El mapa: 20 conceptos en siete grupos

Un mapa de metro: primero ves toda la red, luego la recorres estación por estación.

Primero tres fundamentos — por qué los caracteres no bastan para una computadora, qué es un embedding y qué es el espacio del significado. Después seis grupos, uno por capítulo: la similitud, la vector database, la semantic search, los usos más allá de la búsqueda, las trampas y cómo usarlos bien.

Cada concepto recibe después el mismo trato: su nombre en inglés (apréndelo — es el término), una imagen de la vida real, un diagrama y una ficha con campos: qué es, cómo funciona, ejemplo, ojo y relaciones.

Lexical Gap — las computadoras ven caracteres, no significado

Una máquina capaz de distinguir que dos fotografías son diferentes píxel a píxel, pero que no tiene ni idea de que ambas muestran un perro — la superficie difiere, el significado le resulta invisible.

Para una computadora, el texto son solo caracteres. Puede comprobar si dos cadenas son idénticas, pero no tiene un sentido propio de que «car» y «automobile» significan lo mismo, o de que «the bank approved my loan» y «my mortgage was accepted» hablan del mismo hecho. Esta brecha entre las palabras y el significado es el lexical gap. Cotejar palabras exactas (exact match) se pierde el significado por completo. Para que el software trabaje con lo que el texto significa, en lugar de cómo se escribe, necesitas una forma de convertir el significado en algo que una computadora pueda medir.

Embedding — el texto se convierte en un punto

Un mapa donde cada idea tiene una ubicación, y las ideas que significan cosas parecidas quedan cerca unas de otras — «dog» cerca de «puppy», ambas lejos de «tax return».

Un embedding es una lista de números — un vector — que representa el significado de un fragmento de texto. Lo produce un embedding model: el modelo lee el texto y devuelve sus coordenadas. Texto parecido recibe números parecidos — y por tanto un punto cercano. El significado, que era invisible para la computadora, se ha convertido en una posición — y las posiciones son algo que el software puede comparar, ordenar y buscar.

Vector Space — un espacio donde la cercanía significa similitud

Un mapa donde «dog», «puppy» y «cat» forman un grupo en una esquina, y «spreadsheet» y «tax return» en otra.

Todos los embeddings viven en un único vector space de muchas dimensiones (también llamado embedding space). Tiene cientos de dimensiones, pero la idea se ve fácil en una página plana: los puntos de significado parecido quedan cerca, los que no se relacionan quedan lejos. «Dog» y «puppy» quedan juntos, y ambos lejos de «spreadsheet». El espacio mismo es un mapa del significado.

Meaning as Geometry — una vez que el significado tiene coordenadas, puedes computar con él

Una vez que cada pueblo es un punto en un mapa, «encuentra el pueblo más cercano» se vuelve geometría simple — el mapa convirtió una pregunta vaga en una medible.

Este es el movimiento que hace posible todo lo demás: con el significado expresado como coordenadas, las preguntas difusas sobre el significado se vuelven preguntas precisas sobre geometría. «¿Qué documentos tratan de este tema?» se vuelve «¿qué puntos están cerca de este punto?». «¿Esto es parecido a aquello?» se vuelve «¿qué distancia hay entre ellos?». La computadora no puede entender el significado, pero puede medir la distancia a la perfección — y los embeddings le permiten responder preguntas sobre el significado midiendo distancias en su lugar. Esa traducción es todo el truco.

Semantic Similarity — puntos cercanos significan cosas parecidas

En un mapa, dos pueblos cercanos son fáciles de recorrer; dos en costas opuestas están lejos. La cercanía en el mapa refleja la cercanía en la realidad.

Como los embeddings sitúan los significados parecidos cerca unos de otros, la distancia entre puntos mide la diferencia de significado: cerca es parecido, lejos es sin relación. Esto es la semantic similarity. Para saber cuánto se parecen dos textos, conviertes ambos en embeddings y mides el espacio entre sus vectores — una distancia pequeña indica que significan casi lo mismo. Una distancia que sí puedes calcular sustituye a una similitud que no podías.

