En la IA generativa, los fundamentos son la capacidad de conectar el resultado del modelo con fuentes de información verificables. Si proporcionas modelos con acceso a fuentes de datos específicas, los fundamentos conectan su resultado a estos datos y reducen las posibilidades de inventar contenido. Esto es muy importante en situaciones en las que la precisión y la confiabilidad son significativas.
Los fundamentos ofrecen los siguientes beneficios:
- Se reducen las alucinaciones del modelo, que son instancias en las que el modelo genera contenido que no es fáctico.
- Los anclajes modelan las respuestas a tus fuentes de datos.
- Mejoran la confiabilidad y la aplicabilidad del contenido generado, ya que proporcionan citas y puntuaciones de confianza.
En Vertex AI, puedes fundamentar el resultado del modelo compatible de dos maneras:
Para conocer los idiomas admitidos, consulta Idiomas admitidos para las instrucciones.
Grounding with Google Search
Cuando usas la fundamentación con la Búsqueda de Google, se vincula el modelo de Google a Internet. Dado que las respuestas de modelos de IA generativa no fundamentadas se consideran contenido nuevo según los patrones aprendidos, no obtendrás respuestas fácticas, que son específicas de tiempo, por ejemplo, preguntar en tu instrucción cuál es el pronóstico del clima. Dado que Internet proporciona acceso a información existente y nueva, una instrucción fundamentada puede darte respuestas matizadas y específicas, con pocos errores y con fuentes citadas.
La fundamentación con la Búsqueda admite la recuperación dinámica que te brinda la opción de generar resultados fundamentados con la Búsqueda solo cuando sea necesario. Por lo tanto, la configuración de recuperación dinámica evalúa si una instrucción requiere conocimiento sobre eventos recientes y habilita la vinculación con la Búsqueda. Para obtener más información, consulta Recuperación dinámica.
A continuación, se muestra un ejemplo en el que se compara una respuesta de instrucciones sin fundamentar y una respuesta fundamentada:
Gemini sin fundamentar | Fundamentación con la Búsqueda |
---|---|
Instrucción: ¿Cuál es el límite de contribución de 401k? Respuesta: En 2023, el límite de contribución anual para los planes 401(k) es de $22,500, hasta de $20,500 en 2022. Las contribuciones para ponerse al día para personas de 50 años o más se mantendrán en $7,500. |
Instrucción: ¿Cuál es el límite de contribución de 401k? Respuesta: Este es el acuerdo con los límites de contribución de 401(k) en 2024: el límite básico para las contribuciones de los empleados es de $23,000 para 2024. Eso equivale a $22,500 en 2023. Si tienes 50 años o más, también puedes contribuir con $7,500 adicionales en contribuciones de actualización. |
- Para usar la fundamentación con la Búsqueda, consulta Fundamenta con datos públicos mediante la Búsqueda.
Cuando usas la fundamentación con la Búsqueda y recibes sugerencias de búsqueda en tu respuesta, debes mostrarlas en producción y en tus aplicaciones. Consulta Sugerencias de búsqueda para conocer los requisitos cuando usas la fundamentación con la Búsqueda.
En el siguiente diagrama, se explica cómo funciona el uso de Fundamentos con la Búsqueda para la API de Gemini:
Fundamenta con tus datos
Puedes fundamentar modelos de lenguaje con tus datos de texto mediante Vertex AI Search como almacén de datos. Para definir mejor el resultado del modelo con Vertex AI Search, puedes integrar tus datos, sin importar el formato.
Para obtener más información sobre cómo fundamentar tus datos, consulta Cómo fundamentar con tus data.
Tipos de datos admitidos
Tipo de datos | Descripción |
---|---|
Sitio web | Usa contenido de tu sitio web directamente. Debes crear un almacén de datos de sitios web y habilitar lo siguiente: |
Formatos de documentos y archivos | Los tipos de documentos admitidos incluyen archivos PDF, HTML, TXT, DOCX y PPTX. El CSV está disponible para las preguntas frecuentes. |
Ejemplo
Cuando fundamentas con tus datos específicos, el modelo puede realizar más allá de sus datos de entrenamiento. Cuando se vincula a almacenes de datos designados en Vertex AI Search, el modelo fundamentado puede producir respuestas y citas más precisas y relevantes a tus fuentes de datos relevantes.
Este es un ejemplo en el que se compara una respuesta de instrucciones sin fundamentar y una respuesta fundamentada:
Gemini sin fundamentar | Gemini privado y fundamentado |
---|---|
Instrucción: ¿Cuál es la política de licencias de mi empresa? Respuesta: No puedo responder de forma definitiva las preguntas sobre la política de licencias específica de tu empresa. Las políticas de licencias son establecidas por empresas individuales y pueden variar según el tamaño, la ubicación y la industria de tu empresa. |
Instrucción: ¿Cuál es la política de licencias de mi empresa? Respuesta: Tu empresa tiene una política de licencias ilimitada. La aprobación sigue siendo obligatoria: tu administrador debe aprobar o rechazar las solicitudes según la carga de trabajo, la cobertura y las necesidades de la empresa.[1] Fuente de puesta a tierra: 1. Employee handbook.pdf |
¿Qué sigue?
- Para obtener más información sobre cómo fundamentar los modelos de Gemini con tus datos, consulta Fundamenta con tus datos.
- Para obtener más información sobre las prácticas recomendadas de IA responsable y los filtros de seguridad de Vertex AI, consulta IA responsable.