonces busca una base de conocimiento, sus documentos, sus datos, su información privada.

00:03:31.040 --> 00:03:35.620
Lo que encuentre se envía al modelo de lenguaje grande y el modelo genera una respuesta basada en ese contexto.

00:03:36.060 --> 00:03:37.100
Y esta es la parte importante.

00:03:37.380 --> 00:03:38.820
El LM nunca ve sus datos sin procesar.

00:03:38.920 --> 00:03:40.840
Solo ve lo que el sistema de recuperación le entrega.

00:03:41.140 --> 00:03:41.960
Eso no es un inconveniente.

00:03:42.140 --> 00:03:43.220
Es una característica de seguridad.

00:03:43.720 --> 00:03:45.880
Sus documentos confidenciales permanecen en su propia nación.

00:03:45.880 --> 00:03:49.820
En el momento de la consulta, el modelo solo recibe los fragmentos relevantes que necesita para responder.

00:03:50.160 --> 00:03:52.740
Sin entrenamiento con sus datos, sin memorización, sin filtraciones.

00:03:53.460 --> 00:03:54.740
Sus datos se quedan donde pertenecen.

00:03:54.980 --> 00:03:56.920
Entonces, Rack resuelve ambos problemas de los que hablamos antes.

00:03:57.500 --> 00:03:58.120
Datos obsoletos.

00:03:58.340 --> 00:03:58.800
No es un problema.

00:03:59.300 --> 00:04:00.720
Su base de conocimiento se mantiene actualizada.

00:04:00.960 --> 00:04:01.540
Datos privados.

00:04:01.920 --> 00:04:03.640
El modelo solo ve lo que usted elige recuperar.

00:04:03.980 --> 00:04:09.160
Es como darle al bibliotecario acceso a su archivador, pero permitiéndole sacar solo la carpeta que necesita justo cuando la necesita.

00:04:10.620 --> 00:04:11.820
Incrustaciones vectoriales semánticas.

00:04:12.420 --> 00:04:14.380
Ahora quizás se pregunte cómo funciona realmente esa búsqueda.

00:04:14.380 --> 00:04:18.000
No se trata de hacer coincidir palabras clave ni de ejecutar un control más F en su documento.

00:04:18.360 --> 00:04:19.320
Es algo mucho más inteligente.

00:04:19.600 --> 00:04:22.080
Se llama búsqueda semántica y funciona con incrustaciones vectoriales.

00:04:22.540 --> 00:04:23.760
Permíteme explicarle qué es una incrustación.

00:04:24.100 --> 00:04:28.700
Una incrustación vectorial es una larga lista de números que captura el significado de un texto como si fueran coordenadas en un mapa.

00:04:28.880 --> 00:04:31.380
Cada documento obtiene su propia coordenada en ese mapa de significado.

00:04:32.360 --> 00:04:37.180
Cuando usted hace una pregunta, el sistema también convierte su pregunta en coordenadas y luego encuentra los documentos más cercanos a ella.

00:04:37.580 --> 00:04:38.480
La clave aquí es semántica.

00:04:38.480 --> 00:04:42.060
No se trata de encontrar las palabras exactas, sino de entender conceptos.

00:04:42.540 --> 00:04:48.580
Si busca hoteles económicos, el sistema puede encontrar documentos sobre alojamientos asequibles incluso si esas palabras exactas nunca aparecen.

00:04:49.080 --> 00:04:49.380
¿Por qué?

00:04:49.820 --> 00:04:50.880
Porque el significado es cercano.

00:04:51.540 --> 00:04:55.040
Las incrustaciones de económico y asequible se sitúan justo al lado de la otra en ese mapa.

00:04:55.040 --> 00:04:59.260
Un modelo pequeño y especial, como el Text Embedding 3 Large de Azure, que da estas incrustaciones.

00:04:59.640 --> 00:05:03.400
No es un modelo de lenguaje gigante, por lo que es una herramienta enfocada que realiza una sola tarea.

00:05:04.260 --> 00:05:05.860
Convertir texto en sus números de coordenada.

00:05:06.340 --> 00:05:07.560
Esto es lo que hace que Rack sea tan poderoso.

