💬 NLP

W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases

Este artículo presenta W-RAG, un marco de recuperación consciente de la fuente que aborda las limitaciones del ranking global en bases de conocimiento empresariales heterogéneas mediante el empleo de la recuperación guiada por ontologías y la ponderación a nivel de fuente para mejorar la cobertura de documentos y la calidad de la generación.

Autores originales: Hridya Dhulipala, Rajesh Ombase, Michael Wang, Tien N. Nguyen

Publicado 2026-08-25

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Hridya Dhulipala, Rajesh Ombase, Michael Wang, Tien N. Nguyen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el lugar de trabajo moderno, la redacción de documentos complejos como manuales de políticas, informes de fusión o planes de lanzamiento de productos a menudo requiere reunir información de muchos lugares diferentes. Un equipo puede necesitar consultar las normas internas de la empresa, artículos de investigación científica, regulaciones gubernamentales y noticias del mercado, todo al mismo tiempo. Para ayudar con esto, los científicos de la computación han desarrollado sistemas que permiten que la inteligencia artificial busque hechos antes de escribir una oración. Este enfoque, conocido como generación aumentada por recuperación, actúa como un asistente digital que lee una biblioteca de documentos y utiliza esas notas para redactar una respuesta. El objetivo es hacer que la IA sea más precisa y esté fundamentada en la realidad, evitando que invente hechos. Sin embargo, surge un problema significativo cuando estos sistemas intentan recopilar información de varios tipos de bibliotecas diferentes al mismo tiempo.

El desafío es que no todas las fuentes de información son iguales, y no todas desempeñan el mismo papel en un solo documento. Un sistema estándar a menudo trata cada fragmento de texto que encuentra como si estuviera compitiendo en una sola carrera, eligiendo los mejores resultados basándose puramente en qué tan estrechamente coinciden las palabras con la pregunta del usuario. En un entorno corporativo, este método suele fallar. Podría incluir cientos de páginas de artículos de noticias generales porque contienen las palabras clave adecuadas, mientras ignora por completo un único párrafo crucial de una regulación gubernamental específica o una directriz técnica de seguridad. El resultado es un borrador que suena fluido pero que omite los detalles esenciales y especializados necesarios para que el documento sea legal o técnicamente válido. La IA termina con una ventana de contexto dominada por un tipo de fuente, dejando fuera la evidencia diversa necesaria para construir una imagen completa.

Los investigadores Hridya Dhulipala, Rajesh Ombase, Michael Wang y Tien N. Nguyen se propusieron resolver este problema específico. Propusieron un nuevo marco llamado W-RAG, que significa recuperación consciente de la fuente (source-aware retrieval). En lugar de dejar que todos los documentos de todas las bibliotecas compitan entre sí en un gran grupo, este nuevo sistema organiza el proceso de búsqueda. Primero identifica los temas específicos requeridos para el documento, como "privacidad de datos" o "cumplimiento financiero", y utiliza un mapa estructurado de conceptos para encontrar pasajes relevantes. Luego, en lugar de clasificar todo junto, clasifica los mejores documentos dentro de cada biblioteca específica por separado. Finalmente, asigna un presupuesto específico a cada biblioteca, decidiendo exactamente cuánto espacio del documento final debe ser llenado por informes corporativos, cuánto por artículos científicos y cuánto por textos legales. Esto asegura que el borrador final sea una composición equilibrada de evidencia, reflejando las verdaderas necesidades de la tarea en lugar de solo el volumen de texto disponible en una fuente.

Para probar si este enfoque realmente funcionaba, el equipo creó un nuevo conjunto de datos diseñado específicamente para este tipo de redacción empresarial. Construyeron cien escenarios realistas, que van desde la redacción de políticas de atención médica hasta la preparación de informes de fusiones y adquisiciones. Para cada escenario, construyeron cuatro bibliotecas distintas de información: una que contenía presentaciones corporativas y guías operativas, otra con investigación científica, una tercera con textos legales y regulatorios, y una cuarta con noticias de mercado e informes de la industria. Luego pidieron a la IA que escribiera documentos basados en estas fuentes mixtas. Los investigadores encontraron que los sistemas estándar, que simplemente eligen los mejores resultados de una lista global, tuvieron dificultades significativas. Estos sistemas a menudo produjeron documentos que eran fluidos pero incompletos, al no cubrir los requisitos obligatorios de la tarea porque habían ignorado las bibliotecas más pequeñas y especializadas.

