Embeddings
Un embedding es un vector numérico que representa el significado de un fragmento de texto o de una imagen, posicionado de modo que los significados similares queden cerca unos de otros: el mecanismo que hay detrás de la búsqueda semántica y la recuperación.
Un modelo de embeddings convierte el texto en una lista de números —un vector— colocado de modo que los textos semánticamente similares queden cerca entre sí en ese espacio. Esto permite que un sistema encuentre material relevante por significado en lugar de por palabras clave exactas: se embebe la consulta, se embeben los documentos y se devuelven los vectores más cercanos. Los embeddings son el motor que hay debajo de la generación aumentada por recuperación y de la memoria a largo plazo del agente, y la calidad del modelo de embeddings marca en gran medida el techo de la calidad de la recuperación.
Puntos clave
- Un texto o una imagen se convierte en un vector donde los significados similares quedan cerca.
- Permite la búsqueda semántica: emparejar por significado, no por palabras clave exactas.
- Impulsan la generación aumentada por recuperación y la memoria a largo plazo.
- La calidad de los embeddings limita en gran medida lo buena que puede llegar a ser la recuperación.
Apréndelo construyendo
Way of the Agent enseña ingeniería de agentes de IA nivel a nivel — conceptos como este y luego práctica, XP y las AI Chronicles.
Empieza gratis →