Qué son los embeddings: un mapa con lo parecido cerca
Un embedding es una lista de números que representa el significado de un texto, de modo que dos textos que hablan de lo mismo reciben números parecidos. Sin fórmulas, qué son los embeddings: las coordenadas de un mapa donde lo parecido queda cerca.
Qué son los embeddings, con el mapa de una vinoteca
Vinoteca El Sarmiento vende vino, organiza catas y envía a domicilio. Imagina cada frase de su web clavada con una chincheta en un mapa: «tinto joven» cae al lado de «vino del año»; «botella rota», lejos, junto a «reembolso». Nadie las ha ordenado a mano: un modelo ha leído cada frase y le ha dado sus coordenadas. Eso es su embedding.
Para qué sirven: buscar por significado
Para encontrar algo sin acertar la palabra. Un cliente escribe «¿tenéis algo afrutado y barato?». Ninguna ficha dice «afrutado» ni «barato», pero la pregunta cae en el mapa junto a «tinto joven» y «oferta del mes».
Qué es una base de datos vectorial y para qué sirve
Es el almacén de esas coordenadas. Una base de datos corriente contesta «dame las filas donde ponga X»; una vectorial, «dame los diez textos más cercanos a este». Suele ser la pieza de búsqueda de un sistema RAG, el que busca en tus documentos antes de contestar.
Lo que suele confundirse
Con los tokens: aquellos son los trozos en que se parte un texto para leerlo; el embedding es el punto que resume lo que significa. Con el fine tuning: crear embeddings de tus documentos no cambia el modelo ni le enseña nada, solo los ordena para encontrarlos. Y con el LLM: el modelo que dibuja el mapa no suele ser el que redacta la respuesta.
¿Lo necesita mi empresa?
Casi nunca te tocará decidirlo: lo decide la herramienta. Si lo ves en un presupuesto, pregunta qué problema resuelve. Y recuerda dos límites. «Cerca» no es «correcto»: puede traer algo parecido y equivocado. Y con referencias exactas, como un código de producto, buscar por palabras acierta más.
¿Cómo es ese mapa? Pulsa una frase
Busca la pregunta del cliente de las dos maneras. Después pulsa cualquier frase y mira cuáles le quedan más cerca.
Un cliente escribe¿Tenéis algo afrutado y barato?
Veinte frases de la web de una vinoteca, colocadas por parecido. Las que hablan de lo mismo quedan juntas.
Flipa busca hoy por palabras. Por eso conviene que tus documentos usen las palabras con las que pregunta tu equipo.
Es un dibujo para entender la idea: las posiciones están puestas a mano y en dos dimensiones. Un embedding de verdad tiene cientos o miles de números, no dos.
¿Buscar por palabras o por significado?
| Por palabras | Por significado | |
|---|---|---|
| Qué encuentra | Textos que contienen las palabras de la pregunta | Textos que hablan de lo mismo, aunque usen otras palabras |
| Cuándo falla | Con sinónimos y otras maneras de decirlo | Con nombres propios, códigos y referencias exactas |
| Qué pide a tus documentos | Que usen las palabras con las que se pregunta | Que cada tema esté explicado, no solo nombrado |
Muchos sistemas combinan las dos.
Cómo se ve en Flipa
Flipa busca hoy por palabras, no por significado. En la práctica, encuentra mejor lo que está escrito con las palabras de la pregunta: si en la tarifa pone «portes» y el equipo pregunta por «gastos de envío», escribe las dos. Tampoco encuentra palabras que solo aparecen en el nombre de un fichero o en una dirección web. De dónde saca cada respuesta lo explica cómo funciona.
Embeddings y bases vectoriales, sin fórmulas
¿Qué son los embeddings en IA?
Representaciones numéricas del significado. Un modelo convierte cada texto en una lista larga de números, y los de sentido parecido quedan con números parecidos. Así se mide cuánto se parecen dos frases aunque no compartan palabras.
¿Qué es una base de datos vectorial y para qué sirve?
Es una base de datos pensada para guardar embeddings y devolver muy rápido los más cercanos a uno dado. Sirve para buscar por significado entre miles de textos y para dar a un asistente los fragmentos que necesita antes de contestar.
¿Necesita mi empresa una base de datos vectorial?
Como decisión propia, casi nunca: es una pieza interna que eligen quienes construyen la herramienta. A ti te toca comprobar el resultado. Haz veinte preguntas reales de tu equipo y mira si aparece el documento correcto.
¿Qué diferencia hay entre buscar por palabras y buscar por significado?
Por palabras se localizan los textos que contienen los términos de la pregunta: es exacto, pero no entiende sinónimos. Por significado se localizan textos cercanos en sentido aunque digan otra cosa: es más flexible y menos exacto con nombres y códigos.
Sigue por aquí
Qué es RAG
Para qué se usa casi siempre este mapa: buscar antes de contestar.
Qué son los tokens
La otra unidad con la que una IA maneja el texto: los trozos.
Cómo funciona Flipa
De la pregunta a la respuesta con sus fuentes a la vista.
Qué es el fine tuning
Lo que sí cambia el modelo, y por qué casi nunca hace falta.
¿Tus documentos usan las palabras con las que pregunta tu equipo?
Es lo primero que conviene mirar, uses la herramienta que uses.
Pide acceso