Datos, RAG e IA propia etiqueta | eYssen AI

18 Artículos

Datos, RAG e IA propia ×

embedding

Krisztian Eyssen, Krisztian Eyssen

embedding

El texto convertido en una serie de números, en la que la cercanía de significado se mide como distancia.

Principiante Todos Glosario Datos, RAG e IA propia

13 sept 2026 Glosario

fine-tuning

Krisztian Eyssen, Krisztian Eyssen

fine-tuning

Seguir entrenando un modelo ya terminado con tus propios ejemplos para que resuelva mejor o más barato una tarea concreta.

Principiante Todos Glosario Datos, RAG e IA propia

13 sept 2026 Glosario

RAG (retrieval-augmented generation)

Krisztian Eyssen, Krisztian Eyssen

RAG (retrieval-augmented generation)

El montaje en el que el modelo busca antes de responder el fragmento relevante en tus propios documentos y trabaja a partir de él.

Principiante Todos Glosario Datos, RAG e IA propia

13 sept 2026 Glosario

vector database

Krisztian Eyssen, Krisztian Eyssen

vector database

Un almacén que guarda vectores y encuentra deprisa los más parecidos al que buscas.

Principiante Todos Glosario Datos, RAG e IA propia

13 sept 2026 Glosario

chunking

Krisztian Eyssen, Krisztian Eyssen

chunking

Trocear los documentos en fragmentos recuperables: un mal corte es la causa más frecuente de malas respuestas.

Principiante Todos Glosario Datos, RAG e IA propia

13 sept 2026 Glosario

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

Krisztian Eyssen, Krisztian Eyssen

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 IA en Pequeños Bocados

IA privada: mantener los datos dentro de la empresa

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 IA en Pequeños Bocados

Ejecutores de IA local: cuál elegir

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 IA en Pequeños Bocados

Quantization: cómo caben los modelos grandes

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 IA en Pequeños Bocados

Hardware para local LLM: VRAM, RAM y Apple Silicon

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 IA en Pequeños Bocados

¿Por qué ejecutar IA en tu propio equipo?

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 IA en Pequeños Bocados

Mantener la base de conocimiento actualizada

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 IA en Pequeños Bocados

1
2

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

Empresa

OpenAI Anthropic Google xAI (Grok) Meta Microsoft Mistral Laboratorios chinos

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