00:05:07.840 --> 00:05:10.720
Sus documentos se convierten en incrustaciones una vez durante la indexación.

00:05:11.120 --> 00:05:18.020
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.

00:05:18.540 --> 00:05:21.200
Entiende la intención, no solo las palabras clave que usted escribe.

00:05:22.160 --> 00:05:23.840
Azure AI Search, el motor de recuperación.

00:05:23.840 --> 00:05:25.860
Entonces, ahora comprende el concepto.

00:05:26.180 --> 00:05:27.520
Primero, recuperarlo, generar.

00:05:27.780 --> 00:05:29.500
Pero, ¿dónde ocurre realmente toda esa recuperación?

00:05:29.780 --> 00:05:31.360
Ahí es donde entra en juego Azure AI Search.

00:05:32.060 --> 00:05:35.600
Azure AI Search es el servicio que almacena, indexa y recupera su contenido.

00:05:36.480 --> 00:05:38.900
Piénselo como el sistema de archivos para su aplicación Rage.

00:05:39.560 --> 00:05:41.660
Maneja dos tareas principales y vamos a revisarlas.

00:05:42.180 --> 00:05:43.020
Primero, la indexación.

00:05:43.300 --> 00:05:44.780
Es preparar sus datos para que puedan ser buscados.

00:05:45.120 --> 00:05:45.900
Segundo, la búsqueda.

00:05:46.200 --> 00:05:48.980
Es encontrar realmente el contenido adecuado cuando alguien hace una pregunta.

00:05:49.520 --> 00:05:51.020
Revisemos primero el proceso de indexación.

00:05:51.020 --> 00:06:00.340
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.

00:06:01.460 --> 00:06:11.420
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.

00:06:11.420 --> 00:06:14.820
Piensa en el índice como un catálogo gigante y altamente organizado.

00:06:15.440 --> 00:06:20.360
Cada fragmento de contenido recibe un ID único, un bloque de texto y un conjunto de coordenadas en ese mapa de significados.

00:06:20.900 --> 00:06:21.800
Ahora, proceso de búsqueda.

00:06:22.260 --> 00:06:27.320
Cuando un usuario hace una pregunta, AI Search convierte esa pregunta en un vector usando el mismo modelo de incrustación.

00:06:27.740 --> 00:06:31.940
Y luego escanea el índice para encontrar los bloques cuyas coordenadas estén más cerca de las coordenadas de la pregunta.

00:06:32.600 --> 00:06:33.880
Devuelve las mejores coincidencias.

00:06:34.020 --> 00:06:37.360
Normalmente las 5 a 10 más relevantes y hace todo esto en milisegundos.

00:06:38.100 --> 00:06:39.260
Aquí tienen unas opciones sólidas.

00:06:39.260 --> 00:06:44.700
La búsqueda vectorial pura encuentra contenido por significado, por lo que aparecen conceptos similares aunque las palabras exactas no coinciden.

00:06:44.940 --> 00:06:48.560
La búsqueda por palabras clave funciona como un buscador tradicional, encontrando coincidencias exactas.

00:06:48.960 --> 00:06:53.140
O puede usar la búsqueda híbrida, que combina ambos enfoques y esa suele ser la mejor elección.

00:06:53.620 --> 00:06:59.440
También existe algo llamado reclasificación semántica, que toma esos resultados iniciales y los reordena basándose en que también responden realmente a la pregunta.

00:07:00.200 --> 00:07:02.800
Es como una segunda pasada que captura cosas que la primera puede haber pasado por alto.

00:07:03.680 --> 00:07:06.320
Algo que debes saber, Azure AI Search puede resultar costoso.

00:07:06.320 --> 00:07:09.820
El nivel básico comienza alrededor de $75 al mes y sube a partir de ahí.

00:07:10.440 --> 00:07:14.700
Si solo está experimentando, usa el nivel gratuito o asegúrese de eliminar sus recursos cuando termine.

00:07:15.480 --> 00:07:17.880
Sin embargo, para uso en producción, el costo suele valer la pena.

00:07:18.400 --> 00:07:20.400
Está comprando velocidad y confiabilidad a gran escala.

