Vector Search

Un vector es una lista de números que codifica el contenido semántico de un texto, imagen o audio. Cuando un contenido se convierte en un vector (a menudo llamado embedding), puede almacenarse en un índice de alta dimensionalidad. Una consulta también se convierte en un vector, y el sistema calcula puntuaciones de similitud —normalmente similitud de coseno o distancia euclidiana— entre el vector de la consulta y los vectores almacenados. Los elementos con la puntuación más alta se devuelven como resultados de búsqueda. Este proceso se ejecuta en milisegundos porque el índice está diseñado para una búsqueda rápida de nearest-neighbor, no para escanear cada documento.

1. Identifica el contenido que quieres que sea rastreable (títulos de productos, FAQs, tickets de soporte, etc.). 2. Elige un modelo de embedding que se adapte a tu idioma y dominio; OpenAI’s text‑embedding‑ada‑002 es un estándar común. 3. Genera embeddings para cada pieza de contenido y almacénalos en una base de datos vectorial como Pinecone, Weaviate o un servicio gestionado. 4. Configura un endpoint de API que acepte una consulta de usuario, cree su embedding, ejecute una búsqueda de nearest‑neighbor y devuelva los N mejores resultados. 5. Prueba la experiencia con consultas reales y ajusta el número de resultados o el umbral de similitud hasta que la relevancia sea la adecuada.

El rendimiento suele medirse con dos métricas: Recall (cuántos elementos relevantes hay en los top‑k resultados) y Latency (tiempo desde la consulta hasta el resultado). También puedes monitorizar la Similarity score distribution para ver si el punto de corte es demasiado estricto o demasiado permisivo. En Google Search Console no verás datos específicos de vectores, pero puedes comparar las tasas de clic (CTR) antes y después de implementar Vector Search para evaluar el impacto.

• Usar un modelo de embedding genérico para jerga altamente técnica sin realizar un fine‑tuning, lo que resulta en una baja relevancia.
• Almacenar texto sin procesar junto con los vectores y depender únicamente de filtros de palabras clave; esto anula el propósito del matching semántico.
• Establecer el umbral de similitud demasiado alto, lo que provoca que el sistema no devuelva resultados para muchas consultas.
• No volver a generar los embeddings del contenido cuando este cambia, lo que hace que el índice se desactualice.

Vector Search funciona mejor cuando el corpus es lo suficientemente grande como para beneficiarse de la agrupación semántica; los catálogos muy pequeños pueden notar poca mejora en comparación con una búsqueda simple por palabras clave. No es un sustituto para la coincidencia exacta de identificadores como los números de SKU. Además, los vectores no capturan la intención temporal: si un usuario pregunta por "las últimas noticias", todavía necesitarás un filtro de fecha fuera del paso de similitud de vectores. Por último, no se deben enviar datos sensibles de privacidad a servicios de embedding de terceros sin las debidas salvaguardas.

"Escribí ‘zapatillas de running ligeras’ en la barra de búsqueda de nuestro sitio. El sistema convirtió la frase en un embedding, la comparó con 10,000 embeddings de productos y devolvió los tres elementos principales: una zapatilla de malla, una zapatilla transpirable y una zapatilla de trail minimalista. El usuario hizo clic en la zapatilla de malla en cuestión de segundos, confirmando la relevancia de la coincidencia de vectores".

El mismo término en las palabras que alguien usa al hablar con un asistente en lugar de escribir en un buscador: escrito desde la situación, y por eso cada pregunta lleva la situación de la que salió.

• OpenAI Embeddings guide
• Wikidata — Q17126276