Embedding
Un embedding es la representación de un texto como una lista de números que codifica su significado. Dos textos que quieren decir lo mismo con palabras distintas producen listas parecidas, y esa cercanía numérica es lo que permite buscar por significado en vez de por coincidencia exacta.
¿Qué es embedding?
Un embedding es la representación de un texto como una lista de números que codifica su significado. Dos textos que quieren decir lo mismo con palabras distintas producen listas parecidas, y esa cercanía numérica es lo que permite buscar por significado en vez de por coincidencia exacta.
También: vector · representación vectorial
Por qué importa
Qué cambia en un SaaS
Es la pieza que hace que un buscador encuentre el artículo correcto aunque el cliente use otras palabras. Sin embeddings, un centro de ayuda solo encuentra lo que se escribe con las mismas palabras que están en el título, que es casi nunca.
Embedding en detalle
La intuición
Imagina cada texto como un punto en un espacio. Los textos con significados parecidos caen cerca. Buscar consiste en convertir la pregunta en un punto y mirar qué documentos tiene alrededor. Las dimensiones reales son cientos, pero la idea es esa.
Cómo se mide la cercanía
Con la similitud del coseno, que compara la dirección de los vectores y no su longitud. Es la medida habitual porque lo que interesa es el parecido de significado, no lo largo que sea el texto.
El tamaño del fragmento importa
Fragmentos muy largos diluyen el significado y recuperan cosas vagamente relacionadas; muy cortos pierden el contexto y recuperan frases sueltas. Ajustar ese tamaño suele mejorar más las respuestas que cambiar de modelo.
Se recalculan al cambiar el contenido
Si actualizas un artículo, su embedding tiene que rehacerse o la búsqueda seguirá encontrando la versión antigua. Es la causa habitual de que un sistema siga respondiendo con información que ya se corrigió.
Preguntas sobre embedding
¿Para qué sirven los embeddings en soporte?
Para encontrar el artículo que responde a una pregunta aunque esté escrito con otras palabras. Son la base de la búsqueda por significado de cualquier centro de ayuda moderno.
¿Hay que recalcular los embeddings al actualizar la documentación?
Sí. Si no, la búsqueda sigue encontrando la versión anterior del texto, y el sistema responde con información que ya se corrigió.
Términos relacionados
Un término suelto se entiende a medias. Estos son los que aparecen en la misma conversación.
RAG — Generación aumentada por recuperación
La generación aumentada por recuperación, o RAG, es la técnica de buscar información relevante en una fuente propia y pasársela al modelo de lenguaje para que redacte la respuesta con ella. El modelo no memoriza el contenido: lo consulta en el momento de responder.
LLM — Modelo de lenguaje
Un modelo de lenguaje es un sistema entrenado con enormes cantidades de texto que, dado un fragmento, predice cómo continúa. De esa capacidad tan simple salen la redacción, el resumen, la traducción y la conversación: todas son formas de continuar un texto de manera plausible.
Base de conocimiento
Una base de conocimiento es el conjunto organizado de artículos que documentan cómo funciona un producto y cómo resolver lo que se pregunta con frecuencia. Sirve a dos públicos a la vez: a los clientes, que buscan la respuesta ellos mismos, y al equipo, que la usa como fuente para responder.
Centro de ayuda
Un centro de ayuda es el sitio público donde una empresa publica su documentación de soporte para que los clientes la consulten por su cuenta. Combina los artículos con un buscador, una navegación por categorías y, normalmente, la vía para contactar cuando la respuesta no está.
Alucinación
Una alucinación es una respuesta de un modelo de lenguaje que suena correcta y no lo es: un dato inventado, una función que no existe, una cifra plausible que nadie ha comprobado. No es un fallo del sistema, es consecuencia directa de cómo funciona un modelo, que produce la continuación más probable y no la verificada.
Llamada a herramientas
La llamada a herramientas es el mecanismo por el que un modelo de lenguaje puede ejecutar funciones definidas por ti en vez de limitarse a escribir. Se le describen las herramientas disponibles, el modelo decide cuál usar y con qué parámetros, y recibe el resultado para incorporarlo a su respuesta.