Los resultados mostraron una clara diferencia cuando se utilizó el nuevo método consciente de la fuente. Al obligar al sistema a respetar los distintos roles de cada base de conocimientos, la calidad de los documentos generados mejoró drásticamente. El nuevo enfoque aumentó la satisfacción de los requisitos del documento en más del cincuenta por ciento en comparación con los métodos anteriores más avanzados, y en más del cien por ciento en comparación con los sistemas estándar. También aseguró que la información utilizada para escribir el documento proviniera de la mezcla correcta de fuentes, en lugar de estar sesgada hacia la biblioteca más grande o con más texto. El estudio sugiere que, para tareas de redacción complejas del mundo real, la forma en que se selecciona y equilibra la información es tan importante como la capacidad de encontrarla. Al gestionar cuidadosamente la composición de la evidencia, el sistema puede producir borradores que no solo están fundamentados en hechos, sino que también son estructuralmente completos, satisfaciendo las diversas necesidades de la redacción empresarial moderna.

Resumen Técnico: W-RAG – Recuperación Consciente de la Fuente para la Generación de Documentos Empresariales

Declaración del Problema
La Generación Aumentada por Recuperación (RAG) ha mejorado el fundamento fáctico de los Modelos de Lenguaje Extensos (LLMs) mediante la incorporación de conocimiento externo. Sin embargo, los pipelines de RAG existentes dependen de un mecanismo de clasificación global que asume que la evidencia de múltiples repositorios heterogéneos puede evaluarse utilizando una única función de similitud. Esta suposición es válida para la recuperación de dominio abierto, pero falla en la generación de documentos empresariales. En entornos corporativos, las bases de conocimiento (KB) —como políticas, regulaciones, especificaciones técnicas y directrices departamentales— desempeñan roles distintos. La clasificación global tiende a favorecer a las fuentes más grandes, densas o léxicamente dominantes, suprimiendo los repositorios más pequeños pero críticos. Esto conduce a ventanas de contexto desequilibradas donde el documento generado carece de la evidencia necesaria de dominios específicos, lo que resulta en borradores incompletos que no cumplen con los complejos requisitos empresariales.

Metodología: Marco de Trabajo W-RAG
Los autores proponen W-RAG, un marco de recuperación consciente de la fuente diseñado para regular la composición de la evidencia a través de KBs heterogéneas. El sistema opera en tres etapas distintas:

Recuperación de Candidatos Guiada por Ontología:
En lugar de depender únicamente de la similitud semántica, W-RAG utiliza una ontología de dominio para extraer temas estructurados de la consulta de entrada. Recupera fragmentos de texto candidatos de cada KB utilizando una función de puntuación híbrida:
$R(c_{jk}) = f_{sim}(q, c_{jk}) + \lambda f_{ont}(T, c_{jk})$
donde $f_{sim}$ mide la similitud semántica (similitud de coseno de los embeddings) y $f_{ont}$ mide la alineación con los temas de la ontología extraída. Esto asegura que los candidatos no solo sean léxicamente relevantes, sino también temáticamente alineados con los requisitos del documento objetivo.
Estimación de Peso de la Fuente:
En lugar de fusionar todos los candidatos en un único ranking global, W-RAG estima un peso específico ( $w_j$ ) para cada KB. Este se calcula en tiempo real comparando el conjunto de temas de entrada contra el índice de temas de la KB. La puntuación combina:
- Solapamiento Temático: El motor principal, que mide qué tan bien coincide la KB con los temas de entrada.
- Disponibilidad de Documentos: Un prior débil que favorece a las KBs con una cobertura más amplia.
- Bono de Categoría: Una recompensa por la alineación de dominio grueso.
  Estas puntuaciones se normalizan para determinar el porcentaje del presupuesto total de contexto ( $T_{total}$ ) que cada KB debe aportar.
Construcción de Contexto Ponderado:
Los pesos estimados se convierten en presupuestos de tokens ( $T_j$ ) para cada KB. El sistema selecciona los fragmentos mejor clasificados de cada conjunto de candidatos clasificados localmente hasta que se agota el presupuesto específico para esa KB. Estos fragmentos se fusionan en una Ventana de Contexto Única (SCW), asegurando que el prompt final refleje una composición equilibrada de fuentes en lugar del dominio de un solo repositorio.

