1. Entidad<\/strong><\/h3>\nUna entidad se refiere a una unidad de informaci\u00f3n que puede ser reconocida, procesada y utilizada por los sistemas de IA. Las entidades pueden representar diversos elementos, como objetos, conceptos, nombres, eventos, cantidades o relaciones.<\/p>\n
Las entidades son esenciales para la interpretaci\u00f3n y comprensi\u00f3n de los datos en los algoritmos de IA, ya que funcionan como bloques de construcci\u00f3n para que los sistemas procesen y analicen la informaci\u00f3n con eficacia. Al reconocer y clasificar entidades, los sistemas de IA pueden transformar datos no estructurados en informaci\u00f3n estructurada, facilitando tareas como el an\u00e1lisis de datos y la recuperaci\u00f3n de informaci\u00f3n.<\/p>\n
Ejemplo en periodismo:\u00a0<\/strong>TimeLark es una herramienta de investigaci\u00f3n period\u00edstica desarrollada en 2023 por periodistas y t\u00e9cnicos de la BBC, el Proyecto de Informaci\u00f3n sobre Delincuencia Organizada y Corrupci\u00f3n (OCCRP, por sus siglas en ingl\u00e9s) y la agencia Reuters<\/u><\/a>. La herramienta sirve para analizar grandes vol\u00famenes de informaci\u00f3n y descubrir conexiones ocultas entre los elementos de un evento noticioso.<\/p>\nTimeLark usa aprendizaje autom\u00e1tico para extraer entidades de art\u00edculos de noticias no estructurados, las conexiones entre estas y su relaci\u00f3n en el tiempo. La informaci\u00f3n extra\u00edda es luego plasmada en gr\u00e1ficas para facilitar su an\u00e1lisis. La herramienta fue probada con m\u00e1s de 30 mil art\u00edculos de BBC y Reuters sobre la guerra en Ucrania, donde las entidades extra\u00eddas fueron l\u00edderes pol\u00edticos, pa\u00edses y organismos internacionales involucrados, as\u00ed como personajes alrededor de estos.<\/p>\n
2. Alucinaciones<\/h3>\n
En el contexto de la IA, las alucinaciones son un fen\u00f3meno en el que un modelo de IA \u2013especialmente aquellos basados en modelos de lenguaje de gran tama\u00f1o (LLM, por sus siglas en ingl\u00e9s)\u2013 genera respuestas o resultados que son incorrectos o incoherentes.<\/p>\n
Las alucinaciones pueden deberse a diversas causas, entre ellas a que el modelo de IA \"percibe\" patrones que no existen, o bien a que el modelo no cuenta con suficiente informaci\u00f3n relevante para generar una respuesta adecuada e intenta llenar ese vac\u00edo con informaci\u00f3n irrelevante.<\/p>\n
Ejemplo en periodismo:<\/strong> En 2023,\u00a0periodistas de The New York Times pusieron a prueba la precisi\u00f3n de ChatGPT<\/u><\/a> con preguntas como cu\u00e1ndo el diario hab\u00eda publicado el primer art\u00edculo sobre IA.<\/p>\nLa plataforma respondi\u00f3 que hab\u00eda sido el art\u00edculo \u201cLas m\u00e1quinas ser\u00e1n capaces de aprender y resolver problemas, predicen los cient\u00edficos\u201d, publicado supuestamente el 10 de julio de 1956 como parte de la cobertura de una conferencia seminal en el Dartmouth College, en New Hampshire.<\/p>\n
The New York Times report\u00f3 que la conferencia hab\u00eda sido real, pero el art\u00edculo nunca hab\u00eda existido.<\/p>\n
Expertos han advertido que alucinaciones como esa muestran que el uso de la IA generativa en tareas automatizadas de periodismo pueden resultar en la publicaci\u00f3n de informaci\u00f3n falsa o err\u00f3nea que parece ver\u00eddica.<\/p>\n
3. Text-to-speech<\/h3>\n
Text-to-speech es una tecnolog\u00eda dentro del campo de la IA que permite generar un audio de voz humana sint\u00e9tica a partir de un texto escrito. Esta conversi\u00f3n se realiza mediante algoritmos de procesamiento de lenguaje natural (PLN) para interpretar el texto, junto con modelos avanzados de s\u00edntesis de voz.<\/p>\n
