TIPOS DE RAG: DIFERENCIAS Y CUÁNDO UTILIZAR CADA UNO
El Retrieval-Augmented Generation, RAG, ha evolucionado significativamente, dando lugar a múltiples variantes especializadas para diferentes casos de uso. A continuación se presentan los principales tipos de RAG junto con sus características clave, aplicaciones y ejemplos de herramientas.
1. Standard RAG
Características clave: Recuperación básica e integración de generación. Incluye variantes RAG-Sequence y RAG-Token.
Aplicaciones: Sistemas de Preguntas y Respuestas de propósito general. Implementaciones iniciales de RAG.
Ejemplos de herramientas: Hugging Face Transformers, implementación de RAG de Facebook, LangChain.
2. Agentic RAG
Características clave: Agentes autónomos, uso de herramientas y recuperación dinámica.
Aplicaciones: Asistentes personales, herramientas de investigación y bots de atención al cliente que requieren interacción dinámica.
Ejemplos de herramientas: LangChain Agents, OpenAI GPT-4 con Plugins, Microsoft Semantic Kernel.
3. Graph RAG
Características clave: Uso de grafos de conocimiento y razonamiento relacional.
Aplicaciones: Sistemas expertos en medicina, derecho, ingeniería y motores de búsqueda semántica.
Ejemplos de herramientas: Neo4j Graph Database, Apache Jena, Stardog.
4. Modular RAG
Características clave: Módulos independientes para recuperación, razonamiento y generación.
Aplicaciones: Proyectos grandes que requieren desarrollo colaborativo y actualizaciones frecuentes.
Ejemplos de herramientas: Arquitectura de Microservicios, Docker & Kubernetes, Apache Kafka.
5. Memory-Augmented RAG
Características clave: Memoria externa fuerte y recuperación mejorada.
Aplicaciones: Chatbots que mantienen contexto a largo plazo y recomendaciones personalizadas.
Ejemplos de herramientas: Redis para almacenamiento de sesiones, Amazon DynamoDB, Pinecone Vector Database.
6. Multi-Modal RAG
Características clave: Recuperación cross-modal (texto, imágenes, audio).
Aplicaciones: Subtitulado de imágenes, resumen de videos y asistentes multimodales.
Ejemplos de herramientas: OpenAI CLIP, TensorFlow Hub Models, bibliotecas Multi-Modal de PyTorch.
7. Federated RAG
Características clave: Fuentes de datos descentralizadas y preservación de la privacidad.
Aplicaciones: Sistemas de salud que manejan datos sensibles y plataformas colaborativas entre organizaciones.
Ejemplos de herramientas: TensorFlow Federated, PySyft by OpenMinded, bibliotecas de Federated Learning.
8. Streaming RAG
Características clave: Recuperación y generación de datos en tiempo real.
Aplicaciones: Reportes en vivo, tickers financieros y monitoreo de redes sociales.
Ejemplos de herramientas: Apache Kafka Streams, Amazon Kinesis, Stark Streaming.
9. ODQA RAG (Open-Domain Question Answering)
Características clave: Bases de conocimiento amplias y recuperación dinámica.
Aplicaciones: Motores de búsqueda y asistentes virtuales que manejan consultas diversas.
Ejemplos de herramientas: Elasticsearch, Haystack by Deepset, Hugging Face Transformers.
10. Contextual Retrieval RAG
Características clave: Recuperación consciente del contexto utilizando el historial de la conversación.
Aplicaciones: IA conversacional y chatbots de soporte al cliente que mantienen el contexto de la sesión.
Ejemplos de herramientas: Dialogflow de Google, Rasa Open Source, Microsoft Bot Framework.
11. Knowledge-Enhanced RAG
Características clave: Integración de conocimiento estructurado en la recuperación.
Aplicaciones: Herramientas educativas y aplicaciones en dominios profesionales (legal, médico).
Ejemplos de herramientas: Knowledge Graph Embeddings, OWL API, Apache Jena.
12. Domain-Specific RAG
Características clave: Personalizado para industrias o campos específicos.
Aplicaciones: Asistentes de investigación legal, soporte de diagnóstico médico y herramientas de análisis financiero.
Ejemplos de herramientas: Watson Health, LexPredict Contract Analytics, herramientas de NLP financieras.
13. Hybrid RAG
Características clave: Combinación de múltiples enfoques de recuperación.
Aplicaciones: Sistemas complejos de QA y motores de búsqueda que necesitan coincidencia léxica y semántica.
Ejemplos de herramientas: Elasticsearch con KNN Plugin, FAISS de Facebook AI, bibliotecas de recuperación híbrida.
14. Self-RAG
Características clave: Mecanismos de auto-reflexión y refinamiento iterativo.
Aplicaciones: Herramientas de creación de contenido y plataformas educativas que requieren alta precisión.
Ejemplos de herramientas: Modelos de OpenAI GPT con Fine-Tuning, plataformas Human-in-the-Loop.
15. HyDE RAG (Hypothetical Document Embeddings)
Características clave: Embeddings de documentos hipotéticos para guiar la recuperación.
Aplicaciones: Consultas complejas con significados implícitos y asistencia en investigación en campos nicho.
Ejemplos de herramientas: Implementaciones personalizadas con Transformers, Haystack Pipelines.
16. Recursive / Multi-Step RAG
Características clave: Múltiples rondas de recuperación y generación.
Aplicaciones: Tareas analíticas y de resolución de problemas, sistemas de diálogo con interacciones de múltiples turnos.
Ejemplos de herramientas: LangChain Chains and Agents, Deepmind’s AlphaCode Frameworks.