Embeddings

Un modelo no manipula palabras: manipula números. Un embedding es la traducción de un texto —un token, una frase o un documento entero— a un vector: una lista de cientos o miles de números que capturan su significado.

La propiedad clave es esta: textos con significado parecido producen vectores parecidos. gato y felino quedan cerca; gato y factura, lejos. Esa cercanía numérica es lo que permite buscar y comparar por sentido, no por coincidencia de palabras.

Cómo se generan

Los produce un modelo de embeddings (distinto del modelo que genera texto, aunque comparten la misma familia de arquitectura). Le pasas texto, te devuelve su vector:

embed("cómo cancelo mi plan")  → [0.021, -0.44, 0.88, ... ]   (p. ej. 1536 números)
embed("dar de baja la suscripción") → [0.019, -0.41, 0.85, ... ]  ← muy cerca del anterior

Aunque no comparten ni una palabra, sus vectores caen casi en el mismo punto: significan lo mismo.

Para qué sirven (y por qué te importan como dev)

Los embeddings son la base de casi toda “IA que busca por significado”:

• Búsqueda semántica: encontrar por sentido en vez de por palabras exactas.
• RAG: recuperar los fragmentos relevantes de tu documentación y dárselos al modelo como contexto, para que responda sobre datos que no vio en su entrenamiento.
• Clasificación, deduplicación y recomendación: agrupar por cercanía.

Todo esto vive en el tramo de Recuperación de conocimiento; los embeddings son el ladrillo con el que se construye.

Errores comunes

• Creer que el embedding “entiende” como un humano: captura correlaciones estadísticas de significado, no comprensión.
• Mezclar modelos distintos: vectores de dos modelos de embedding diferentes no son comparables; cada modelo dibuja su propio mapa. Reindexa si cambias de modelo.

Temas relacionados

Un embedding es un vector; ahí se explica el espacio donde viven y cómo se mide la distancia. Su uso práctico está en búsqueda semántica y RAG.