Entre las t\u00e9cnicas m\u00e1s utilizadas est\u00e1n las redes neuronales profundas, como Tacotron y WaveNet, que son capaces de generar audio fluido y de apariencia natural. Otras t\u00e9cnicas m\u00e1s tradicionales, pero de cada vez menor uso, son la concatenaci\u00f3n de fragmentos de voz pregrabados o modelos matem\u00e1ticos que simulan las propiedades ac\u00fasticas del habla.<\/p>\n
![\"AI-generated](\"https:\/\/latamjournalismreview.org\/wp-content\/uploads\/2024\/02\/IllariyNews.png\")
<\/p>\n
Ejemplo en periodismo:<\/strong> Illariy es el nombre de\u00a0un avatar creado con IA para presentar las noticias en idioma quechua<\/u><\/a> en un noticiario universitario en Per\u00fa.<\/p>\nPara hacer que Illariy hablara quechua fluidamente, sus creadores usaron D-ID, una plataforma capaz de hacer que im\u00e1genes \u201chablen\u201d a partir de tecnolog\u00edas text-to-speech. Dado que el quechua no est\u00e1 entre las lenguas soportadas por D-ID, los creadores de Illariy le proporcionaron a la plataforma texto con vocablos fon\u00e9ticos en espa\u00f1ol que una vez le\u00eddos por el sistema, emulaba palabras en quechua.<\/p>\n
4. Reconocimiento \u00f3ptico de caracteres<\/h3>\n
Reconocimiento \u00d3ptico de Caracteres (OCR, por sus siglas en ingl\u00e9s) es una tecnolog\u00eda que utiliza algoritmos especializados para convertir documentos con texto en texto editable. Esta tecnolog\u00eda permite la digitalizaci\u00f3n de documentos impresos y permite que los sistemas inform\u00e1ticos puedan leer y procesar el texto contenido en im\u00e1genes o archivos escaneados.<\/p>\n
Los sistemas detr\u00e1s del OCR pueden ser algoritmos de visi\u00f3n computarizada, de reconocimiento de patrones o de aprendizaje profundo (Deep Learning OCR). Estos \u00faltimos est\u00e1n basados com\u00fanmente en redes neuronales y son especialmente \u00fatiles en el reconocimiento de textos manuscritos.<\/p>\n
Ejemplo en periodismo:<\/strong> El Consorcio Internacional de Periodistas de Investigaci\u00f3n (ICIJ) cre\u00f3\u00a0Datashare<\/u><\/a>, una herramienta de c\u00f3digo abierto que permite cargar enormes cantidades de datos y buscar informaci\u00f3n. La herramienta incluye tecnolog\u00eda de OCR que permite digitalizar texto de documentos escaneados y manuscritos.<\/p>\nUno de los usos m\u00e1s destacados de Datashare fue en\u00a0la mega investigaci\u00f3n transfronteriza y colaborativa\u00a0<\/u><\/a>\u201cPandora Papers\u201d, en la que la herramienta ayud\u00f3 a organizar y analizar 11.9 millones de documentos filtrados. La funci\u00f3n de OCR permiti\u00f3 a los periodistas detectar autom\u00e1ticamente nombres y organizaciones de los documentos, as\u00ed como extraer entidades a bases de datos.<\/p>\n5. Miner\u00eda de datos<\/h3>\n
El\u00a0data mining<\/i> o miner\u00eda de datos es un proceso anal\u00edtico que utiliza t\u00e9cnicas de aprendizaje autom\u00e1tico, estad\u00edstica y sistemas de bases de datos para explorar grandes conjuntos de datos y descubrir patrones, tendencias y relaciones significativas que no son inmediatamente visibles.<\/p>\n
Ejemplo en periodismo:<\/strong> Para las investigaciones period\u00edsticas basadas en filtraciones de millones de documentos es necesario el an\u00e1lisis de grandes cantidades de datos. Periodistas convocados por el ICIJ para mega investigaciones como los Panama Papers, los Paradise Papers o los Pandora Papers\u00a0han recurrido a RapidMiner, una herramienta que utiliza algoritmos de miner\u00eda de datos<\/u><\/a>.<\/p>\nRapidMiner ayuda a procesar el texto y los metadatos de los documentos filtrados y crear\u00a0clusters<\/i> basados en palabras y frases comunes, de modo que la consulta de archivos sea m\u00e1s \u00e1gil.<\/p>\n![\"Cover](\"https:\/\/latamjournalismreview.org\/wp-content\/uploads\/2021\/10\/Pandora-Papers.jpeg\")
<\/div>\n6. An\u00e1lisis predictivo<\/h3>\n
