Embedding (vector de representación)

Un embedding es una forma de convertir algo que una computadora no entiende directamente, como una palabra, un documento, una imagen o un producto, en un vector: una lista de cientos o miles de números. Lo importante es que esos números no son arbitrarios: el modelo los aprende de manera que elementos con significado o uso parecido terminen con vectores cercanos.

Así, «perro» y «gato» quedan cerca entre sí y lejos de «impuesto». Un ejemplo célebre de word2vec, el método de Tomas Mikolov y colegas en Google publicado en 2013, mostró que ciertas relaciones se reflejan como direcciones: el vector de «rey» menos «hombre» más «mujer» queda cerca de «reina». Hoy los embeddings se generan con transformers y captan el contexto: «banco» tendrá una representación distinta en «banco de peces» y en «banco de México».

Son una pieza clave de muchas aplicaciones. La búsqueda semántica compara embeddings para encontrar textos por significado y no sólo por palabras exactas. Las bases de datos vectoriales los almacenan para buscar rápidamente los más parecidos, y en sistemas RAG sirven para recuperar los documentos relevantes antes de que un modelo responda. También se usan en recomendaciones, agrupamiento y detección de duplicados.

Algunas precauciones: la cercanía entre vectores refleja patrones de los datos de entrenamiento, incluidos sus sesgos, y no garantiza equivalencia exacta de significado. Además, embeddings producidos por modelos distintos no son comparables entre sí. Los embeddings viven en un espacio latente de muchas dimensiones.