Entrenar un modelo es costoso, se requiere mucha potencia de cálculo.
Los entrenamientos son estáticos: se realizan y para modificarlos debemos reentrenar (actualizar).
Se pueden aplicar técnicas de FINE TUNING (para mejorarlos) pero eso también es costoso.
Surge el RAG, la posibilidad de ampliar el contexto para cada pregunta que se realice.
El RAG es un enfoque más rentable para introducir nuevos datos en el LLM. Hace que la tecnología de inteligencia artificial generativa (IA generativa) sea más accesible y utilizable.
Permite usar un modelo público y ampliarlo con información privada.