00:07:21.900 --> 00:07:24.900
Azure Open AI más AI Foundry Generación y Orquestación.

00:07:24.900 --> 00:07:31.580
Entonces, ahora sus datos están indexados y listos para la recuperación, pero el LLM aún necesita entender su pregunta y generar una respuesta sólida.

00:07:32.000 --> 00:07:34.340
Ahí es donde entran Azure Open AI y Azure AI Foundry.

00:07:35.020 --> 00:07:40.540
Azure Open AI proporciona el modelo de lenguaje real, GPT-4O, GPT-4.1 o cualquier modelo que elija.

00:07:41.080 --> 00:07:42.180
Este es el motor de generación.

00:07:42.560 --> 00:07:48.220
Recibe una instrucción que incluye tanto la pregunta original del usuario como el contexto que Azure AI Search recuperó.

00:07:48.700 --> 00:07:52.040
El modelo lee ese contexto y produce una respuesta basada en lo que encuentra.

00:07:52.700 --> 00:07:54.980
Ahora, no puede simplemente volcar todo y esperarlo mejor.

00:07:55.620 --> 00:07:59.700
Necesita una instrucción de sistema, un conjunto de directrices que le da el modelo desde el principio sobre cómo comportarse.

00:08:00.240 --> 00:08:05.340
Le dice que use solo el contexto proporcionado, que cite sus fuentes y lo más importante, que diga, no lo sé.

00:08:05.880 --> 00:08:08.520
Sin la información relevante, no están los documentos recuperados.

00:08:09.020 --> 00:08:10.020
Eso es lo que mantiene el modelo honesto.

00:08:10.360 --> 00:08:15.120
Sin una buena instrucción de sistema, el modelo podría recurrir a sus datos de entrenamiento o, peor aún, inventar algo.

00:08:15.540 --> 00:08:17.400
Entonces, ¿cómo conecta realmente todas estas piezas?

00:08:17.400 --> 00:08:19.240
Ahí es donde entra Azure AI Foundry.

00:08:19.840 --> 00:08:24.180
Es el portal donde creas un proyecto, implementas tus modelos, conectas tus fuentes de datos y pruebas tu agente.

00:08:24.620 --> 00:08:27.020
Piénsalo como el centro de control para toda tu configuración de Rack.

00:08:27.320 --> 00:08:33.160
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.

00:08:33.580 --> 00:08:37.720
Solo creas una conexión, seleccionas tu índice y el agente puede empezar a consultarlo automáticamente.

00:08:38.140 --> 00:08:39.540
El portal se encarga de la orquestación.

00:08:39.540 --> 00:08:48.700
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.

00:08:49.160 --> 00:08:53.340
En un tutorial que encontré, alguien creó un agente de recomendación de películas usando un conjunto de datos de Netflix.

00:08:54.000 --> 00:08:58.560
Subieron un archivo CSV con títulos de películas, descripciones e información del reparto a Azure Blob Storage.

00:08:58.820 --> 00:09:00.880
Luego usaron Azure AI Search para indexar esos datos.

00:09:00.880 --> 00:09:06.420
En Azure AI Foundry, crearon un agente con GPT-4O y conectaron el índice de AI Search.

00:09:07.100 --> 00:09:09.760
Cuando un usuario preguntó, me gustan los thrillers, dame algunas recomendaciones.

00:09:10.120 --> 00:09:14.340
El agente buscó en el índice, encontró películas de suspenso de ese conjunto de datos específico y devolvió recomendaciones.

00:09:15.040 --> 00:09:18.080
Y aquí está la clave, solo recomiendo películas que realmente estaban en ese conjunto de datos.

00:09:18.360 --> 00:09:22.980
No inventó nada, no recurrió a sus datos de entrenamiento y trabajó exclusivamente con el contenido que le proporcionaron.

00:09:23.460 --> 00:09:24.320
Ese es el poder de Rack.

00:09:24.960 --> 00:09:26.100
Rack clásico vs. Rackente

00:09:26.100 --> 00:09:27.860
Ahora, hablemos de cómo configurarlo.

00:09:28.340 --> 00:09:30.560
Existen dos patrones principales, Rack clásico y Rackente.

