QNAP ha implementado la búsqueda amplificada por RAG en su motor Qsirch, que ya incluía funcionalidades basadas en IA en sus opciones de funcionamiento, especialmente en las búsquedas de imágenes a partir de su contenido. Habilitar RAG, en cualquier caso, precisa de una configuración previa en la que tendremos que definir qué modelo de LLM vamos a usar para procesar los prompts y generar las inferencias, así como para realizar la vectorización de nuestros contenidos. Además, será conveniente acotar el ámbito de las búsquedas con RAG a conjuntos de documentos bien seleccionados para conseguir los mejores resultados en nuestras inferencias y con un tiempo de procesamiento moderado.
Pie: QNAP ha integrado la tecnología RAG (Retrieval Augmented Generation) en sus NAS a través del motor de búsqueda Qsirch. Para acceder a ella, solo tenemos que hacer clic en el icono en la parte derecha de la barra de búsqueda.
Una vez que hemos lanzado Qsirch en nuestro NAS, con la app actualizada a la última versión, para acceder a la búsqueda con RAG solo tenemos que hacer clic en el icono en la parte derecha de la barra de búsqueda. Se abrirá otra ventana específica para el uso de la generación aumentada por recuperación.
Antes de poder usar esta funcionalidad, tendremos que configurar adecuadamente la herramienta. Para ello haremos clic en la opción Configuración en la parte inferior izquierda, lo que abrirá un menú en el que tendremos que poner a punto, en primer lugar, el LLM que queramos usar.
Pie: Tendremos que elegir el modelo de lenguaje (LLM) preferido para trabajar con la tecnología RAG en nuestro NAS.
En el cuadro desplegable que aparece al hacer clic en Añadir, aparecen varias opciones, como Gemini,OpenAI, Azure OpenAI o API compatible con OpenAI. Nosotros elegiremos Gemini. El procedimiento general de configuración de un modelo pasa por conseguir la API Key en la página de configuración de la plataforma de IA que hayamos seleccionado. En algunos casos, el uso de la API estará condicionado a tener contratada una suscripción, así como un método de pago para la facturación por el uso de tokens durante las operaciones de “vectorización” de los contenidos y generación de inferencias.
Pie: Tendremos que configurar el modelo de lenguaje (LLM) preferido para trabajar con la tecnología RAG en nuestro NAS.
En nuestro caso, hemos usado Google Gemini como modelo. En Google AI Studio podemos conseguir la API Key de un modo sencillo a través de la opción correspondiente. Esta API Key es la que usa Qsirch para “hablar” con Gemini directamente en nuestro nombre.
Pie: Tendremos que obtener la API Key correspondiente al modelo de lenguaje LLM que hayamos seleccionado. En nuestro caso, hemos optado por Gemini, para lo cual tenemos que ir a Google AI Studio con nuestra cuenta de usuario y, en la opción Get API key, usar la opción Crear clave de API, así como copiarla porque la necesitaremos para acabar de configurar la búsqueda con RAG en Qsirch.
Cuando completamos el formulario de configuración, con la API Key correcta, podremos incluso elegir la versión del modelo de Gemini que queremos usar en nuestras búsquedas con RAG. Modelos más recientes y “grandes”, tendrán un coste por token mayor y/o tardarán más en procesar los prompts.
En la pestaña de formato de archivo podemos elegir que tipos de ficheros se vectorizarán: Word, PowerPoint, Excel, texto, PDF o correo electrónico.
Pie: La clave API es esencial para poder usar RAG en nuestro NAS QNAP. Aunque el proceso de configuración es sencillo si hemos copiado y creado correctamente la API Key en las opciones de configuración de la web del modelo LLM que hubiéramos seleccionado.
Otras opciones a nuestro alcance son las de excluir carpetas o archivos de las búsquedas, crear o no un índice avanzado con los resultados de las búsquedas o habilitar un visor en la nube a través de la QNAP ID. También es posible configurar las opciones de filtrado de las búsquedas para diferentes tipos de archivos. Aunque estas opciones son generales para Qsirch más que específicas de RAG.
En la página de búsqueda con RAG, además, si hacemos clic en “Origen” a la derecha de la barra de búsqueda, podremos elegir qué carpetas se procesarán en la búsqueda con RAG. Nosotros hemos seleccionado Documentos RAG, que es donde hemos dejado algunos contenidos sobre los que queremos hacer “preguntas”.
Pie: Es importante tener claro qué información necesitamos o queremos recuperar a partir de los documentos procesados con RAG, así como acotar los documentos sobre los que se realizan estas búsquedas para hacer que el funcionamiento sea eficiente y rápido. No tiene mucho sentido mezclar documentos como las instrucciones de una lavadora con un libro de historia si queremos obtener información para un examen de dicha materia, por ejemplo.
Algunos ejemplos de uso
Para verificar que la tecnología funciona correctamente, hemos subido varios documentos, tanto de Word como PDFs a una carpeta dispuesta para la ocasión que será la que “lea” Qsirch para después “contestar” a nuestras preguntas.
Pie: Hemos hecho algunas preguntas en Qsirch RAG sobre documentos que hemos guardado en una carpeta dispuesta a tal efecto, sobre la tecnología RAG y sobre el portátil Gigabyte Gaming A16 que analizamos hace unos días. Concretamente, hemos subido algunos PDfs sobre RAG y el documento de texto que sirvió de base para publicar la review.
En las capturas puedes ver los resultados de las preguntas que hemos hecho. A la de “Explícame como si fuera un niño de 10 años qué es la tecnología RAG” respondió de un modo bastante creativo, adaptando el lenguaje a una audiencia infantil. Una buena muestra de cómo los LLMs procesan nuestros documentos de formas muy diferentes a las búsquedas habituales.
La consulta sobre los puntos fuertes del portátil Gigabyte Gaming A16 también fueron respondidas con eficacia, sin olvidar el análisis del tono con el que está escrito el artículo en cuestión. En general, podemos formular cualquier consulta o pregunta acerca de los documentos y archivos que hayamos usado como biblioteca de conocimiento.
Se trata de una excelente funcionalidad para usuarios que quieran ir un paso más allá en la gestión de sus documentos y activos digitales. El punto más enrevesado según el perfil de cada usuario será el de obtener la API Key, especialmente si precisa de pago, como en el caso de OpenAI. Con Gemini, sin más que tener una cuenta de Google con una suscripción básica para almacenamiento adicional, hemos obtenido una API Key sin problema,
Pie: La selección de modelo de LLM influye mucho. En el caso que nos ocupa, al pasar de Google Gemini 1.5 Flash a Gemini 2.5 Pro, las inferencias generadas son mucho mejores. Por ejemplo, tras haber subido sendas especificaciones de dos portátiles, si pedimos una tabla comparativa, Gemini 1,5 no la genera, mientras que Gemini 2.5 Pro la genera sin problemas.
La elección del modelo de IA que vayamos a elegir determina de forma fuerte la calidad de las inferencias. En nuestras pruebas con Gemini, las inferencias obtenidas con Gemini 2.5 Pro fueron mucho mejores que las obtenidas con modelos más antiguos y pequeños.