El an\u00e1lisis predictivo en IA es un enfoque basado en modelos estad\u00edsticos, algoritmos de aprendizaje autom\u00e1tico y datos hist\u00f3ricos para prever eventos futuros. Su objetivo es identificar patrones y tendencias en grandes vol\u00famenes de datos para optimizar la toma de decisiones.<\/p>\n
Los algoritmos de an\u00e1lisis predictivo procesan datos hist\u00f3ricos mediante un flujo de trabajo que incluye la recolecci\u00f3n, limpieza y estructuraci\u00f3n de la informaci\u00f3n. Luego, el sistema selecciona las variables m\u00e1s relevantes y aplica modelos matem\u00e1ticos como regresi\u00f3n, \u00e1rboles de decisi\u00f3n o redes neuronales para generar predicciones basadas en probabilidades y patrones detectados en los datos.<\/p>\n
Ejemplo en periodismo:<\/strong> The New York Times\u00a0ha utilizado algoritmos de an\u00e1lisis predictivo para algunas de sus estrategias comerciales y editoriales<\/u><\/a>. El diario us\u00f3 dicha t\u00e9cnica para analizar c\u00f3mo los lectores se convierten en suscriptores, y c\u00f3mo se pod\u00eda influir para aumentar esas conversiones.<\/p>\nEl an\u00e1lisis predictivo tambi\u00e9n ayud\u00f3 al medio en comprender los temas que generan m\u00e1s participaci\u00f3n de los lectores, de modo que los equipos de marketing pudieran saber qu\u00e9 tipos de art\u00edculos promover en redes sociales.<\/p>\n
7. B\u00fasqueda sem\u00e1ntica<\/h3>\n
La b\u00fasqueda sem\u00e1ntica es una t\u00e9cnica avanzada de b\u00fasqueda de datos que se enfoca en comprender el significado y la intenci\u00f3n detr\u00e1s de una consulta, en lugar de simplemente buscar coincidencias literales de palabras clave.<\/p>\n
Esta tecnolog\u00eda utiliza el PLN y el aprendizaje autom\u00e1tico para analizar el lenguaje natural y captar matices como el contexto y la intenci\u00f3n del usuario, lo que da como resultado una b\u00fasqueda m\u00e1s precisa y relevante.<\/p>\n
Ejemplo en periodismo:<\/strong>\u00a0AskFT es una herramienta de IA generativa desarrollada por el peri\u00f3dico brit\u00e1nico Financial Times en 2024<\/u><\/a>, inicialmente solo disponible para sus clientes corporativos. La herramienta utiliza un LLM que mediante la b\u00fasqueda sem\u00e1ntica encuentra art\u00edculos relevantes a la pregunta del usuario.<\/p>\nPara ello, los art\u00edculos son previamente deconstruidos en segmentos y vectorizados. La herramienta resume los art\u00edculos resultantes de la b\u00fasqueda en una respuesta generada por el LLM, que incluye citas de los art\u00edculos.<\/p>\n
8. Reconocimiento de entidades nombradas<\/h3>\n
El reconocimiento de entidades nombradas (Named Entity Recognition, NER) es una sub\u00e1rea del PLN que se enfoca en identificar y clasificar entidades nombradas en textos no estructurados. Estas entidades pueden incluir nombres de personas, organizaciones, lugares, cantidades, valores monetarios, porcentajes, etc\u00e9tera.<\/p>\n
El NER utiliza algoritmos, modelos estad\u00edsticos y aprendizaje profundo para detectar entidades y clasificarlas, lo que facilita el an\u00e1lisis y procesamiento de textos no estructurados.<\/p>\n
Ejemplo en periodismo:<\/strong> Periodistas de La Naci\u00f3n (Argentina), Ojo P\u00fablico (Per\u00fa), CLIP (Costa Rica) y MuckRock (Estados Unidos)\u00a0desarrollaron en 2021 DockIns<\/u><\/a>, una herramienta que, mediante t\u00e9cnicas de aprendizaje autom\u00e1tico y PLN analiza y clasifica documentos de contenido no estructurado, extrae informaci\u00f3n de estos documentos e identifica tem\u00e1ticas y entidades.<\/p>\nPara perfeccionar la herramienta, el equipo prob\u00f3 varios modelos NER, entre ellos SpaCy y DocumentCloud, con m\u00e1s de 10 mil documentos con datos no estructurados de licitaciones, contratos y compras del Ministerio de Seguridad de Argentina.<\/p>\n
9. Generaci\u00f3n aumentada por recuperaci\u00f3n<\/h3>\n
