Glosario de IA Models & Architecture
¿Qué es un embedding en IA?
← Todos los términos del glosarioLista de números (un vector) que representa el significado de un texto, una imagen o un audio, de modo que los significados parecidos quedan cerca.
Explicación
Un embedding es un vector numérico denso que genera un modelo para representar el significado de una palabra, una frase, un documento, una imagen o un sonido. El modelo se entrena para que los elementos con significado parecido queden cerca en ese espacio vectorial, aunque no compartan palabras. Comparar vectores, normalmente con la similitud del coseno, permite encontrar contenido relacionado, agruparlo o detectar duplicados. Los embeddings son la base de la búsqueda semántica y del paso de recuperación en los sistemas RAG.
Cómo funcionan
Un modelo de embeddings lee una entrada y devuelve un vector de longitud fija, a menudo con cientos o miles de dimensiones. Ninguna dimensión significa nada por sí sola: lo que cuenta es la posición del vector respecto a los demás.
Para buscar, conviertes tus documentos en vectores una vez y los guardas, normalmente en una base de datos vectorial. Cuando llega una consulta, la conviertes con el mismo modelo y buscas los vectores más cercanos. Los documentos más próximos son los más parecidos en significado.
Para qué se usan
- Búsqueda semántica en documentos, tickets o productos.
- El paso de recuperación del RAG, que pasa a un LLM los fragmentos relevantes.
- Recomendaciones: elementos cercanos a lo que el usuario ya ha visto.
- Agrupar textos y descubrir temas en colecciones grandes.
- Detectar duplicados y casi duplicados.
- Clasificar con pocos ejemplos etiquetados.
Decisiones que afectan a la calidad
- El modelo de embeddings: general o de dominio, multilingüe o no.
- Cómo partes los documentos en fragmentos antes de vectorizarlos.
- Las dimensiones y el coste de almacenamiento, que crecen con el tamaño de la colección.
- Usar el mismo modelo para documentos y consultas: los vectores de modelos distintos no se pueden comparar.
- Volver a vectorizar la colección si cambias de modelo.
Preguntas frecuentes
¿Qué es un embedding, explicado fácil?
Es una forma de convertir un texto, una imagen o un sonido en una lista de números que recoge lo que significa. Dos frases que dicen lo mismo con palabras distintas reciben listas parecidas, así que el ordenador sabe que están relacionadas.
¿Qué diferencia hay entre un embedding y un vector?
Un vector es solo una lista ordenada de números. Un embedding es un vector generado por un modelo entrenado para que su posición codifique significado. Todo embedding es un vector, pero no todo vector es un embedding.
¿Un embedding es lo mismo que un LLM?
No. Un LLM genera texto; un modelo de embeddings convierte la entrada en un vector y no genera nada. Suelen trabajar juntos: los embeddings encuentran los documentos relevantes y el LLM redacta la respuesta a partir de ellos.
¿Dónde se guardan los embeddings?
Normalmente en una base de datos vectorial, o en un buscador o base de datos con soporte para vectores. Estos sistemas indexan los vectores para encontrar rápido los más cercanos y permiten filtrar por metadatos como fecha, autor o permisos.
¿Los embeddings funcionan entre idiomas?
Los modelos de embeddings multilingües colocan cerca frases con el mismo significado aunque estén en idiomas distintos. Así, una pregunta en español puede encontrar un documento escrito en inglés. La calidad cambia según el modelo y el idioma, así que conviene probarlo con tu propio contenido.
Guías de decisión que usan este término
Cómo llevarlo a la práctica
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Mikolov et al. · Efficient estimation of word representations in vector space (arXiv, en inglés)
- Reimers y Gurevych · Sentence-BERT: sentence embeddings using Siamese BERT-networks (arXiv, en inglés)
- OpenAI · Vector embeddings (API documentation) (en inglés)
Actualizado: 2026-10-21