Nearest-Neighbour Search — encontrar los puntos más cercanos

Un bibliotecario que, con un libro en la mano, te señala al instante el estante de los libros más parecidos — no por el título, sino por de qué tratan.

La operación central es la nearest-neighbour search (k-NN): dado un punto, encontrar los k puntos más cercanos a él. «Muéstrame cosas como esta» se vuelve «encuentra los vecinos más cercanos de este elemento en el espacio». Le das al sistema una pregunta, un producto, un documento, y devuelve los más parecidos en significado, ordenados por cercanía. Esta sola operación impulsa la semantic search, las recomendaciones y casi todo lo que viene después. Todo es alguna versión de «encuentra los puntos cercanos».

Cosine Similarity — la dirección importa más que la distancia bruta

Dos flechas que apuntan al mismo lado se parecen aunque una sea más larga — lo que importa es la dirección a la que apuntan, no su longitud.

En la práctica, la similitud suele medirse por el ángulo entre vectores y no por la distancia en línea recta — una medida llamada cosine similarity. Dos embeddings que apuntan en la misma dirección se consideran parecidos aunque uno sea «más largo», porque la dirección capta el significado, mientras que la longitud suele reflejar cosas como el largo del texto. No necesitas las matemáticas para usar embeddings, pero conviene saber que la medida estándar de «qué tan parecido» trata de dirección, no de distancia bruta.

Vector Database — un almacén hecho para la búsqueda de vecinos más cercanos

Un almacén organizado de modo que, dado cualquier artículo, pueda traerte al instante los cien más parecidos — no revisando cada estante, sino por cómo está dispuesto.

Una vector database guarda tus embeddings y responde rápido a consultas del tipo «encuentra los puntos más cercanos a este», incluso entre millones de vectores. Está hecha a propósito para la única operación que necesitan los embeddings: la búsqueda de vecinos más cercanos por similitud. Conviertes tus datos en embeddings una sola vez, guardas los vectores, y la base de datos se vuelve un índice de significado en el que se puede buscar. Cuando se construyen búsqueda, RAG o recomendaciones sobre embeddings, la vector database es donde viven los vectores y donde ocurre la búsqueda.

ANN — la búsqueda aproximada hace rápida la escala

Para encontrar el café más cercano no mides la distancia a todos los cafés de la Tierra — miras primero en tu barrio. Los atajos inteligentes ganan a revisarlo todo.

Comparar una consulta con cada vector guardado sería demasiado lento a escala. Por eso las vector databases usan la búsqueda approximate nearest-neighbour (ANN): una indexación ingeniosa que encuentra los puntos más cercanos sin revisarlos todos, cambiando un poquito de precisión por una enorme ganancia de velocidad. Por eso una búsqueda vectorial entre millones de elementos responde en milisegundos. Rara vez necesitas los vecinos más cercanos exactos — «muy cerca» sirve tanto como «el más cercano».

Embed Once, Query Many — se hace el embedding una vez, se busca muchas veces

Catalogas la biblioteca una sola vez cuando llegan los libros, y después cada consulta es instantánea — la indexación lenta ocurre al principio, la búsqueda rápida para siempre después.

La forma de un sistema de embeddings es: convertir tus datos en embeddings una sola vez al principio y guardar los vectores (index time), y luego buscar barato en cada consulta (query time). Calcular embeddings tiene un coste, pero se paga cuando se añaden los datos, no en cada búsqueda. El paso caro es la indexación única; el coste por consulta es un vector y una búsqueda rápida. Conocer esta división ayuda a razonar tanto sobre el coste como sobre la frescura de un sistema de embeddings.

Semantic Search — buscar por significado, no por palabras coincidentes

Un ayudante que encuentra lo que quieres aunque lo describas con tus propias palabras — «la cosa que mantiene frías las bebidas» te lleva al refrigerador, sin necesidad de coincidencia exacta.

