En el vertiginoso mundo de la inteligencia artificial (IA), la lucha por desarrollar modelos más precisos y fiables no se detiene. Recientemente, Contextual AI ha dado un golpe sobre la mesa con su Grounded Language Model (GLM), que ha superado a gigantes como Google, OpenAI y Anthropic en una de las pruebas más rigurosas de exactitud factual.
Según los datos presentados por la compañía, su modelo logró un 88% de precisión factual en el benchmark FACTS, superando a Gemini 2.0 Flash de Google (84.6%), Claude 3.5 Sonnet de Anthropic (79.4%) y GPT-4o de OpenAI (78.8%). Estos resultados son un gran avance en la reducción de uno de los principales problemas de los modelos de lenguaje actuales: las alucinaciones.
El problema de las alucinaciones en la IA
A pesar de los avances en modelos de lenguaje grandes (LLMs), la generación de información inexacta sigue siendo un obstáculo para su adopción en entornos empresariales. Cuando se trata de sectores altamente regulados, como finanzas, salud y telecomunicaciones, la precisión es crítica.
La solución de Contextual AI radica en su enfoque especializado en generación aumentada por recuperación (RAG, por sus siglas en inglés), una técnica que mejora la fiabilidad de las respuestas al anclar la información en datos verificables. Su CEO, Douwe Kiela, co-inventor de la tecnología RAG, destaca que el GLM no solo genera contenido, sino que también verifica la validez de la información antes de ofrecer una respuesta.
Groundedness: La clave de la precisión
Uno de los conceptos más revolucionarios introducidos por Contextual AI es la «groundedness«, es decir, la capacidad del modelo para asegurarse de que sus respuestas estén basadas en información proporcionada en el contexto y no en inferencias no verificadas.
Por ejemplo, si un modelo de lenguaje tradicional recibe un documento con una fórmula que indica «esto es cierto en la mayoría de los casos», es probable que lo presente como una verdad absoluta. En cambio, el GLM de Contextual AI capta la diferencia y advierte que la afirmación no es universalmente válida, algo crucial para la toma de decisiones empresariales.
RAG 2.0: Una evolución en la gestión del conocimiento
A diferencia de los modelos convencionales de RAG, que funcionan como una especie de «Frankenstein» ensamblando componentes desconectados, Contextual AI ha desarrollado un sistema optimizado en el que todas las partes del proceso están alineadas. Esto incluye:
- Un sistema de recuperación inteligente, capaz de determinar la mejor estrategia para encontrar información relevante.
- Un reordenador de datos de alta precisión, que prioriza la información más pertinente antes de enviarla al modelo de lenguaje.
- Una integración fluida entre recuperación y generación, eliminando la necesidad de procesos manuales o ajustes externos.
Más allá del texto: Integración con bases de datos y contenido visual
El GLM de Contextual AI no solo trabaja con texto, sino que también es capaz de interpretar datos estructurados, gráficos y diagramas, integrándose con plataformas como BigQuery, Snowflake, Redshift y Postgres.
Esto significa que una empresa puede utilizar la IA no solo para responder preguntas basadas en documentos, sino también para analizar información contenida en bases de datos y visualizaciones complejas. Este nivel de integración es crucial en industrias donde los datos estructurados y no estructurados deben combinarse para tomar decisiones.
El futuro de Contextual AI: IA confiable para empresas
Con clientes como HSBC, Qualcomm y The Economist, Contextual AI busca consolidarse como el estándar en IA empresarial, ofreciendo herramientas que realmente generen retorno de inversión (ROI).
Entre sus próximos lanzamientos destacan:
- Un sistema mejorado de reordenación de información.
- Capacidades avanzadas de comprensión de documentos.
- Funciones experimentales para agentes más autónomos.
Desde WWWhat’s New creemos que el enfoque de Contextual AI podría marcar un antes y un después en la IA para empresas, al priorizar la fiabilidad sobre la creatividad. Su modelo GLM demuestra que, aunque la IA puede ser espectacular en generación de contenido, en ciertos entornos lo que realmente importa es que sea confiable y precisa.