Leer en inglés

Compartir a través de


Generación aumentada de recuperación (RAG) en Azure Cosmos DB

La generación aumentada de recuperación (RAG) combina la eficacia de los modelos de lenguaje grande (LLM) con sistemas de recuperación de información sólidos para crear respuestas más precisas y contextualmente relevantes. A diferencia de los modelos generativos tradicionales que dependen únicamente de datos previamente entrenados, las arquitecturas de RAG mejoran las funcionalidades de un LLM mediante la integración de la recuperación de información en tiempo real. Este aumento garantiza que las respuestas no solo sean generativas, sino que también se basen en los datos más relevantes y actualizados disponibles.

Azure Cosmos DB, una base de datos operativa que admite el vector de búsqueda, destaca como una plataforma excelente para implementar la RAG. Su capacidad para controlar cargas de trabajo operativas y analíticas en una sola base de datos, junto con características avanzadas como el multiinquilinato y las claves de partición jerárquicas, proporciona una base sólida para crear sofisticadas aplicaciones de IA generativa.

Ventajas clave del uso de Azure Cosmos DB

Almacenamiento y recuperación de datos unificados

Azure Cosmos DB permite una integración perfecta de funcionalidades de vector de búsqueda dentro de un sistema de base de datos unificado. Esto significa que los datos operativos y los datos vectorizados coexisten, eliminando la necesidad de separar sistemas de indexación.

Ingesta y consulta de datos en tiempo real

Azure Cosmos DB admite la ingesta y consulta en tiempo real, por lo que es ideal para aplicaciones de IA. Esto es fundamental para las arquitecturas de RAG, en las que la actualización de los datos puede afectar significativamente a la relevancia de las respuestas generadas.

Escalabilidad y distribución global

Diseñado para aplicaciones a gran escala, Azure Cosmos DB ofrece distribución global y escalado automático instantáneo. Esto garantiza que la aplicación habilitada para la RAG pueda controlar grandes volúmenes de consultas y ofrecer un rendimiento coherente independientemente de la ubicación del usuario.

Alta disponibilidad y confiabilidad

Azure Cosmos DB ofrece contratos de nivel de servicio completos para el rendimiento, la latencia y la disponibilidad. Esta confiabilidad garantiza que el sistema de RAG esté siempre disponible para generar respuestas con un tiempo de inactividad mínimo.

Multiinquilinato con claves de partición jerárquicas

Azure Cosmos DB admite el multiinquilinato a través de varios modelos de aislamiento de rendimiento y seguridad, lo que facilita la administración de datos para distintos clientes o grupos de usuarios dentro de la misma base de datos. Esta característica es especialmente útil para las aplicaciones SaaS en las que la separación de datos de inquilinos es fundamental para la seguridad y el cumplimiento.

Características de seguridad completas

Con características integradas, como el cifrado de un extremo a otro, el control de acceso basado en rol (RBAC) y la integración de red virtual (VNet), Azure Cosmos DB garantiza que los datos permanecen seguros. Estas medidas de seguridad son esenciales para las aplicaciones de RAG de nivel empresarial que controlan la información confidencial.

Implementación de RAG con Azure Cosmos DB

Sugerencia

Para obtener ejemplos de RAG, visite: AzureDataRetrievalAugmentedGenerationSamples

Este es un proceso simplificado para compilar una aplicación de RAG con Azure Cosmos DB:

  1. Ingesta de datos: almacene los documentos, las imágenes y otros tipos de contenido en Azure Cosmos DB. Utilice la compatibilidad de la base de datos para el vector de búsqueda para indexar y recuperar contenido vectorizado.

  2. Ejecución de consultas: cuando un usuario envía una consulta, Azure Cosmos DB puede recuperar rápidamente los datos más relevantes mediante sus funcionalidades de vector de búsqueda.

  3. Integración LLM: pase los datos recuperados a un LLM (por ejemplo, Azure OpenAI) para generar una respuesta. Los datos bien estructurados proporcionados por Cosmos DB mejoran la calidad de la salida del modelo.

  4. Generación de respuestas: el LLM procesa los datos y genera una respuesta completa, que luego se entrega al usuario.