La semantic search encuentra resultados por significado y no por coincidencia de palabras clave (keyword search). Conviertes la consulta del usuario en un embedding y buscas los fragmentos de documentos cuyos vectores estén más cerca. Así, una búsqueda de «how do I get my money back» encuentra una página titulada «refund policy», porque sus significados están cerca — aunque casi no comparten palabras. La keyword search no lo vería; la semantic search está hecha para eso. Encuentra lo que quisiste decir, no solo lo que escribiste literalmente.

Same Model, Same Space — haz el embedding de la consulta igual que el de los datos

Para comparar dos medidas hay que usar la misma regla — si mides una en pulgadas y otra en centímetros, los números no cuadran.

Para que la búsqueda funcione, la consulta y los documentos guardados deben convertirse en embeddings con el mismo modelo, en el mismo espacio — si no, sus coordenadas no son comparables y «el más cercano» no significa nada. Conviertes tus documentos con un modelo, y al consultar conviertes la pregunta con ese mismo modelo. Suena obvio, pero es un error común: mezclar modelos de embeddings, o cambiar de modelo sin rehacer todos los embeddings, rompe la búsqueda sin avisar porque los puntos ya no comparten espacio.

RAG Retrieval — este es el retrieval bajo el RAG

El examen a libro abierto: la semantic search es cómo encuentras las páginas correctas antes de responder — la consulta que hace posibles las respuestas fundamentadas.

La semantic search es el paso de retrieval de la retrieval-augmented generation (el curso de RAG). Cuando un sistema RAG responde a partir de tus documentos, los embeddings son la forma en que encuentra los fragmentos relevantes para poner en el contexto del modelo. Así, la calidad de un sistema RAG depende mucho de la calidad de su búsqueda por embeddings — si los fragmentos correctos quedan cerca de la consulta, la respuesta está fundamentada; si quedan los equivocados, el modelo responde con basura.

Clustering & Deduplication — agrupar por significado

Clasificar un montón de documentos mezclados en pilas por tema — juntando los que significan cosas parecidas, sin leer cada palabra.

Como los significados parecidos se agrupan en el espacio, puedes agrupar datos por significado de forma automática — esto es el clustering: reunir comentarios de clientes en temas, organizar artículos por tema, encontrar las categorías naturales en un montón de texto. La misma idea atrapa los duplicados y casi-duplicados (deduplication) — dos tickets de soporte que describen el mismo problema con otras palabras quedan juntos, así que puedes detectarlos y fusionarlos. Toda tarea que en el fondo sea «¿cuáles de estos significan lo mismo?» es una tarea de embeddings.

Recommendations — más de lo que te gustó

Un vendedor que, viendo lo que compraste, te señala otras cosas que disfrutó gente con gustos parecidos — entra similitud, salen sugerencias.

Las recomendaciones son nearest-neighbour search disfrazada: conviertes los elementos (productos, artículos, canciones) en embeddings para que los parecidos queden cerca, y «recomienda más como esto» se vuelve «encuentra los elementos más cercanos a lo que le gustó al usuario». La misma maquinaria que encuentra documentos parecidos a una consulta encuentra productos parecidos a una compra. Cada vez que ves «también te puede gustar», hay buenas probabilidades de que detrás haya embeddings.

Classification & Anomaly Detection — quién pertenece y quién no

Un guardia de seguridad que sabe cómo luce lo normal y nota a la única persona que se comporta distinto del resto — el valor atípico queda aparte en el espacio.

Los embeddings impulsan la classification — un elemento nuevo probablemente es de la misma categoría que los elementos etiquetados más cercanos a él — y la anomaly detection — algo cuyo embedding queda lejos de todo lo normal es un valor atípico que vale la pena señalar. Detectar fraude, contenido fuera de tema o entradas inusuales se vuelve «encuentra lo que está lejos del grupo». El patrón recurrente es el mismo: convertir las cosas en puntos y luego razonar sobre cercanía y distancia.

Model Mismatch — el modelo de embeddings decide la calidad

Un traductor que entiende un idioma solo a medias produce un mapa defectuoso de su significado — toda comparación posterior hereda esa distorsión.

