Base de datos vectorial

Una base de datos vectorial almacena información en forma de vectores: listas de cientos o miles de números que representan el significado de un texto, una imagen o un audio. Esos vectores son los embeddings que produce un modelo de IA. La gracia es que contenidos con significado parecido quedan «cerca» en ese espacio matemático.

A diferencia de una base de datos tradicional, que busca coincidencias exactas («cliente = 1234»), una vectorial responde a la pregunta «¿qué elementos se parecen más a esto?». Para hacerlo rápido entre millones de registros, usa algoritmos de búsqueda aproximada de vecinos más cercanos (como los índices basados en grafos), que sacrifican un poco de exactitud a cambio de mucha velocidad.

Es una pieza central de la búsqueda semántica, los sistemas de recomendación y, sobre todo, de RAG: los documentos de una empresa se fragmentan, se convierten en vectores y se guardan; cuando alguien pregunta, se buscan los fragmentos más cercanos para dárselos al modelo.

Hay productos dedicados y también extensiones que añaden búsqueda vectorial a bases de datos conocidas. Un matiz práctico: no siempre necesitas una base vectorial especializada; para colecciones pequeñas basta con una extensión o incluso una búsqueda en memoria. Y la calidad depende más de buenos embeddings y buena fragmentación que de la base en sí.