Technique Actualizado 2026-04
Embedding
Definición
Un embedding es una representación numérica (vector) de un texto o un dato que captura su significado semántico.
Ver también en el glosario
V
Vector Database
A vector database stores embeddings for semantic search and RAG at scale.
R
RAG (Retrieval-Augmented Generation)
RAG is a technique that connects an LLM to external data sources to generate more accurate and up-to-date answers.
L
LLM (Large Language Model)
An LLM is an AI model trained on billions of texts, capable of understanding and generating human language.
N
NLP (Natural Language Processing)
NLP is the field of AI that enables machines to understand, interpret and generate human language.
Herramientas que usan embedding
P
Pinecone
La base de datos vectorial líder para aplicaciones de IA
4.6/5
P
Perplexity
El motor de respuestas con IA que cita sus fuentes
4.5/5
C
Consensus
El motor de búsqueda con IA para la literatura científica
4.7/5
N
NotebookLM
La IA de Google que convierte tus documentos en un asistente experto
4.5/5
Preguntas frecuentes
¿Para qué sirven los embeddings?
Miden la similitud semántica entre textos. Dos frases con el mismo significado tendrán vectores cercanos. Es la base del RAG.
¿Embedding y token son lo mismo?
No. Un token es un fragmento de texto en bruto. Un embedding es su traducción a un vector numérico en un espacio matemático.
¿Qué es un embedding, en palabras simples?
Un embedding convierte un texto, una imagen u otros datos en una lista de números (un vector) que captura su significado. Los elementos con significado parecido quedan cerca en ese espacio vectorial, de modo que una máquina puede compararlos matemáticamente. Así una IA entiende que «coche» y «automóvil» están relacionados aunque las palabras sean distintas.
¿Qué es exactamente un word embedding?
Un word embedding es un vector que representa el significado de una sola palabra, aprendido a partir de cómo aparece en grandes cantidades de texto. Modelos tempranos como Word2Vec y GloVe producían un vector fijo por palabra. Los sistemas modernos usan embeddings contextuales: una misma palabra recibe un vector diferente según la frase que la rodea.
¿Cuál es un ejemplo de embedding?
La búsqueda semántica es el ejemplo clásico. Se convierte una consulta como «cómo restablecer mi contraseña» y un artículo de ayuda en vectores, y luego se recupera el artículo cuyo vector es el más cercano. El mismo mecanismo impulsa los pipelines de RAG, las recomendaciones de productos y la detección de duplicados. Herramientas como Perplexity y NotebookLM se apoyan en embeddings para encontrar pasajes relevantes antes de responder.
¿Cómo se crea un embedding?
Una red neuronal entrenada con grandes datasets convierte cada entrada en un vector, normalmente de unos pocos cientos a unos pocos miles de números. En la práctica, llamas a un modelo de embedding, como text-embedding-3 de OpenAI, Cohere Embed o un modelo open source de Hugging Face, y este devuelve el vector de cualquier texto que envíes. No hace falta ingeniería de features manual.
¿Dónde se almacenan los embeddings?
Los embeddings suelen guardarse en una base de datos vectorial como Pinecone, Weaviate, Qdrant o pgvector. Estos sistemas indexan millones de vectores y realizan búsquedas rápidas de vecino más cercano para devolver los elementos más similares en milisegundos. Una base vectorial es la capa de almacenamiento estándar detrás de la búsqueda semántica y las aplicaciones RAG.
¿Los embeddings también pueden representar imágenes y audio?
Sí. El mismo principio se aplica a imágenes, audio y video. Modelos multimodales como CLIP colocan imágenes y texto en un espacio vectorial compartido, de modo que una consulta de texto puede recuperar las imágenes correspondientes. Eso es lo que hace posibles las funciones de «búsqueda por descripción» y las herramientas de similitud de imágenes en los productos de IA modernos.
¿Cómo se mide la similitud entre dos embeddings?
La métrica más común es la similitud del coseno, que mide el ángulo entre dos vectores independientemente de su longitud. Una puntuación cercana a 1 indica elementos casi idénticos en significado, mientras que una cercana a 0 indica que no tienen relación. La distancia euclidiana y el producto escalar también se usan, según el modelo y la base vectorial.
