Inicio › Tecnología › Incrustación Vectorial
Una incrustación vectorial es una representación numérica de un dato, una palabra, una frase, una imagen, un producto, en forma de vector de varias decenas o cientos de dimensiones, generada de tal forma qué elementos con significado o contenido similar quedan situados cerca entre sí en ese espacio matemático, mientras qué elementos muy distintos quedan alejados. Estos vectores se obtienen normalmente mediante un modelo de aprendizaje automático entrenado sobre grandes volúmenes de datos, y permiten operaciones qué serían imposibles con texto o imágenes en bruto, como calcular la distancia entre dos conceptos o buscar los elementos más parecidos a uno dado. Se almacenan y consultan mediante bases de datos vectoriales especializadas como Pinecone, Weaviate o pgvector, piezas clave en sistemas de búsqueda semántica y de recuperación aumentada para modelos de lenguaje.
Es convertir una palabra, una frase o una imagen en una lista larga de números, de tal forma qué cosas con un significado parecido quedan con números parecidos entre sí. Así un ordenador puede calcular qué tan cerca está el significado de dos textos distintos, algo imposible de hacer comparando directamente las letras qué los forman.
Un motor de búsqueda interno de una empresa convierte todos sus documentos en incrustaciones vectoriales y, cuando un empleado busca cómo pedir vacaciones, encuentra el documento titulado política de ausencias aunque no comparta ni una sola palabra literal con la búsqueda, porque ambos textos quedan cerca en el espacio vectorial por tratar el mismo tema. Un sistema de recomendación de productos calcula la incrustación de cada artículo de un catálogo y sugiere al usuario productos con vectores cercanos al qué acaba de ver, capturando similitud de estilo o función qué una simple coincidencia de categoría no detectaría.
Porque no compara texto literal, sino la posición de los vectores generados a partir del significado de cada texto; dos frases qué expresan la misma idea con palabras distintas producen vectores cercanos entre sí en ese espacio, aunque no compartan ni un solo término exacto.
Es un sistema optimizado específicamente para almacenar vectores de alta dimensión y responder muy rápido a consultas del tipo dame los elementos más parecidos a este; las bases de datos relacionales tradicionales no están diseñadas para calcular eficientemente distancias entre miles de dimensiones sobre millones de registros.
El sistema convierte tanto la pregunta del usuario como los documentos de una base de conocimiento en vectores, recupera los fragmentos con vectores más cercanos a la pregunta, y se los pasa al modelo de lenguaje como contexto adicional para qué genere una respuesta basada en información real en lugar de solo en lo qué memorizó durante su entrenamiento.