00:09:30.880 --> 00:09:32.720
Cuál elijas depende de lo que estés construyendo.

00:09:33.040 --> 00:09:34.580
Rack clásico es el enfoque sencillo.

00:09:34.980 --> 00:09:37.760
Entra a una consulta, se ejecuta una búsqueda y sale una respuesta.

00:09:38.320 --> 00:09:39.340
Simple, rápido, predecivo.

00:09:39.760 --> 00:09:43.620
Piénsalo como acercarte a la recepción de un edificio de oficinas y pedir un archivo específico.

00:09:44.200 --> 00:09:46.040
El recepcionista lo toma, te lo entrega y listo.

00:09:46.660 --> 00:09:49.840
Rack clásico funciona muy bien para preguntas y respuestas factuales sobre un solo tema,

00:09:49.960 --> 00:09:51.840
como ¿cuál es la política de la empresa sobre el trabajo remoto?

00:09:52.320 --> 00:09:54.560
O muéstrame los pasos de solución de problemas para este código.

00:09:55.280 --> 00:09:59.140
Es confiable, económico y fácil de arreglar cuando algo sale mal porque el flujo es lineal.

00:09:59.140 --> 00:10:00.900
Rackente es diferente.

00:10:01.560 --> 00:10:03.540
El agente de IA decide cómo recuperar la información.

00:10:04.320 --> 00:10:07.240
Puede hacer múltiples subpreguntas, buscar en diferentes índices,

00:10:07.460 --> 00:10:10.220
iterar sobre resultados y sintetizar entre fuentes antes de responder.

00:10:10.900 --> 00:10:14.760
Es como tener un administrador de edificio que coordina con diferentes departamentos para reunir todas las piezas.

00:10:15.200 --> 00:10:17.600
No solo toman un archivo, hablan con recursos humanos,

00:10:17.760 --> 00:10:21.080
revisan registros, verifican políticas cruzadas y luego regresan con una respuesta completa.

00:10:21.080 --> 00:10:26.900
Microsoft realizó sus propias pruebas y descubrió que el Rack agente ofrece una mejora de alrededor del 40% de las respuestas para preguntas complejas.

00:10:27.120 --> 00:10:30.520
Eso es significativo, pero utiliza de 3 a 10 veces más tokens y añade latencia.

00:10:31.120 --> 00:10:33.300
Para preguntas simples, ese trabajo adicional es un desperdicio.

00:10:33.560 --> 00:10:35.020
El Rack clásico las maneja perfectamente bien.

00:10:35.420 --> 00:10:36.320
Entonces, ¿cuándo usar cada uno?

00:10:36.580 --> 00:10:40.260
El clásico para consultas rutinarias y de gran volumen, donde la velocidad y el costo son lo más importante.

00:10:40.260 --> 00:10:44.940
El agente para preguntas de varios pasos, ambiguas o interdisciplinarias, donde la precisión vale el cómputo adicional.

00:10:45.620 --> 00:10:47.340
Sección de conexión ejemplo integral.

00:10:47.340 --> 00:10:50.480
Veamos cómo encajan todas estas piezas con un ejemplo real.

00:10:51.060 --> 00:10:55.120
Imagina que estás creando un agente de atención al cliente para una agencia de viajes llamada Marigold Travels.

00:10:55.740 --> 00:11:00.160
Tienes folletos de viajes, reseñas de hoteles y documentos de políticas dispersos por toda tu organización.

00:11:00.960 --> 00:11:05.840
Quieres que los clientes hagan preguntas y obtengan respuestas precisas basadas en tu contenido real, no en suposiciones genéricas.

00:11:06.540 --> 00:11:09.400
Paso 1. Almacena todo ese contenido en Azure Blobstory.

00:11:10.000 --> 00:11:14.320
Folletos en una carpeta, reseñas en otra, políticas en una tercera, simplemente archivos en un contenedor.

00:11:14.320 --> 00:11:21.960
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.

00:11:22.680 --> 00:11:27.660
El servicio lee cada documento, los divide en fragmentos, crea incrustaciones vectoriales y construye un índice de búsqueda.

00:11:28.140 --> 00:11:29.500
Todo el proceso tómanos minutos.

