Qué es un embedding
Los ordenadores no entienden palabras, entienden números. Un modelo de embeddings convierte «zapatillas para correr» y «calzado de running» en vectores muy parecidos, porque significan casi lo mismo. Así la máquina puede comparar significados, no solo palabras exactas.
Cómo funciona
- Un modelo especializado recibe un texto y devuelve un vector de cientos o miles de números.
- Esos vectores se guardan, normalmente en una base de datos vectorial.
- Para buscar, se convierte la consulta en vector y se buscan los vectores más cercanos (por ejemplo, con similitud coseno).
Ejemplo real
El buscador de una tienda online tradicional falla si escribes «chaqueta para lluvia» y el producto se llama «cortavientos impermeable». Con embeddings, el buscador entiende que significan lo mismo y lo encuentra. Es la base de las búsquedas semánticas y de RAG.
Para qué te sirve en tu negocio
- Buscadores que entienden la intención.
- Recomendaciones de productos o contenidos parecidos.
- Agrupar automáticamente reseñas, tickets o keywords por tema.
- Detectar contenido duplicado o canibalización en SEO.
Errores comunes
- Mezclar embeddings de modelos distintos: no son comparables entre sí.
- Trocear mal los textos antes de convertirlos.
- Olvidar regenerarlos cuando cambia el contenido.
Preguntas frecuentes
¿Qué es un vector?
Una lista ordenada de números. En IA, cada número representa un rasgo del significado.
¿Los embeddings son caros?
No. Generar embeddings suele ser mucho más barato que usar un LLM para generar texto.
¿Qué relación hay entre embeddings y RAG?
RAG usa embeddings para encontrar los fragmentos de tus documentos más relacionados con cada pregunta.