Mejorando las recomendaciones de lectura con generación aumentada por recuperación y LLMs

Este artículo presenta un sistema recientemente desarrollado para generar materiales de lectura personalizados utilizando Modelos de Lenguaje de Gran Tamaño (LLMs) junto con la Generación Aumentada por Recuperación (RAG). La arquitectura se compone de cuatro módulos clave: Entrada, RAG, Generación y Evaluación. Los usuarios pueden introducir preguntas específicas y señalar la complejidad deseada del contenido de lectura. El componente RAG es fundamental para recuperar información relevante de Internet, enriqueciendo el contenido producido por tres LLMs avanzados: Meta LLaMA 4 Scout, LLaMA 3.1 8B Instant y Google Gemma2 9B. El sistema utiliza diversas estrategias de prompting, incluyendo Chain-of-Thought, zero-shot y few-shot, para generar el contenido de lectura. Además, el módulo LLM-as-a-Judge evalúa la calidad de las respuestas generadas y su alineación con el nivel de legibilidad solicitado. Los resultados experimentales indican que la integración de RAG mejora significativamente el rendimiento del sistema, aumentando la relevancia y la fundamentación en un 26-35 por ciento. Estos hallazgos demuestran que esta arquitectura mejorada por RAG produce eficazmente contenido de lectura adaptado a las consultas de los usuarios y a sus preferencias de complejidad textual.