La generació augmentada per recuperació, coneguda com a RAG, s'ha convertit en un pilar fonamental perquè els models de llenguatge grans (LLM) puguin accedir a informació externa i oferir respostes contextualitzades. No obstant això, els pipelines tradicionals de RAG topen amb un repte crític: la segmentació del text en fragments. Aquest enfocament, tot i que simple, obliga que un mateix bloc de text serveixi tant per a la recuperació com per a la generació, cosa que genera conflictes inevitables. Els fragments petits poden deixar informació dispersa i difícil de muntar, mentre que els grans contaminen el context amb soroll i consumeixen el pressupost de tokens de manera ineficient. Per resoldre aquesta limitació sorgeix M-RAG, un sistema d'indexació semàntica clau-valor que separa completament la lògica de cerca de la de presentació d'evidències.
M-RAG introdueix una capa intermèdia que extreu meta-marcadors de documents complets. Cada registre en aquest índex conté una clau de recuperació, un valor informatiu i punters de procedència. La clau pot ser un vector dens o un terme lèxic, i és l'únic camp que es consulta en la fase de recuperació. El valor associat, que conté l'evidència textual, es lliura després al generador, però es munta respectant estrictament el pressupost de tokens disponible. Els punters de procedència, a més, permeten validar la cobertura del document original i ordenar el context segons la posició del contingut. Aquest disseny desacobla per complet la indexació física del payload de generació, sense necessitat de modificar ni el recuperador ni el generador subjacents.
Els beneficis d'aquest enfocament són múltiples i rellevants per a qualsevol organització que implementi sistemes d'IA basats en coneixement corporatiu. D'una banda, la recuperació es torna més ràpida i precisa perquè treballa sobre claus compactes i altament discriminatives. De l'altra, la generació rep fragments d'evidència contextualitzats i fidels a l'original, ja que s'extreuen dels valors complets sense la fragmentació arbitrària del chunking clàssic. Els experiments realitzats sobre els subtasks de LongBench QA demostren que M-RAG assoleix una precisió competitiva o superior respecte a les línies base basades en fragments, especialment quan el pressupost de tokens és reduït. A més, el sistema mostra una cobertura documental alta, una robustesa creixent davant corpus candidats en expansió i una latència de recuperació en línia menor.
Per a una empresa com Q2BSTUDIO, especialitzada en el desenvolupament de programari i tecnologia, l'adopció d'arquitectures com M-RAG representa una oportunitat directa per millorar la qualitat de les seves solucions d'IA conversacional i assistents intel·ligents. En lloc de dependre de tècniques de chunking genèriques, es pot implementar una capa d'indexació semàntica que s'adapti a les necessitats específiques de cada client. Per exemple, en projectes de cloud AWS/Azure, els meta-marcadors poden emmagatzemar-se en bases de dades vectorials com Pinecone o Weaviate, mentre que els valors complets resideixen en buckets d'emmagatzematge optimitzats. Això permet escalar horitzontalment sense comprometre la velocitat de resposta, un requisit indispensable en sistemes d'atenció al client o consultoria jurídica automatitzada.
Un altre àmbit on M-RAG aporta valor és en la integració amb agents d'IA. Aquests agents necessiten recuperar informació precisa de múltiples fonts per planificar accions i generar respostes. Amb la indexació clau-valor, cada peça d'evidència es pot etiquetar amb metadades addicionals (data, autor, departament) que faciliten el filtratge contextual. A més, els punters de procedència permeten als agents verificar la font original, reduint el risc d'al·lucinacions i millorant la transparència del sistema. Q2BSTUDIO ha aplicat principis similars en desenvolupaments de aplicacions a mida per a sectors com la banca i la logística, on la traçabilitat de la informació és crítica.
No podem oblidar la ciberseguretat. En separar les claus de recuperació dels valors, es poden aplicar polítiques d'accés granular: un usuari pot consultar l'índex sense tenir accés directe al contingut complet, i només quan el sistema generi la resposta es revela l'evidència necessària. Això encaixa perfectament amb les solucions de ciberseguretat que ofereix Q2BSTUDIO, on el control de dades sensibles és una prioritat. D'altra banda, les eines de BI/Power BI també es beneficien d'una indexació semàntica que permet als analistes recuperar informes contextuals sense haver de navegar per bases de dades fragmentades.
En resum, M-RAG no és només una millora tècnica sobre el RAG tradicional, sinó un canvi de paradigma en com concebem l'accés a la informació per a models generatius. Separa les preocupacions de recuperació i generació, optimitza l'ús del context i ofereix una base sòlida per construir sistemes d'IA més fiables i eficients. A Q2BSTUDIO veiem en aquesta arquitectura un habilitador clau per als nostres projectes d'IA, automatització i aplicacions a mida, i la recomanem com un estàndard de facto per a qualsevol pipeline de RAG que busqui excel·lència tècnica i empresarial.