00:11:30.340 --> 00:11:32.800
Paso 3. Vea Azure AI Foundry y crea un agente.

00:11:32.800 --> 00:11:39.420
Despliega GPT-4O como tu modelo. Escribe un prompt del sistema que le indique usar solo el contexto proporcionado y citar sus fuentes.

00:11:39.700 --> 00:11:42.620
Luego conecta tu índice de Azure AI Search como fuente de conocimiento.

00:11:43.320 --> 00:11:44.160
Bueno, pocos clics y list.

00:11:44.680 --> 00:11:48.240
Ahora un cliente pregunta, ¿cuál es el hotel mejor valorado en Dubai por menos de 300 dólares?

00:11:48.780 --> 00:11:51.440
La gente toma esa pregunta y la envía a Azure AI Search.

00:11:51.920 --> 00:11:56.240
Azure AI Search la convierte en un vector y encuentra los fragmentos más relevantes de tus reseñas y folletos.

00:11:56.880 --> 00:11:59.840
Esos fragmentos se pasan a GPT-4O junto con la pregunta original.

00:12:00.560 --> 00:12:05.380
El modelo los lee, identifica la mejor coincidencia y genera una respuesta con citas que apuntan a tus documentos de origen.

00:12:05.880 --> 00:12:08.440
El punto es que el LM nunca memorizó esos datos.

00:12:08.840 --> 00:12:10.360
Nunca fue entrenado con tus reseñas de hoteles.

00:12:10.740 --> 00:12:12.520
Trabaja con tu contenido específico en cada ocasión.

00:12:13.080 --> 00:12:15.680
Agrega nuevas reseñas mañana y las respuestas se actualizarán automáticamente.

00:12:16.040 --> 00:12:18.060
Elimina un folleto desactualizado y dejará de aparecer.

00:12:18.060 --> 00:12:21.340
El modelo no necesita un rendimiento. Solo necesita la capa de recuperación adecuada.

00:12:21.800 --> 00:12:23.520
Entonces, ¿cómo empiezas realmente a construir Rack en Azure?

00:12:24.140 --> 00:12:25.140
Dividámoslo en tres pasos.

00:12:25.140 --> 00:12:27.400
Lo primero es lo primero. Conoce tus datos.

00:12:28.260 --> 00:12:32.680
Antes de elegir un servicio, averigua dónde reside tu contenido, cómo está organizado y quién era acceso.

00:12:33.800 --> 00:12:35.760
El éxito o fracaso de Rack depende de la calidad de tus datos.

00:12:36.080 --> 00:12:38.580
A continuación, mantélos sin. No compliques demasiado la configuración.

00:12:39.040 --> 00:12:42.840
Usa el asistente de importación de datos en Azure AI Search para indexar solo un conjunto de documentos.

00:12:43.240 --> 00:12:44.120
Prueba con consultas básicas.

00:12:44.580 --> 00:12:47.440
Asegúrate de que tu recuperación funcione perfectamente antes de añadir el LM.

00:12:48.140 --> 00:12:51.620
La mayoría de los fallos en Rack no son problemas. Son problemas de recuperación.

00:12:52.080 --> 00:12:53.120
Último paso. Añádele LM.

00:12:53.120 --> 00:12:56.980
Una vez que tu búsqueda devuelva los resultados correctos, entonces incorporas la generación.

00:12:57.380 --> 00:13:00.000
Es ahí cuando conectas a Azure Open AI y escribes tu PRAM del sistema.

00:13:00.640 --> 00:13:03.620
Punto. Es que Rack no es algo que compras. Es un patrón que construye.

00:13:04.420 --> 00:13:08.540
Azure te da las piezas, almacenamiento, búsqueda, modelos y el pegamento para conectarlo.

00:13:09.680 --> 00:13:11.420
Solo necesitas armarlo todo de la manera correcta.

00:13:11.420 --> 00:13:15.160
Si esto te ayudó a ver el panorama general, suscríbete para más explicaciones y lenguaje

00:13:15.160 --> 00:13:17.520
sencillo. Deja un comentario con tu caso de uso de Rack.

00:13:18.040 --> 00:13:19.180
Me encantaría saber qué estás construyendo.
