¿Qué son los embeddings?

¿Qué son los embeddings?

Las computadoras no entienden significados; entienden números. En inteligencia artificial, un embedding es la forma de convertir un texto en una lista de números que conserva su significado. La documentación de OpenAI lo define como un vector de números con decimales que representa un texto, y explica la regla de oro: distancias pequeñas entre vectores indican alta relación; distancias grandes, poca relación.

Por ejemplo, «¿cuándo vence mi factura?» y «fecha límite de pago» casi no comparten palabras, pero sus embeddings quedan cerca porque significan algo parecido. «Factura de energía eléctrica» y «factura de un restaurante», en cambio, quedan más lejos entre sí, aunque compartan la palabra «factura».

¿Cómo funciona, en simple?

1. Un modelo especializado lee el texto y devuelve una lista de números. Los modelos text-embedding-3-small y text-embedding-3-large de OpenAI producen por defecto 1.536 y 3.072 números, respectivamente.
2. Esos números se guardan en una base de datos vectorial.
3. Cuando llega una consulta, también se convierte en embedding y se buscan los vectores más cercanos. OpenAI recomienda medir la cercanía con la similitud del coseno.

La idea de representar palabras como vectores no es nueva. Un trabajo de referencia es el de Tomas Mikolov y otros autores, de enero de 2013, que propuso formas eficientes de calcular representaciones vectoriales de palabras a partir de grandes volúmenes de texto.

¿Para qué sirven en una empresa?

OpenAI enumera usos que se traducen directo a procesos:

• Búsqueda por significado: encontrar el procedimiento correcto en el manual aunque el empleado no use las palabras exactas.
• Agrupación: juntar reclamos parecidos para detectar un problema recurrente.
• Recomendaciones: sugerir productos relacionados con lo que el cliente busca.
• Detección de anomalías: identificar lo que no se parece a nada habitual.
• Clasificación: asignar cada texto a la categoría más parecida.

Un ejemplo en una empresa ecuatoriana

Imagina una ferretería con miles de productos que recibe por WhatsApp preguntas como «¿tienen algo para sellar una tubería que gotea?». Si su catálogo y sus fichas técnicas están convertidos en embeddings, el sistema encuentra los productos relevantes aunque el cliente no escriba el nombre comercial, y el asistente responde con lo que hay en stock. El mismo índice sirve para que el equipo interno busque en los procedimientos de la empresa.

¿Qué límites tiene?

• Parecido no es exactitud. Los embeddings encuentran lo cercano en significado, no necesariamente lo correcto. Para números de factura o códigos de producto, la búsqueda exacta sigue siendo mejor.
• Hay que regenerarlos. Si cambias de modelo de embeddings, debes recalcular todo el índice, porque los vectores de modelos distintos no se comparan entre sí.
• Contienen información. Un embedding se calcula a partir de datos que pueden ser personales; trátalo con el mismo cuidado que el texto original.

¿Cómo se relaciona con otros términos?

Los embeddings son una técnica del procesamiento de lenguaje natural y la pieza central de RAG (generación aumentada por recuperación): permiten encontrar los fragmentos que un modelo de lenguaje necesita para responder con los documentos de tu empresa, en lugar de responder de memoria.