Cómo se representa el significado con números
Un modelo de embeddings recibe un texto y devuelve un vector de cientos o miles de números. Cada número no significa nada por sí solo; lo que importa es la posición del vector en ese espacio de muchas dimensiones. El modelo se entrena para que textos con significado similar produzcan vectores cercanos y textos sin relación queden lejos.
Para comparar dos textos se mide la cercanía entre sus vectores, normalmente con la similitud del coseno. Así, «¿cuánto tarda el envío?» y «plazo de entrega de los pedidos» quedan muy próximos aunque no compartan ninguna palabra relevante. Los modelos multilingües van más allá y sitúan cerca textos equivalentes en idiomas distintos.
Un detalle práctico: los vectores de un modelo no son compatibles con los de otro. Si cambias de modelo de embeddings, tienes que volver a vectorizar todos los documentos.
Aplicaciones prácticas en una empresa
Los embeddings sirven en cualquier tarea que consista en encontrar «lo que se parece a esto»:
- Búsqueda semántica en documentación interna, catálogos o bases de conocimiento de soporte.
- Recuperación de contexto en sistemas RAG: localizar los fragmentos más relevantes para cada pregunta.
- Clasificación: asignar correos, incidencias o reseñas a categorías comparándolos con ejemplos ya clasificados.
- Detección de duplicados: incidencias repetidas, fichas de cliente duplicadas o productos dados de alta dos veces con nombres distintos.
- Recomendación: sugerir artículos, productos o respuestas parecidos a los que alguien ya ha consultado.
Embeddings, bases de datos vectoriales y LLM
Son tres piezas que suelen aparecer juntas. El modelo de embeddings convierte contenido en vectores; es un modelo específico, más pequeño y barato que un LLM, y no genera texto. La base de datos vectorial almacena esos vectores y encuentra los más parecidos a una consulta de forma eficiente, incluso con millones de registros. El LLM redacta la respuesta final a partir de lo recuperado.
En un sistema RAG trabajan en cadena: el modelo de embeddings vectoriza la pregunta, la base vectorial devuelve los fragmentos más cercanos y el LLM los usa para responder.
Límites de la búsqueda por embeddings
Similitud semántica no siempre equivale a relevancia. Los embeddings pueden fallar con códigos de producto, referencias exactas, cifras o nombres propios poco comunes, donde una búsqueda por palabras clave funciona mejor. Por eso muchos sistemas en producción usan búsqueda híbrida, que combina ambas, y añaden un modelo de reordenación que revisa los mejores resultados.
También influye cómo se divide el contenido antes de vectorizarlo: fragmentos demasiado largos diluyen el significado y los demasiado cortos pierden contexto. Ajustar ese tamaño y probarlo con preguntas reales suele mejorar más los resultados que cambiar de modelo.