Glosario IA
El diccionario completo de la Inteligencia Artificial
Reordenamiento Cross-Encoder
Arquitectura de reordenamiento donde el transformador procesa simultáneamente la consulta y cada documento como una única secuencia de entrada para evaluar su relevancia mutua. Este enfoque ofrece alta precisión a costa de una mayor complejidad computacional.
Reordenamiento MonoT5
Modelo de reordenamiento basado en T5 que reformula la tarea de clasificación como un problema de generación de texto utilizando tokens especiales 'True' y 'False'. Este enfoque permite reordenar eficientemente los documentos recuperados aprovechando las capacidades de comprensión del lenguaje natural.
Reordenamiento ColBERT
Sistema de reordenamiento basado en una interacción a nivel de token tardía que codifica documentos y consultas en vectores contextualizados para cada token. Este método captura coincidencias granulares manteniendo una eficiencia computacional aceptable.
Reordenador BGE
Modelo de reordenamiento optimizado para tareas de búsqueda semántica, entrenado en vastos corpus de datos de relevancia con arquitectura cross-encoder. Destaca en la discriminación fina entre documentos relevantes y no relevantes para sistemas RAG.
Pérdida Listwise
Función de pérdida que optimiza directamente el orden completo de la lista de documentos recuperados en lugar de pares individuales. Este enfoque considera la distribución de relevancia global para mejorar la calidad del reordenamiento.
Pérdida Pairwise
Función de entrenamiento que compara pares de documentos para aprender a discriminar entre un documento más relevante y uno menos relevante. Este método es particularmente efectivo para sistemas de reordenamiento con aprendizaje supervisado.
Recuperación Multi-etapa
Arquitectura de recuperación compuesta por múltiples fases sucesivas incluyendo una recuperación inicial amplia seguida de uno o más niveles de reordenamiento progresivamente más precisos. Este enfoque equilibra eficiencia y precisión en sistemas RAG a gran escala.
Reordenamiento de Pasajes
Proceso de reordenamiento aplicado específicamente a pasajes o segmentos de texto en lugar de documentos completos para una granularidad aumentada en la selección de contenido relevante. Esta técnica optimiza la calidad de las entradas para la generación en RAG.
Learning to Rank (LTR)
Paradigma de aprendizaje automático aplicado a la clasificación de información donde los modelos son entrenados para ordenar elementos según su relevancia. LTR combina diversas características para optimizar métricas de clasificación como NDCG y MAP.
Recuperación de Información Neuronal
Enfoque de recuperación de información que utiliza redes neuronales para modelar la relevancia entre consultas y documentos mediante representaciones vectoriales densas. Este método captura relaciones semánticas complejas más allá de simples coincidencias de palabras clave.
Reordenamiento por Recuperación Densa
Técnica de reordenamiento basada en embeddings densos que reevalúa la relevancia de los documentos inicialmente recuperados utilizando similitudes vectoriales en un espacio semántico. Este método refina los resultados de la recuperación inicial para mejorar la calidad final.
Interacción Consulta-Documento
Mecanismo fundamental en sistemas de reordenamiento que modela explícitamente las interacciones entre los términos de la consulta y los del documento para calcular un puntaje de relevancia. Este enfoque captura dependencias complejas más allá de las representaciones independientes.
Bucle de Retroalimentación de Relevancia
Proceso iterativo donde los juicios de relevancia sobre los resultados clasificados se utilizan para refinar el modelo de reordenamiento o la consulta misma. Esta técnica de aprendizaje adaptativo mejora continuamente el rendimiento del sistema.
Reordenamiento Basado en Atención
Arquitectura de reordenamiento que utiliza mecanismos de atención para identificar y ponderar las partes más relevantes de los documentos en relación con la consulta. Este enfoque permite una evaluación contextual fina de la relevancia documental.