Glosario

Fecha de corte de conocimiento

¿Qué es Fecha de corte de conocimiento?

La fecha de corte de conocimiento (knowledge cutoff) es el momento hasta el que llegan los datos de entrenamiento de un modelo de lenguaje. El modelo no conoce por sí mismo eventos, precios, leyes o productos posteriores, así que puede darte información desactualizada si no le proporcionas datos recientes. Se soluciona con métodos que incorporan, en el momento de la consulta, documentos propios o contenido web actual.

Cómo ayuda KI.ordo

Los agentes de KI.ordo compensan la fecha de corte usando el conocimiento que has guardado y consultando páginas públicas actuales con la herramienta «Leer página web».

Más información →

Temas

LLM
Actualidad
Conceptos básicos

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

Modelo de lenguaje grande (LLM)

Un modelo de lenguaje grande (Large Language Model, LLM) es una red neuronal entrenada con enormes cantidades de texto, lo que le permite entender y generar lenguaje. Funciona calculando, paso a paso, el siguiente token más probable. Los LLM redactan, resumen, traducen, responden preguntas y generan código; ejemplos conocidos son Claude, GPT, Gemini y Llama. Sin acceso a fuentes actualizadas, solo conocen lo que había en sus datos de entrenamiento.

Modelos de lenguaje
IA generativa
+1

Alucinación

Se llama alucinación a la respuesta de un modelo de IA que suena convincente pero es falsa o inventada, como una sentencia judicial inexistente, una cifra errónea o una fuente ficticia. La causa: los modelos de lenguaje generan formulaciones probables; no consultan hechos de forma automática. El riesgo baja cuando las respuestas se basan en fuentes verificadas, se citan las referencias y una persona revisa los resultados importantes.

Modelos de lenguaje
Fiabilidad
+1

Plantilla

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

Datos de entrenamiento

Los datos de entrenamiento son los ejemplos con los que un modelo de IA aprende patrones: grandes colecciones de texto en los modelos de lenguaje, imágenes etiquetadas en los de visión. Su calidad, variedad y actualidad determinan en gran medida lo fiable y justo que será el modelo y lo actualizado que estará su conocimiento. Para tu empresa también importa si un proveedor usa los datos de clientes que introduces para seguir entrenando.

Datos
Entrenamiento
+1