Contribuciones Clave

Formulación del Problema: El artículo identifica un modo de fallo crítico en los sistemas RAG existentes: la clasificación global a través de KBs heterogéneas falla al preservar la composición de fuentes necesaria para la generación completa de documentos empresariales.
Innovación Metodológica: W-RAG introduce un marco que combina la recuperación guiada por ontología, la clasificación local dentro de cada KB y la ponderación a nivel de fuente para regular la composición de la evidencia.
Nuevo Conjunto de Datos y Benchmark: Los autores introducen un nuevo conjunto de datos para la generación de documentos empresariales basada en recuperación. Incluye 100 documentos de requisitos a través de cuatro tipos (Políticas, Lanzamiento de Producto, Due Diligence de M&A, Programas Académicos) y cuatro dominios (IA/Medios Digitales, Salud, Clima/Sostenibilidad, Finanzas). El conjunto de datos está emparejado con cuatro KBs heterogéneas (Corporativa, Científica, Regulatoria, Mercado/Noticias) para probar la síntesis de evidencia de múltiples fuentes.

Resultados Experimentales
Los autores evaluaron W-RAG frente a un RAG Vanilla estándar y un baseline de RAG Guiado por Ontología (OG-RAG) utilizando GPT-4.1 como generador y Claude Sonnet 4.6 como LLM-as-a-judge. Los hallazgos clave incluyen:

Ganancias de Rendimiento: W-RAG superó significativamente a los baselines. Respecto a OG-RAG, mejoró la Satisfacción de Requisitos en un 58.1% y la Relevancia del Contexto en un 39.1%. Comparado con Vanilla RAG, las mejoras fueron del 109.2% y 96.4%, respectivamente.
Fidelidad de la Fuente: El estudio midió la "Fidelidad de la Base de Conocimiento Realizada" para determinar si el documento generado reflejaba la distribución prevista de las fuentes. W-RAG demostró una fuerte alineación entre los pesos de recuperación prescritos y la atribución de fuentes real en el texto generado, con puntuaciones de Divergencia de Jensen-Shannon que indican un acuerdo de moderado a fuerte.
Recuperación vs. Generación: Los resultados indican que una alta calidad de recuperación por sí sola no garantiza una alta calidad del documento; la composición de la evidencia de múltiples fuentes es crítica para satisfacer los requisitos empresariales.

Significancia y Reivindicaciones
El artículo afirma que las suposiciones del RAG estándar no se ajustan bien a la tarea de la generación de documentos empresariales. Al gestionar explícitamente cómo se distribuye el contexto recuperado entre las bases de conocimiento, W-RAG permite una generación de documentos más fiel y completa. Los autores postulan que en entornos empresariales de múltiples fuentes, la "composición de la evidencia a nivel de documento" es tan importante como la "calidad de la clasificación a nivel de fragmento". El trabajo sugiere que pasar de la clasificación de similitud global a la asignación consciente de la fuente es necesario para la síntesis fiable de políticas, contratos y documentación técnica.

Limitaciones
Los autores reconocen que su evaluación depende de un conjunto de datos sintético relativamente pequeño, que puede no capturar completamente la escala y el ruido de los entornos empresariales del mundo real. Además, las métricas de evaluación implican una subjetividad parcial, y el enfoque aún no ha sido validado en entornos de recuperación de dominio abierto o menos estructurados.

Más como este