Qué es una incrustación: la intuición
En esta página
Objetivos
- Comprender qué es una incrustación y por qué es importante
- Entender la intuición geométrica detrás de los vectores de palabras
- Descubrir los casos de uso principales
El problema: las máquinas no entienden el texto
Los modelos de lenguaje trabajan con números, no con palabras. Antes de que una máquina pueda comparar, buscar o razonar sobre texto, debes convertir ese texto en una representación numérica utilizable. La pregunta clave es: ¿qué representación?
El enfoque ingenuo: bolsa de palabras
El método más sencillo cuenta las apariciones de cada palabra. Es directo, pero ignora por completo el significado. Toma «The cat eats the mouse» y «The mouse eats the cat»: ambas oraciones contienen exactamente las mismas palabras en las mismas proporciones, por lo que producen la misma representación, aunque describan escenas opuestas. El problema inverso también existe: «Automobile» y «Car» se refieren a lo mismo, pero al ser dos cadenas de caracteres distintas, el enfoque de bolsa de palabras las trata como conceptos no relacionados. El orden de las palabras y los sinónimos, dos pilares del lenguaje, se escapan por completo a este método.
Incrustaciones: capturar el significado
Una incrustación es un vector denso, una lista de números en coma flotante, que captura el significado semántico de un texto. Dos textos con significados similares tendrán vectores que se sitúan cerca en el espacio, independientemente de las palabras específicas utilizadas. Así es como generas una:
from openai import OpenAI
client = OpenAI()
# Generar una incrustación
response = client.embeddings.create(
input="La inteligencia artificial está transformando la industria",
model="text-embedding-3-large"
)
vector = response.data[0].embedding
print(f"Dimensión del vector: {len(vector)}") # 3072
print(f"Primeros elementos: {vector[:5]}")
Este vector de 3.072 números codifica el significado de la oración, donde cada dimensión captura un aspecto diferente de la semántica. No necesitas saber qué representa la dimensión 417: lo importante es que la configuración global permanece estable y comparable entre textos.
La intuición geométrica
Imagina un espacio tridimensional donde cada palabra o frase ocupa un punto. «King» y «Queen» acaban uno al lado del otro porque comparten la mayor parte de su significado. «Apple» y «Orange» forman otro vecindario, lejos del primero. «Dog» y «Cat» constituyen otro clúster más. Esta organización espacial es lo que hace posible la comparación: medir la distancia entre dos puntos equivale a medir la similitud entre dos significados.
En realidad, las incrustaciones modernas utilizan miles de dimensiones, 3.072 para text-embedding-3-large, lo que les permite capturar matices mucho más finos que nuestro sencillo modelo mental de tres ejes.
La analogía famosa
Las incrustaciones también capturan relaciones semánticas regulares, hasta el punto de que puedes manipularlas mediante aritmética. El ejemplo clásico es este:
vector("King") - vector("Man") + vector("Woman") ≈ vector("Queen")
Es decir, restar el componente «masculino» y sumar el componente «femenino» desplaza el punto de «King» hacia «Queen». Esta propiedad demuestra que conceptos abstractos como el género, la realeza o el tamaño están codificados de forma estructurada, no dispersos al azar.
¿Para qué se utilizan las incrustaciones?
El primer caso de uso es la búsqueda semántica: en lugar de buscar palabras clave exactas, comparas el significado de la consulta con el significado de los documentos. Un visitante que escriba «¿Cómo alimento a mi cachorro?» encontrará un artículo titulado «Alimentación del perro joven», aunque las dos frases no compartan ninguna palabra común.
El segundo es la clasificación: como los textos sobre el mismo tema se agrupan naturalmente en el espacio, puedes ordenar automáticamente tickets de soporte, correos electrónicos o artículos sin escribir una sola regla manual. La recomendación se basa en el mismo mecanismo visto desde el otro extremo: para sugerir contenido a un usuario, buscas los vectores más cercanos a lo que ya ha visto.
Por último, está RAG (Generación Aumentada por Recuperación), que enriquece la respuesta de un LLM con documentos relevantes encontrados mediante similitud semántica. Este es el caso de uso estrella de este curso y combina todos los demás: indexación, comparación y clasificación.
Qué ha cambiado en 2025–2026
La API de Incrustaciones de OpenAI ofrece ahora dos modelos principales:
| Modelo | Dimensiones | Uso recomendado |
|---|---|---|
text-embedding-3-large | 3.072 | Alta precisión, RAG, búsqueda |
text-embedding-3-small | 1.536 | Menor coste, clasificación, recomendación |
Estos modelos admiten la reducción de dimensionalidad: puedes solicitar un vector más corto, por ejemplo de 256 dimensiones, para ahorrar almacenamiento con una pérdida de calidad controlada. Un corpus de un millón de fragmentos pasa así de varias decenas de gigabytes a solo unos pocos, cambiando fundamentalmente los requisitos de infraestructura.
Resumen
- Una incrustación convierte texto en un vector numérico denso
- Los textos semánticamente similares tienen vectores cercanos entre sí
- Los casos de uso principales incluyen búsqueda, clasificación, recomendación y RAG
- OpenAI ofrece
text-embedding-3-large(3.072 dim) ytext-embedding-3-small(1.536 dim)