Embeddings: el texto convertido en números

Los embeddings convierten el texto en vectores numéricos, de modo que una IA puede comparar matemáticamente la similitud de significado.

¿Qué es un embedding?

Un embedding es una lista de números (un vector) que representa el significado de un fragmento de texto —una palabra, una frase, un párrafo entero— en un espacio multidimensional. Un modelo de embeddings específico genera estos números, no el modelo de lenguaje que después responde a tus preguntas.

Por qué es útil

Los textos con significado similar reciben vectores que están cerca entre sí en el espacio numérico. "Perro" y "cachorro" están cerca; "perro" y "declaración de impuestos" están muy alejados. Un ordenador puede calcular esta cercanía (por ejemplo, con la similitud del coseno) sin "entender" el lenguaje en sí; basta con matemáticas puras.

Para qué se necesitan los embeddings

Búsqueda semántica: encontrar documentos que encajen en contenido, aunque ninguna palabra coincida exactamente
RAG: la base para encontrar fragmentos de texto relevantes para una consulta
Clustering: agrupar automáticamente textos similares
Recomendaciones: funciones de "artículos similares"

Dónde se almacenan los embeddings

Con volúmenes grandes, los embeddings terminan en una base de datos vectorial (por ejemplo, Pinecone, Weaviate o la extensión de Postgres pgvector), optimizada para búsquedas de similitud rápidas entre millones de vectores.