Datos, RAG e IA propia etiqueta

13 Artículos

Datos, RAG e IA propia ×

Fine-tuning: ¿cuándo merece la pena de verdad?

Un modelo de 350 millones de parámetros con fine-tuning alcanzó un **77,6 %** de acierto en una tarea de llamada a herramientas, mientras que un modelo general de 175 mil millones de parámetros se quedó ahí mismo en el **26 %**. Quinientas veces menos parámetros, el triple de resultado. Esa es la promesa real del fine-tuning. Y mientras tanto un gran proveedor **está retirando su plataforma de fine-tuning**: ya no acepta usuarios nuevos y los existentes tienen hasta enero de 2027.

Avanzado Desarrollador Explicación Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

IA privada: mantener los datos dentro de la empresa

El acuerdo de zero data retention de un gran proveedor enumera punto por punto a qué endpoints se aplica — y a cuáles no. En la lista de los que no están la **subida de archivos** y el **vector store**: **justo las dos funciones con las que montarías RAG en esa plataforma.** Y en el otro lado está la suposición de que «local es seguro»: un rastreo de 293 días encontró **175.108 servidores de modelos locales accesibles públicamente** en 130 países.

Avanzado Empresario Guía práctica Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

Ejecutores de IA local: cuál elegir

Lo más importante que hay que saber: **Ollama, LM Studio, Jan, KoboldCpp y Docker Model Runner usan todos el mismo motor** — llama.cpp, y MLX en Mac. No se diferencian en velocidad, sino en el envoltorio y en los **valores por defecto**. Y justo ahí está la trampa: Ollama **corta a 4.096 tokens** de fábrica, aunque el modelo pudiera con 256 mil.

Principiante Desarrollador Reseña de herramienta Ollama Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

Quantization: cómo caben los modelos grandes

Según una medición unificada de 2026, la quantization de cuatro bits **reduce el tamaño del modelo un 71 %** y a cambio se lleva de media **0,43 puntos porcentuales** de precisión. Sale prácticamente gratis. Solo que **no para todo el mundo**: esa misma quantization de cuatro bits provocó también un desplome del **59 %** con entrada larga, y el deterioro es **hasta cinco veces mayor en idiomas distintos del inglés** — en una medición sobre 26 idiomas, con el húngaro entre ellos.

Avanzado Desarrollador Explicación Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

Hardware para local LLM: VRAM, RAM y Apple Silicon

La regla general que todo el mundo repite dice que necesitas en memoria la mitad del número de parámetros. `[Cálculo propio]` Los pesos de cuatro bits de un modelo de ocho mil millones de parámetros ocupan de verdad 4,6 gigabytes — **pero el contexto de 128k tokens de ese mismo modelo ocupa 18 gigabytes**, cuatro veces el modelo. Quien solo mira el tamaño del modelo ha calculado una quinta parte de la memoria que necesita. Y hay una medición que le da la vuelta a todo: **un chip con la mitad de núcleos gráficos procesa el prompt un 83 % más rápido que otro más caro** — mientras genera una quinta parte más lento.

Avanzado Desarrollador Guía práctica Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

¿Por qué ejecutar IA en tu propio equipo?

De las cuatro razones habituales, dos se sostienen y dos no. `[Cálculo propio]` Frente al nivel de API más barato, un equipo de 3.500 dólares se amortiza a partir de **2.600 millones de tokens al año**, que son 133 días de generación continua. Y aquí está el giro que sostiene todo el artículo: **el volumen al que sale rentable ejecutar en local es justo aquel al que el modelo local ya no da la talla.** Hay, eso sí, una quinta razón que nadie dice en voz alta y que, medida, es la más fuerte.

Principiante Empresario Explicación Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

Mantener la base de conocimiento actualizada

Una medición construida sobre 96.000 pares de pregunta y respuesta y 219.000 documentos concluye que la mera presencia de contenido caducado provoca, según el estudio, **al menos un 20 % de caída de rendimiento**, y que algunos modelos rinden incluso peor que el azar. Pero el hallazgo más importante no es la cifra: **los modelos siguen siendo debidamente inseguros cuando no encuentran nada, y se equivocan con aplomo cuando encuentran algo caducado.** Una base de conocimiento vacía es menos peligrosa que una vieja.

