Búsqueda semántica y vectorial
Del texto al vector
Un modelo de incrustación mapea cada fragmento de texto a un vector denso en un espacio de muchas dimensiones. Textos de significado parecido caen cerca.
Espacio de significados
- Cada dimensión captura aspectos latentes del sentido.
- La proximidad geométrica refleja la semejanza semántica.
- «Rey menos hombre más mujer» se acerca a «reina».
Similitud por coseno
La semejanza entre dos vectores se mide a menudo con el coseno del ángulo que forman. Coseno uno, significado casi idéntico; cerca de cero, sin relación.
Distancia euclídea y puntos internos
Otra opción es la distancia euclídea, sensible a la magnitud. La elección entre coseno y norma depende de si el largo del vector porta información relevante.
Índices vectoriales
Comparar un vector contra millones es caro. Los índices aproximados (tipo HNSW o IVF) permiten buscar vecinos más próximos en tiempo real con mínima pérdida de exactitud.
Búsqueda de vecinos más próximos
- Se recupera el top-k de vectores más cercanos a la consulta.
- La calidad depende de la incrustación, no solo del índice.
- k demasiado grande introduce ruido; demasiado pequeño, ceguera.
Semántica frente a léxica
La búsqueda léxica (palabras clave) falla con sinónimos y polisemia. La vectorial salta esas trampas al comparar significados, pero puede perder coincidencias exactas raras.
Búsqueda híbrida
Combinar vectorial y por palabras clave (por ejemplo con fusión de listas) captura tanto el matiz semántico como la precisión literal. Suele superar a cada vía sola.
Para qué sirve en RAG
Antes de responder, un sistema RAG recupera los fragmentos relevantes de una base de conocimiento con esta búsqueda, y los da al modelo como contexto veraz.
Errores frecuentes
- Incrustaciones de dominio pobre: buscan cerca pero sin sentido.
- Trocear mal los documentos y separar contexto unido.
- Confiar solo en la métrica y no revisar los resultados recuperados.
Errores frecuentes al operar a escala
- Elegir el índice antes que la incrustación: un índice rápido con vectores de baja calidad devuelve vecinos cercanos a nada.
- Olvidar reindexar al cambiar de modelo de incrustación: consulta y documentos deben vivir en el mismo espacio vectorial.
- Normalizar mal los metadatos y recuperar el fragmento correcto del documento equivocado.
Ejemplo resuelto: buscador semántico para manuales técnicos
Un fabricante esconde en sus manuales la respuesta a «el motor hace ruido al arrancar en frío», redactada de otro modo: un buscador léxico la pierde, uno vectorial la encuentra.
- Troceas los manuales en fragmentos coherentes de unos cientos de palabras con solape.
- Incrustas cada fragmento con un modelo entrenado en lenguaje técnico del dominio.
- Guardas los vectores en un índice aproximado tipo HNSW con sus metadatos de sección.
- En la consulta, incrustas la pregunta del cliente y recuperas el top-k por coseno.
- Rematas con fusión híbrida si alguna referencia exacta por código de pieza importa.
¿Para qué sirve en la realidad?
Buscadores de empresas que encuentran documentos aunque el usuario no recuerde las palabras exactas, recomendadores que buscan ítems parecidos y sistemas RAG que recuperan contexto veraz antes de responder dependen de esta misma geometría del significado.
La búsqueda vectorial encuentra un documento relevante aunque no comparta ninguna palabra con la consulta porque:
Los índices vectoriales aproximados sacrifican algo de exactitud a cambio de búsquedas mucho más rápidas en colecciones enormes.
Vectorial
Toca una tarjeta para ver la respuesta.
Ordena el flujo de una recuperación vectorial:
Arrastra cada ficha a su categoría (o tócala y luego toca la categoría). También puedes usar el teclado.
Incrustación de palabrasRepresentación distribuida del significado como vector.
Une cada noción de la recuperación vectorial con su definición.
Buscar significado, no palabras
- Búsqueda semántica y vectorial
- Representar
- incrustaciones densas
- incrustaciones densas
- espacio de significados
- Representar
- coseno
- hnsw e ivf
- léxica más vectorial
Word2vecEl modelo que popularizó tratar el significado como coordenadas aprendidas.
Tu buscador semántico devuelve resultados cercanísimos pero incorrectos para un dominio técnico muy específico. ¿Incrustación, troceado o índice? Razona por dónde atacarías primero.
Tu texto se guarda sólo en este dispositivo.
Comentarios
Inicia sesión para comentar.
Todavía no hay comentarios. Sé la primera persona en opinar.