Un embedding es una lista de números que representa el significado de un texto. La calcula un modelo, y los textos con sentido parecido quedan cerca entre sí aunque usen otras palabras: «carro» y «auto» terminan juntos. Por eso sirven para buscar por significado y son la base de RAG.
Una pregunta de la app. Elige una respuesta.
Buscas «celular roto» en una ayuda y sale «se me partió la pantalla». ¿Cómo?
No comparten ni una palabra. Las unió por lo que significan, no por cómo se escriben.
Un modelo de embeddings no escribe: convierte cada texto en números, y los de sentido parecido quedan cerca. El buscador trae los más cercanos.
No es suerte: mide qué tan parecido es el sentido de cada texto a tu búsqueda y ordena por eso.
Le das un texto a un modelo de embeddings, que no escribe respuestas: devuelve cientos o miles de números. Ninguno se lee por separado; lo que importa es dónde queda esa lista comparada con otras. Piénsalo como un mapa con muchísimas direcciones, donde cada texto es un punto.
Para saber si dos textos se parecen, se mide qué tan cerca quedan sus puntos. Cerca quiere decir sentido parecido, aunque no compartan ni una palabra. Lejos quiere decir que hablan de otra cosa. Esa medida es todo el truco.
Búsqueda por significado: la sección de ayuda de una tienda encuentra la respuesta aunque la pregunta esté escrita a tu manera. También sirven para agrupar opiniones parecidas, detectar preguntas repetidas o recomendar artículos similares.
Y son el primer paso de RAG: tus documentos se cortan en fragmentos, cada uno se convierte en embedding y, cuando llega una pregunta, se buscan los fragmentos más cercanos para pasárselos al modelo.
En español, la misma cosa cambia de nombre según el país: carro, auto o coche; pileta, piscina o alberca; celular o móvil. Un buscador por palabras exactas se pierde con eso. Uno con embeddings suele encontrarlo igual, y con un modelo multilingüe una pregunta en español puede encontrar un documento en inglés.
«El embedding entiende el texto.» Captura de qué habla, no si es verdad, y puede dejar cerca frases opuestas como «me gusta» y «no me gusta», porque hablan de lo mismo. «Los de un modelo sirven con otro.» No: si cambias de modelo, recalculas todo. «Es lo mismo que un token.» El token es un pedazo de texto; el embedding, los números que representan su sentido.