Embedding: qué es y cómo se usa en inteligencia artificial

Un embedding es una representación numérica de un dato. Un modelo recibe texto, una imagen, un código u otra entrada y devuelve un vector: una lista ordenada de números que puede usarse en otra operación. El vector no es una traducción legible, sino una forma de conservar relaciones relevantes para el modelo.

También puede servirte: RAG: qué es y cómo conecta documentos con un chatbot

La posición de cada número no tiene un significado aislado que una persona pueda leer como una etiqueta. El conjunto completo permite comparar entradas en el espacio que aprendió el modelo. Dos frases con una intención parecida pueden quedar más cerca que dos frases que comparten palabras pero hablan de temas distintos.

El embedding depende del modelo, la tarea y la forma de preparar la entrada. Cambiar el modelo o mezclar idiomas, formatos y tamaños de fragmento puede producir vectores que no son comparables directamente. Por eso hay que registrar qué modelo generó cada vector.

Para buscar entradas parecidas se calcula una distancia o una similitud entre vectores. La similitud coseno compara el ángulo entre dos vectores; otras configuraciones usan distancia euclidiana o producto interno. La elección debe coincidir con la forma en que se generaron y normalizaron los vectores.

Una búsqueda semántica puede recuperar un documento aunque no repita exactamente las palabras de la consulta. El sistema convierte la consulta y los documentos en el mismo espacio, calcula candidatos cercanos y devuelve los resultados con la puntuación correspondiente. La cercanía es una señal, no una prueba de que el texto responda.

Los umbrales de similitud no son universales. Un valor que funciona para un conjunto de documentos puede devolver demasiados resultados o descartar respuestas útiles en otro. Conviene probar consultas representativas y revisar ejemplos concretos antes de fijar una regla de producción.

En una búsqueda semántica, el índice guarda vectores asociados a documentos, fragmentos o productos. La consulta se transforma en otro vector y el motor recupera vecinos cercanos. Además de la distancia, la aplicación puede filtrar por idioma, permiso, fecha o tipo de contenido antes de mostrar resultados.

Un sistema de recomendaciones puede representar usuarios, artículos o interacciones y buscar relaciones en ese espacio. Esa representación no garantiza que una sugerencia sea conveniente: los datos de entrenamiento, los filtros de negocio y la actualización del catálogo siguen determinando el resultado.

En un flujo RAG, los embeddings ayudan a recuperar contexto que luego se entrega a un modelo generativo. La recuperación no comprueba por sí sola la verdad de un documento y tampoco evita que el modelo ignore o mezcle fragmentos. El sistema necesita citas, reglas de acceso y una forma de evaluar respuestas.

Cada vector debería conservar el identificador del objeto original, el texto o la referencia al contenido, el modelo usado, la versión de la transformación y la fecha de generación. Esa metadata permite reconstruir el índice cuando cambia el modelo o se corrige una fuente.

También hay que guardar permisos y filtros que no pueden perderse durante la búsqueda. Un vecino semánticamente cercano puede ser privado, estar vencido o pertenecer a otro cliente. La distancia nunca debe saltarse las reglas de autorización que aplica la aplicación.

El tamaño del fragmento influye en lo que recupera el índice. Fragmentos muy largos mezclan temas; fragmentos muy cortos pierden contexto. No existe un tamaño correcto para todos los proyectos: se decide según las preguntas reales, el modelo elegido y el límite de entrada del paso que leerá el resultado.

Definí qué entrada querés comparar, qué modelo genera los vectores y qué métrica usa el índice. Probá ejemplos positivos y negativos, medí cuántos resultados útiles aparecen y revisá casos donde las palabras coinciden pero la intención cambia. La evaluación debe conservar los textos y las consultas revisadas.

Planificá una reconstrucción cuando cambie el modelo, el idioma, el proceso de fragmentación o la fuente de datos. Marcá el índice con una versión y no mezcles vectores incompatibles sin una migración. Si el costo de recalcular es relevante, documentá qué entradas se actualizaron y cuáles siguen pendientes.

Por último, tratá la similitud como una herramienta de recuperación y no como una decisión final. Aplicá autorización, filtros, reglas de negocio y una revisión del resultado antes de generar una respuesta o recomendar una acción. El vector acerca datos; el producto todavía tiene que decidir cómo usarlos.