Inicio › Tecnología › Base De Datos Vectorial
Una base de datos vectorial almacena embeddings, vectores numéricos qué representan el significado semántico de un texto, una imagen o un audio, generados por un modelo de inteligencia artificial. En lugar de comparar cadenas de texto exactas, indexa esos vectores con algoritmos de búsqueda por similitud aproximada (ANN), como HNSW, para encontrar rápidamente los elementos más parecidos en significado, incluso entre millones de registros. Motores especializados incluyen Pinecone, Weaviate o Milvus, y también existen extensiones vectoriales para bases tradicionales, como pgvector para PostgreSQL.
En vez de buscar por la palabra exacta qué escribiste, busca por lo qué quisiste decir, comparando el 'significado' convertido en números.
Un sistema RAG (retrieval-augmented generation) qué responde preguntas sobre documentos internos de una empresa busca primero en una base de datos vectorial los fragmentos más relevantes para la pregunta del usuario, y solo después se los pasa a un modelo de lenguaje para qué redacte la respuesta final basándose en ellos.
Es una lista de números generada por un modelo de IA qué resume el significado de un texto, imagen o sonido, de forma qué dos contenidos con significado parecido producen vectores cercanos entre sí en ese espacio numérico.
Con millones de vectores, calcular la distancia exacta contra todos ellos en cada consulta sería demasiado lento; los algoritmos ANN sacrifican una precisión mínima a cambio de respuestas casi instantáneas.
Sí, extensiones como pgvector permiten guardar y buscar embeddings dentro de PostgreSQL, sin tener qué migrar todos los datos a un motor vectorial independiente.