Todo depende del modelo que crea los embeddings. Un buen modelo sitúa el significado con precisión, así que las cosas parecidas sí quedan cerca; uno débil o inadecuado (model mismatch) produce un espacio distorsionado donde las distancias te engañan. Un modelo entrenado con texto general de la web puede hacer mal los embeddings de tu dominio especializado (legal, médico, código), porque no capta las distinciones que allí importan.

Similar ≠ Relevant — similar no es lo mismo que relevante

Dos pasajes pueden tratar el mismo tema y aun así responder preguntas distintas — «cómo cancelar» y «por qué la gente cancela» quedan cerca, pero solo uno es lo que se preguntó.

La similitud de embeddings capta la cercanía temática, que suele ser un buen sustituto de la relevancia — pero no siempre. Dos textos pueden estar cerca en significado y solo uno responde de verdad a la necesidad. Por eso la búsqueda por embeddings en bruto es una buena primera pasada pero no la última palabra: encuentra lo que trata sobre lo correcto, que no es exactamente lo mismo que lo útil. De ahí los refinamientos como el reranking — un segundo paso que reordena los resultados según qué tan bien responden a la pregunta.

Garbage In — basura entra, espacio basura

Si archivas documentos con etiquetas descuidadas e inconsistentes, ni la búsqueda perfecta en el archivador devuelve algo útil — el índice es tan bueno como lo que se metió en él.

La calidad de un sistema de embeddings está limitada por la calidad de lo que conviertes en embeddings. Un mal chunking (del curso de RAG), texto ruidoso o hacer el embedding del campo equivocado produce un espacio donde ni la búsqueda perfecta devuelve buenos resultados — las distancias se calculan sobre basura. Gran parte del trabajo no es la búsqueda; es preparar texto limpio y bien dividido en fragmentos. Arregla las entradas antes de culpar a la búsqueda.

Model Choice — elige el modelo de embeddings para tus datos

Contratas a un traductor que de verdad conoce el dialecto en el que trabajas — un generalista podría pasar por alto justo las distinciones que más te importan.

La decisión de más peso es el embedding model, y el correcto depende de tus datos y tu tarea. Un modelo general sirve para texto general; un dominio especializado puede necesitar un modelo que lo entienda, o uno ajustado (fine-tuned) con él. Considera el idioma, el dominio, el tamaño del vector y el coste. No tomes simplemente el valor por defecto — elige el modelo que construya un espacio preciso para tu significado, porque toda comparación que harás se apoya en él.

Embedding Evals — mide si el espacio refleja el significado real

Pruebas un mapa nuevo comprobando que los lugares que conoces y están cerca entre sí salen realmente cerca — si no, el mapa está mal.

No des por hecho que una configuración de embeddings funciona — compruébalo. Para un conjunto de casos donde sabes qué debería ser parecido, verifica que la búsqueda realmente devuelva esos entre los más cercanos. Esta es la versión de los evals para embeddings (embedding evals): ¿el espacio pone cerca las cosas correctas, con tus datos reales? Medir esto detecta un mal modelo, un desajuste de dominio o un problema de chunking antes de que degrade en silencio todo lo construido encima. Un espacio de embeddings que no has probado es una suposición; uno que has medido es una herramienta en la que puedes confiar.

Cómo se conectan los conceptos

Una cinta transportadora: entra texto, y salen búsqueda, recomendaciones y grupos. Cada trampa es un lugar donde la cinta puede fallar.

Todo el curso es una sola cadena. Texto limpio entra en el embedding model, que devuelve vectores, que viven en una vector database con un índice ANN. Una consulta encuentra sus vecinos más cercanos por cosine similarity — y sobre esa sola operación se apoyan la semantic search y el RAG, las recomendaciones, el clustering y la classification. Las trampas están en los eslabones: garbage in en la entrada, model mismatch en el modelo, similar ≠ relevant en la búsqueda. Y los embedding evals miden toda la cadena.