¿Qué son los embeddings?

Embeddings: definición

Un ordenador no entiende las palabras por sí solo, pero sí los números. Por eso un modelo de embeddings convierte un texto en un vector, una lista de varios cientos a algunos miles de números. Esos números codifican de qué trata el contenido, y no qué letras aparecen.

Puede imaginarlo como las coordenadas de un mapa de significados: «bomba de calefacción averiada» y «la bomba de circulación no funciona» quedan muy cerca; «solicitud de vacaciones», muy lejos. Existen embeddings para texto, imágenes, audio y código. Son un tipo de modelo propio y no un modelo de lenguaje que escribe textos.

Cómo se utilizan los embeddings

Todos los contenidos, como manuales, descripciones de productos o correos, se convierten una vez en vectores y se guardan. En una búsqueda, también la pregunta se transforma en un vector. Después se buscan los contenidos cuyos vectores son más parecidos al de la pregunta; para ello se suele usar la similitud del coseno.

Las aplicaciones típicas son la búsqueda semántica, las recomendaciones, la detección de duplicados, la agrupación de consultas y, sobre todo, la retrieval-augmented generation (RAG): se encuentran los pasajes más adecuados para la pregunta y se entregan a un modelo de lenguaje como base de la respuesta. La ventaja: la respuesta se apoya en sus propios documentos y pueden citarse las fuentes utilizadas.

Ejemplo práctico: búsqueda en el manual de servicio

Un fabricante de maquinaria mantiene manuales, avisos de servicio e informes de daños de sus instalaciones. La búsqueda por palabras clave falla cuando los técnicos escriben «la máquina zumba al arrancar» y el documento dice «ruido de rodamiento en el momento del arranque». Con embeddings, la búsqueda encuentra ambos, porque las dos formulaciones están cerca en significado.

En el proyecto se dividieron los documentos en secciones útiles y se calculó un vector por sección. Además se mantuvo activa la búsqueda clásica por palabras clave, porque encuentra con más fiabilidad números de artículo y códigos de error. La combinación de ambas se llama búsqueda híbrida. Qué mezcla funciona mejor lo decide con consultas reales de los técnicos, no la teoría.

Límites y qué debe tener en cuenta

Los vectores de distintos modelos no son comparables: si cambia el modelo de embeddings, hay que recalcular todos los contenidos. También los términos técnicos y el multilingüismo dependen del modelo. Y durante el procesamiento sus textos llegan al modelo de embeddings, así que compruebe la protección de datos, el contrato de encargo de tratamiento y la ubicación del servidor.

Nano Concepts elige modelos y divide los contenidos según su material y prueba la calidad de los resultados con consultas reales de su día a día. Esto incluye dividir los documentos en secciones útiles y revisar los resultados con regularidad para que la búsqueda siga siendo fiable con contenidos nuevos.

• Dividir los documentos en secciones útiles y no en bloques de página
• Elegir un modelo de embeddings adecuado a su idioma y sector
• Mantener la búsqueda por palabras clave para números y códigos
• Probar la calidad de los resultados con preguntas reales del día a día
• Recalcular todos los vectores al cambiar de modelo