La generaci\u00f3n aumentada por recuperaci\u00f3n (Retrieval-Augmented Generation, RAG) es una t\u00e9cnica de IA que combina la generaci\u00f3n de lenguaje natural con la recuperaci\u00f3n de informaci\u00f3n de fuentes distintas a los datos usados para el entrenamiento del modelo. Esto ayuda a mejorar la precisi\u00f3n de\u00a0 las respuestas generadas y evitar las \u201calucinaciones\u201d.<\/p>\n
![\"Interface](\"https:\/\/latamjournalismreview.org\/wp-content\/uploads\/2024\/08\/aos-fatos-fatima.png\")
<\/p>\n
Un sistema RAG, compuesto por un LLM y un sistema de recuperaci\u00f3n de informaci\u00f3n, puede incluso conectarse a fuentes de informaci\u00f3n en tiempo real o de frecuente actualizaci\u00f3n, como redes sociales o sitios de noticias, para generar respuestas con datos al d\u00eda.<\/p>\n
TimeLark usa aprendizaje autom\u00e1tico para extraer entidades de art\u00edculos de noticias no estructurados, las conexiones entre estas y su relaci\u00f3n en el tiempo. La informaci\u00f3n extra\u00edda es luego plasmada en gr\u00e1ficas para facilitar su an\u00e1lisis. La herramienta fue probada con m\u00e1s de 30 mil art\u00edculos de BBC y Reuters sobre la guerra en Ucrania, donde las entidades extra\u00eddas fueron l\u00edderes pol\u00edticos, pa\u00edses y organismos internacionales involucrados, as\u00ed como personajes alrededor de estos.<\/p>\n
2. Alucinaciones<\/h3>\n
En el contexto de la IA, las alucinaciones son un fen\u00f3meno en el que un modelo de IA \u2013especialmente aquellos basados en modelos de lenguaje de gran tama\u00f1o (LLM, por sus siglas en ingl\u00e9s)\u2013 genera respuestas o resultados que son incorrectos o incoherentes.<\/p>\n
Las alucinaciones pueden deberse a diversas causas, entre ellas a que el modelo de IA \"percibe\" patrones que no existen, o bien a que el modelo no cuenta con suficiente informaci\u00f3n relevante para generar una respuesta adecuada e intenta llenar ese vac\u00edo con informaci\u00f3n irrelevante.<\/p>\n
Ejemplo en periodismo:<\/strong> En 2023,\u00a0periodistas de The New York Times pusieron a prueba la precisi\u00f3n de ChatGPT<\/u><\/a> con preguntas como cu\u00e1ndo el diario hab\u00eda publicado el primer art\u00edculo sobre IA.<\/p>\n La plataforma respondi\u00f3 que hab\u00eda sido el art\u00edculo \u201cLas m\u00e1quinas ser\u00e1n capaces de aprender y resolver problemas, predicen los cient\u00edficos\u201d, publicado supuestamente el 10 de julio de 1956 como parte de la cobertura de una conferencia seminal en el Dartmouth College, en New Hampshire.<\/p>\n The New York Times report\u00f3 que la conferencia hab\u00eda sido real, pero el art\u00edculo nunca hab\u00eda existido.<\/p>\n Expertos han advertido que alucinaciones como esa muestran que el uso de la IA generativa en tareas automatizadas de periodismo pueden resultar en la publicaci\u00f3n de informaci\u00f3n falsa o err\u00f3nea que parece ver\u00eddica.<\/p>\n Text-to-speech es una tecnolog\u00eda dentro del campo de la IA que permite generar un audio de voz humana sint\u00e9tica a partir de un texto escrito. Esta conversi\u00f3n se realiza mediante algoritmos de procesamiento de lenguaje natural (PLN) para interpretar el texto, junto con modelos avanzados de s\u00edntesis de voz.<\/p>\n Entre las t\u00e9cnicas m\u00e1s utilizadas est\u00e1n las redes neuronales profundas, como Tacotron y WaveNet, que son capaces de generar audio fluido y de apariencia natural. Otras t\u00e9cnicas m\u00e1s tradicionales, pero de cada vez menor uso, son la concatenaci\u00f3n de fragmentos de voz pregrabados o modelos matem\u00e1ticos que simulan las propiedades ac\u00fasticas del habla.<\/p>\n Ejemplo en periodismo:<\/strong> Illariy es el nombre de\u00a0un avatar creado con IA para presentar las noticias en idioma quechua<\/u><\/a> en un noticiario universitario en Per\u00fa.