Translations:FACTS About Building Retrieval Augmented Generation-based Chatbots/67/es: Difference between revisions

Latest revision as of 08:27, 19 February 2025

Information about message (contribute)

This message has no documentation. If you know where or how this message is used, you can help other translators by adding documentation to this message.

Message definition (FACTS About Building Retrieval Augmented Generation-based Chatbots)

Our work can be compared with RAG papers on various topics dealing with RAG quality along all the FACTS dimensions we presented (freshness, architecture, costs, testing, and security). Due to lack of space, we contrast our work with selective works. Barnett ''et. al.'' ([[#bib.bib3|3]]) presented seven failure points when engineering RAG systems. In their work, they highlight the challenges of getting retrieval augmented generation right by presenting their findings from having built three chatbots. Wenqi Glantz ([[#bib.bib6|6]]) elaborated 12 RAG pain points and presented solutions. We experienced similar challenges first-hand when building our chatbots. However, none of these works discuss the challenges with complex queries, testing, dealing with document security, and the need for flexible architectures. In our work, we not only build on failure/pain points of RAGs as mentioned above, but also present our 15 control points in RAG pipelines and offer specific solutions for each stage. Also, we extend our insights and present practical techniques for handling complex queries, testing, and security. We present a reference architecture for one of the implementations of agentic architectures for complex query handling, strategies for testing and evaluating subjective query responses, and raised awareness for dealing with document ACLs and security. Furthermore, we present a reference architecture for a flexible generative-AI based Chatbot platform.

Nuestro trabajo se puede comparar con los artículos de RAG sobre varios temas que tratan la calidad de RAG en todas las dimensiones de FACTS que presentamos (frescura, arquitectura, costos, pruebas y seguridad). Debido a la falta de espacio, contrastamos nuestro trabajo con obras selectivas. Barnett et. al. (3) presentó siete puntos de falla al diseñar sistemas RAG. En su trabajo, destacan los desafíos de lograr una generación aumentada por recuperación correcta al presentar sus hallazgos tras haber construido tres chatbots. Wenqi Glantz (6) elaboró 12 puntos problemáticos de RAG y presentó soluciones. Experimentamos desafíos similares de primera mano al construir nuestros chatbots. Sin embargo, ninguno de estos trabajos discute los desafíos con consultas complejas, pruebas, manejo de la seguridad de documentos y la necesidad de arquitecturas flexibles. En nuestro trabajo, no solo nos basamos en los puntos de falla/dolor de los RAG mencionados anteriormente, sino que también presentamos nuestros 15 puntos de control en las canalizaciones de RAG y ofrecemos soluciones específicas para cada etapa. Además, ampliamos nuestras ideas y presentamos técnicas prácticas para manejar consultas complejas, pruebas y seguridad. Presentamos una arquitectura de referencia para una de las implementaciones de arquitecturas agénticas para el manejo de consultas complejas, estrategias para probar y evaluar respuestas a consultas subjetivas, y concienciamos sobre el manejo de ACLs de documentos y seguridad. Además, presentamos una arquitectura de referencia para una plataforma de Chatbot flexible basada en IA generativa.