Glosario

Razonamiento multisalto

¿Qué es Razonamiento multisalto?

El razonamiento multisalto (multi-hop reasoning) es la capacidad de un sistema de IA para responder una pregunta mediante varias inferencias sucesivas, a menudo combinando información de distintas fuentes. Ejemplo: «¿Qué departamento dirige la persona responsable del proyecto X?» exige identificar primero a esa persona y después su departamento. Estas preguntas son exigentes para los sistemas de búsqueda y RAG, porque cada paso intermedio debe encontrarse y enlazarse correctamente.

Temas

razonamiento
respuesta a preguntas
RAG

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Generación aumentada por recuperación (RAG)

La generación aumentada por recuperación combina búsqueda y generación de texto: antes de responder, el sistema busca en una colección de conocimiento, como manuales, políticas o preguntas frecuentes, los fragmentos relevantes y se los pasa al modelo de lenguaje como contexto. Así la respuesta se apoya en contenido actual y propio de la empresa, no solo en lo aprendido durante el entrenamiento. Esto reduce las afirmaciones inventadas, hace rastreables las fuentes y permite actualizar sin reentrenar.

RAG
búsqueda de conocimiento
+1

Respuesta a preguntas

La respuesta a preguntas (question answering) es un campo del procesamiento del lenguaje en el que un sistema contesta directamente preguntas formuladas en lenguaje natural, en lugar de devolver solo una lista de resultados. Los sistemas actuales buscan los pasajes relevantes en una base de conocimiento y redactan una respuesta, a ser posible con la fuente. Se usa en atención al cliente, bases de conocimiento internas y manuales; por ejemplo, para saber cuántos días de vacaciones tienes el primer año.

PLN
Gestión del conocimiento
+1

Plantilla

LazyGraphRAG

LazyGraphRAG es un enfoque de generación aumentada por recuperación basada en grafos presentado por Microsoft Research en 2024. A diferencia de GraphRAG, al indexar no pide a un modelo de lenguaje que genere resúmenes, sino que identifica conceptos y sus coapariciones con técnicas clásicas de procesamiento del lenguaje; el modelo de lenguaje solo interviene al hacer la consulta. Según Microsoft, así los costes de indexación quedan al nivel de un RAG vectorial sencillo. Es útil sobre todo para preguntas que requieren una visión global de grandes colecciones de documentos.

RAG
Grafo de conocimiento
+1

Encadenamiento de modelos

El encadenamiento de modelos (model chaining) consiste en conectar varios modelos o pasos de IA en secuencia, de forma que la salida de un paso sea la entrada del siguiente. Así puedes dividir tareas complejas en subtareas manejables que se revisan y mejoran por separado. Ejemplo: un paso resume la consulta de un cliente, otro la asigna a un departamento y un tercero redacta la respuesta.

orquestación
flujos
+1