<\/p>\n Para hacer que Illariy hablara quechua fluidamente, sus creadores usaron D-ID, una plataforma capaz de hacer que im\u00e1genes \u201chablen\u201d a partir de tecnolog\u00edas text-to-speech. Dado que el quechua no est\u00e1 entre las lenguas soportadas por D-ID, los creadores de Illariy le proporcionaron a la plataforma texto con vocablos fon\u00e9ticos en espa\u00f1ol que una vez le\u00eddos por el sistema, emulaba palabras en quechua.<\/p>\n Reconocimiento \u00d3ptico de Caracteres (OCR, por sus siglas en ingl\u00e9s) es una tecnolog\u00eda que utiliza algoritmos especializados para convertir documentos con texto en texto editable. Esta tecnolog\u00eda permite la digitalizaci\u00f3n de documentos impresos y permite que los sistemas inform\u00e1ticos puedan leer y procesar el texto contenido en im\u00e1genes o archivos escaneados.<\/p>\n Los sistemas detr\u00e1s del OCR pueden ser algoritmos de visi\u00f3n computarizada, de reconocimiento de patrones o de aprendizaje profundo (Deep Learning OCR). Estos \u00faltimos est\u00e1n basados com\u00fanmente en redes neuronales y son especialmente \u00fatiles en el reconocimiento de textos manuscritos.<\/p>\n Ejemplo en periodismo:<\/strong> El Consorcio Internacional de Periodistas de Investigaci\u00f3n (ICIJ) cre\u00f3\u00a0Datashare<\/u><\/a>, una herramienta de c\u00f3digo abierto que permite cargar enormes cantidades de datos y buscar informaci\u00f3n. La herramienta incluye tecnolog\u00eda de OCR que permite digitalizar texto de documentos escaneados y manuscritos.<\/p>\n Uno de los usos m\u00e1s destacados de Datashare fue en\u00a0la mega investigaci\u00f3n transfronteriza y colaborativa\u00a0<\/u><\/a>\u201cPandora Papers\u201d, en la que la herramienta ayud\u00f3 a organizar y analizar 11.9 millones de documentos filtrados. La funci\u00f3n de OCR permiti\u00f3 a los periodistas detectar autom\u00e1ticamente nombres y organizaciones de los documentos, as\u00ed como extraer entidades a bases de datos.<\/p>\n El\u00a0data mining<\/i> o miner\u00eda de datos es un proceso anal\u00edtico que utiliza t\u00e9cnicas de aprendizaje autom\u00e1tico, estad\u00edstica y sistemas de bases de datos para explorar grandes conjuntos de datos y descubrir patrones, tendencias y relaciones significativas que no son inmediatamente visibles.<\/p>\n Ejemplo en periodismo:<\/strong> Para las investigaciones period\u00edsticas basadas en filtraciones de millones de documentos es necesario el an\u00e1lisis de grandes cantidades de datos. Periodistas convocados por el ICIJ para mega investigaciones como los Panama Papers, los Paradise Papers o los Pandora Papers\u00a0han recurrido a RapidMiner, una herramienta que utiliza algoritmos de miner\u00eda de datos<\/u><\/a>.<\/p>\n RapidMiner ayuda a procesar el texto y los metadatos de los documentos filtrados y crear\u00a0clusters<\/i> basados en palabras y frases comunes, de modo que la consulta de archivos sea m\u00e1s \u00e1gil.<\/p>\n El an\u00e1lisis predictivo en IA es un enfoque basado en modelos estad\u00edsticos, algoritmos de aprendizaje autom\u00e1tico y datos hist\u00f3ricos para prever eventos futuros. Su objetivo es identificar patrones y tendencias en grandes vol\u00famenes de datos para optimizar la toma de decisiones.<\/p>\n Los algoritmos de an\u00e1lisis predictivo procesan datos hist\u00f3ricos mediante un flujo de trabajo que incluye la recolecci\u00f3n, limpieza y estructuraci\u00f3n de la informaci\u00f3n. Luego, el sistema selecciona las variables m\u00e1s relevantes y aplica modelos matem\u00e1ticos como regresi\u00f3n, \u00e1rboles de decisi\u00f3n o redes neuronales para generar predicciones basadas en probabilidades y patrones detectados en los datos.