Intermedio Empresario Guía práctica Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

Un chatbot de conocimiento interno: un plan realista

El chatbot de una aerolínea explicó mal las reglas de su tarifa por duelo. La empresa se defendió diciendo que no responde por «la información facilitada por sus agentes, incluido un chatbot», y llegó a plantear que **el chatbot es una entidad jurídica aparte**. La respuesta del tribunal cabe en una frase que merece la pena imprimir: **«Da igual que la información venga de una página estática o de un chatbot.»** La indemnización fue de 812 dólares. El precedente no sale tan barato.

Intermedio Empresario Receta Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

¿Cómo saber si tu sistema RAG responde bien?

En una campaña pública de evaluación se comparó un modelo juez con un evaluador humano. Su acuerdo, corregido por azar, salió **0,29**. En esa misma tarea, **dos personas se pusieron de acuerdo en −0,03**: peor que el azar. Así que no va de «la máquina es mala y la persona buena». La tarea misma está mal definida en los casos límite. Este artículo trata de lo que aun así se puede medir con fiabilidad.

Avanzado Empresario Guía práctica Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

Hybrid search: por qué los vectores no bastan

En una medición académica de 24 mil preguntas, la búsqueda vectorial acertó un **19,2 %** en las preguntas del tipo «¿quién es hijo de [X]?» — el algoritmo de palabras clave de hace décadas, un **82,9 %**. Sesenta y tres puntos de diferencia. Esos mismos métodos, en otra serie de preguntas, quedan justo al revés. **Ninguno es mejor que el otro: tienen fallos distintos.** Solo que el hybrid search no es lo que más mejora — eso es el re-ranking.

Avanzado Desarrollador Guía práctica Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

Bases de datos vectoriales sin jerga

Un mito extendido dice que el índice vectorial se come mucha memoria. Según la fórmula oficial de planificación de capacidad del fabricante, **el grafo es el 5 % de la memoria total** — 0,29 GB de índice junto a 5,72 GB de vectores. Lo que se come la memoria son los vectores. Y hay una cifra todavía más importante: **diez mil vectores son 75 megabytes.** Caben en un teléfono. Así que la pregunta no es si hace falta una vector database aparte, sino **cuándo** — y la respuesta suele ser «más tarde de lo que crees».

Intermedio Desarrollador Explicación Datos, RAG e IA propia

13 sept 2026

Krisztian Eyssen, Krisztian Eyssen

Chunking: preparar y dividir tus documentos

Según una medición, por el simple hecho de trocear el documento largo el retrieval sube de **28,2 a 45,7** — **17,5 puntos gratis**. Esa misma medición muestra también que **el chunk más grande es monótonamente peor**. Lo incómodo: las herramientas más extendidas vienen de fábrica con 800 y 1.024 tokens, o con 4.000 caracteres — y en una medición independiente el ajuste de 800 quedó **al fondo del pelotón**.

Avanzado Empresario Guía práctica Datos, RAG e IA propia

13 sept 2026

Síganos

Archivos

Etiquetas

Categoría

Fundamentos de la IA Seguridad y riesgos Regulación y política Infraestructura y chips Negocios y acuerdos Prompting Modelos y mercado Escritura y contenido Imagen y diseño Vídeo y audio Marketing y SEO Programación y desarrollo Trabajo y productividad Agentes y automatización Datos, RAG e IA propia Negocio, legalidad y seguridad

Formato

Guía práctica Explicación Comparativa Reseña de herramienta Receta Plantilla Solución de problemas Caso práctico Glosario Noticia

Herramienta

OpenRouter Perplexity HeyGen ElevenLabs Suno Obsidian MCP n8n Ollama EYAS

Nivel

Principiante Intermedio Avanzado

Público

Todos Personal de oficina Marketing Creativo Empresario Desarrollador

Otros

Odoo