Embeddings

Cuando un modelo de IA convierte una frase como "factura de telefonía móvil" en una serie larga de números (por ejemplo, 1.536 valores entre -1 y 1), está creando un embedding. La idea clave es que frases con significado parecido producen vectores parecidos: "recibo del móvil" generará un vector muy próximo, aunque no comparta ninguna palabra con la frase original. Esa proximidad se mide normalmente con la distancia coseno entre los dos vectores. Los embeddings se generan con modelos especializados (text-embedding-3-large de OpenAI, voyage-3 de Anthropic, embed-multilingual-v3 de Cohere, entre otros), distintos de los modelos generativos. Son más baratos de ejecutar y permiten indexar grandes volúmenes de documentos. Una vez calculados se guardan en una base de datos vectorial (Pinecone, Weaviate, Qdrant, pgvector en PostgreSQL) que está optimizada para encontrar vectores cercanos en milisegundos, incluso entre millones. La aplicación empresarial directa es la búsqueda semántica: en lugar de buscar por palabras clave, el usuario hace una pregunta en lenguaje natural y el sistema recupera los fragmentos de documento más cercanos en significado. Esto es el corazón de cualquier RAG (búsqueda aumentada con recuperación) y de muchos buscadores internos modernos. Los embeddings también se usan para detección de duplicados, clasificación automática, análisis de sentimiento sin entrenar modelos propios y agrupación de contenido similar.