<\/p>\n Ejemplo en periodismo:<\/strong> The New York Times\u00a0ha utilizado algoritmos de an\u00e1lisis predictivo para algunas de sus estrategias comerciales y editoriales<\/u><\/a>. El diario us\u00f3 dicha t\u00e9cnica para analizar c\u00f3mo los lectores se convierten en suscriptores, y c\u00f3mo se pod\u00eda influir para aumentar esas conversiones.<\/p>\n El an\u00e1lisis predictivo tambi\u00e9n ayud\u00f3 al medio en comprender los temas que generan m\u00e1s participaci\u00f3n de los lectores, de modo que los equipos de marketing pudieran saber qu\u00e9 tipos de art\u00edculos promover en redes sociales.<\/p>\n La b\u00fasqueda sem\u00e1ntica es una t\u00e9cnica avanzada de b\u00fasqueda de datos que se enfoca en comprender el significado y la intenci\u00f3n detr\u00e1s de una consulta, en lugar de simplemente buscar coincidencias literales de palabras clave.<\/p>\n Esta tecnolog\u00eda utiliza el PLN y el aprendizaje autom\u00e1tico para analizar el lenguaje natural y captar matices como el contexto y la intenci\u00f3n del usuario, lo que da como resultado una b\u00fasqueda m\u00e1s precisa y relevante.<\/p>\n Ejemplo en periodismo:<\/strong>\u00a0AskFT es una herramienta de IA generativa desarrollada por el peri\u00f3dico brit\u00e1nico Financial Times en 2024<\/u><\/a>, inicialmente solo disponible para sus clientes corporativos. La herramienta utiliza un LLM que mediante la b\u00fasqueda sem\u00e1ntica encuentra art\u00edculos relevantes a la pregunta del usuario.<\/p>\n Para ello, los art\u00edculos son previamente deconstruidos en segmentos y vectorizados. La herramienta resume los art\u00edculos resultantes de la b\u00fasqueda en una respuesta generada por el LLM, que incluye citas de los art\u00edculos.<\/p>\n El reconocimiento de entidades nombradas (Named Entity Recognition, NER) es una sub\u00e1rea del PLN que se enfoca en identificar y clasificar entidades nombradas en textos no estructurados. Estas entidades pueden incluir nombres de personas, organizaciones, lugares, cantidades, valores monetarios, porcentajes, etc\u00e9tera.<\/p>\n El NER utiliza algoritmos, modelos estad\u00edsticos y aprendizaje profundo para detectar entidades y clasificarlas, lo que facilita el an\u00e1lisis y procesamiento de textos no estructurados.<\/p>\n Ejemplo en periodismo:<\/strong> Periodistas de La Naci\u00f3n (Argentina), Ojo P\u00fablico (Per\u00fa), CLIP (Costa Rica) y MuckRock (Estados Unidos)\u00a0desarrollaron en 2021 DockIns<\/u><\/a>, una herramienta que, mediante t\u00e9cnicas de aprendizaje autom\u00e1tico y PLN analiza y clasifica documentos de contenido no estructurado, extrae informaci\u00f3n de estos documentos e identifica tem\u00e1ticas y entidades.<\/p>\n Para perfeccionar la herramienta, el equipo prob\u00f3 varios modelos NER, entre ellos SpaCy y DocumentCloud, con m\u00e1s de 10 mil documentos con datos no estructurados de licitaciones, contratos y compras del Ministerio de Seguridad de Argentina.<\/p>\n La generaci\u00f3n aumentada por recuperaci\u00f3n (Retrieval-Augmented Generation, RAG) es una t\u00e9cnica de IA que combina la generaci\u00f3n de lenguaje natural con la recuperaci\u00f3n de informaci\u00f3n de fuentes distintas a los datos usados para el entrenamiento del modelo. Esto ayuda a mejorar la precisi\u00f3n de\u00a0 las respuestas generadas y evitar las \u201calucinaciones\u201d.<\/p>\n Un sistema RAG, compuesto por un LLM y un sistema de recuperaci\u00f3n de informaci\u00f3n, puede incluso conectarse a fuentes de informaci\u00f3n en tiempo real o de frecuente actualizaci\u00f3n, como redes sociales o sitios de noticias, para generar respuestas con datos al d\u00eda.<\/p>\n3. Text-to-speech<\/h3>\n
<\/p>\n4. Reconocimiento \u00f3ptico de caracteres<\/h3>\n
5. Miner\u00eda de datos<\/h3>\n
<\/div>\n6. An\u00e1lisis predictivo<\/h3>\n
7. B\u00fasqueda sem\u00e1ntica<\/h3>\n
8. Reconocimiento de entidades nombradas<\/h3>\n
9. Generaci\u00f3n aumentada por recuperaci\u00f3n<\/h3>\n
<\/p>\n