Glosario de IA Models & Architecture
¿Qué es un vector en IA?
← Todos los términos del glosarioLista de números que representa un dato, como una frase o una imagen, de forma que el contenido parecido acaba con números parecidos.
Explicación
En IA, un vector es una lista ordenada de números que describe algo de forma que una máquina pueda compararlo. Un modelo de embeddings convierte texto, imágenes u otros datos en vectores, normalmente de cientos o miles de dimensiones, colocados de modo que lo que significa algo parecido queda cerca. Medir la distancia entre vectores se convierte así en una forma de medir lo parecidos que son dos contenidos. Esto hace posible la búsqueda semántica y es el centro de la recuperación en los sistemas RAG, donde la pregunta y los documentos se comparan como vectores.
Cómo se convierte un contenido en vector
Un modelo de embeddings lee la entrada y devuelve un vector de longitud fija. Cada número por separado no significa nada; lo que importa es la posición del vector respecto a los demás. Dos frases que dicen lo mismo con otras palabras reciben vectores cercanos, y dos frases sin relación, vectores lejanos.
La misma idea sirve para imágenes, audio y código, y los modelos multimodales pueden colocar distintos tipos de contenido en el mismo espacio vectorial.
Para qué se usan los vectores
- Búsqueda semántica: encontrar documentos por su significado, no solo por coincidencia de palabras.
- RAG: recuperar los fragmentos más cercanos a una pregunta y pasárselos a un modelo de lenguaje.
- Recomendaciones: sugerir elementos cuyos vectores están cerca de lo que le ha gustado a un usuario.
- Agrupación y deduplicación: reunir elementos parecidos o detectar casi duplicados.
- Detección de anomalías: señalar elementos cuyos vectores quedan lejos del patrón habitual.
Vector, embedding y base de datos vectorial
Son términos relacionados, pero no iguales. Un vector es el objeto matemático, una lista de números. Un embedding es un vector que produce un modelo para representar significado. Una base de datos vectorial guarda grandes cantidades de estos vectores y encuentra rápido los más cercanos a una consulta, con índices de vecinos más próximos aproximados.
En el día a día de la IA, «vector» y «embedding» se usan a menudo como sinónimos.
Preguntas frecuentes
¿Qué diferencia hay entre un vector y un embedding?
Un vector es cualquier lista ordenada de números. Un embedding es un tipo concreto de vector, producido por un modelo para que su posición refleje el significado del contenido. Todos los embeddings son vectores, pero no todos los vectores son embeddings.
¿Cómo se mide la similitud entre vectores?
Las medidas más comunes son la similitud del coseno, que compara el ángulo entre dos vectores, y la distancia euclídea, que compara lo lejos que están. Muchos sistemas usan también el producto escalar. La elección suele seguir aquello para lo que se entrenó el modelo de embeddings.
¿Qué son las dimensiones de un vector?
Las dimensiones son el número de valores de cada vector. Más dimensiones pueden captar matices más finos de significado, pero ocupan más espacio y cálculo. Los modelos de embeddings ofrecen tamaños distintos y algunos te dejan elegir.
¿Qué es la búsqueda vectorial?
La búsqueda vectorial encuentra los vectores guardados más cercanos al vector de una consulta, es decir, el contenido más parecido en significado. Es el método de recuperación de la mayoría de los sistemas de búsqueda semántica y RAG, a menudo combinado con la búsqueda por palabras clave.
¿Necesito una base de datos vectorial para usar vectores?
No para colecciones pequeñas, que se pueden buscar en memoria o con una extensión vectorial en una base de datos que ya tengas. Una base de datos vectorial dedicada compensa con grandes volúmenes, actualizaciones frecuentes, filtros por metadatos o requisitos de latencia estrictos.
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Anthropic · Embeddings, documentación de Claude (en inglés)
- Anthropic · Introducing contextual retrieval (en inglés)
- Mikolov et al. · Efficient Estimation of Word Representations in Vector Space (arXiv) (en inglés)
- OpenAI · Vector embeddings guide (en inglés)
Actualizado: 2026-10-21