Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Almacenamiento y recuperación

Embeddings, búsqueda vectorial y las demás piezas que permiten a un modelo encontrar los datos correctos.

Base de conocimiento (IA)
En las aplicaciones de IA, una base de conocimiento (knowledge base) es la colección de documentos y datos en la que busca un asistente o un agente para responder preguntas, como artículos de ayuda, políticas o documentación de producto, separada del propio modelo.
Base de datos vectorial
Una base de datos vectorial (vector database) guarda embeddings junto a sus registros de origen y encuentra los vectores guardados más cercanos a un vector de consulta, normalmente con un índice aproximado para que la búsqueda siga siendo rápida con millones de elementos.
BM25
BM25 es una fórmula de ordenación para la búsqueda por palabras clave. Puntúa cada documento según con qué frecuencia aparecen en él las palabras de la consulta, dando más peso a las palabras raras y menos mérito a los documentos largos y a los términos repetidos.
Búsqueda de vecinos más cercanos aproximada
La búsqueda de vecinos más cercanos aproximada (ANN, approximate nearest neighbor) encuentra vectores cercanos a una consulta sin revisar todos los vectores guardados. Renuncia a garantizar la mejor coincidencia exacta a cambio de una búsqueda mucho más rápida en colecciones grandes.
Búsqueda híbrida
La búsqueda híbrida (hybrid search) ejecuta una búsqueda por palabras clave y una búsqueda vectorial con la misma consulta y fusiona las dos listas ordenadas, para que los resultados coincidan tanto en las palabras exactas como en el significado.
Búsqueda vectorial
La búsqueda vectorial (vector search) encuentra elementos comparando sus embeddings con el embedding de una consulta y devolviendo los más cercanos, de modo que los resultados coinciden por significado y no por palabras clave compartidas.
Cross-encoder
Un cross-encoder (codificador cruzado) es un modelo que lee una consulta y un documento juntos en una sola pasada y devuelve una puntuación de relevancia. Es más preciso que comparar embeddings separados, pero demasiado lento para aplicarlo a toda una colección.
Dimensión del embedding
La dimensión del embedding (embedding dimension) es el número de valores de cada vector que produce un modelo de embeddings. Más dimensiones pueden contener más detalle, pero cada valor extra añade coste de almacenamiento, memoria y búsqueda por elemento.
Embedding
Un embedding (vector de representación) es una lista de números (un vector) que representa un fragmento de texto, una imagen u otros datos, generada de forma que los elementos con significado parecido acaban con vectores cercanos entre sí.
Embeddings Matryoshka
Los embeddings Matryoshka son vectores entrenados para que sus primeros valores contengan la mayor parte de la información. Puedes recortarlos a una longitud menor y seguir obteniendo resultados de búsqueda útiles, lo que ahorra almacenamiento y acelera la búsqueda.
Filtrado por metadatos
El filtrado por metadatos (metadata filtering) limita una búsqueda a los elementos cuyos atributos guardados, como fecha, autor, idioma o grupo de acceso, cumplen unas condiciones dadas, junto con su clasificación por similitud vectorial o antes de ella.
Generación aumentada por recuperación
La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.
Grafo de conocimiento
Un grafo de conocimiento (knowledge graph) guarda la información como entidades (personas, productos, lugares, conceptos) conectadas por relaciones con nombre, para que el software pueda seguir los enlaces entre datos en lugar de buscar en texto suelto.
GraphRAG
GraphRAG es un enfoque de recuperación en el que un LLM construye primero un grafo de conocimiento a partir de una colección de documentos y escribe resúmenes de grupos de entidades relacionadas, y después responde preguntas usando esos resúmenes y los enlaces del grafo.
HNSW
HNSW (hierarchical navigable small world) es un índice basado en grafos para la búsqueda de vecinos más cercanos aproximada. Enlaza los vectores con sus vecinos a lo largo de varias capas, para que una búsqueda pueda saltar rápidamente hacia las coincidencias más cercanas.
Late interaction (ColBERT)
La late interaction (interacción tardía) es un método de recuperación, presentado por ColBERT, que codifica la consulta y cada documento por separado en un vector por token, y después puntúa una coincidencia comparando esos vectores de tokens en un paso final barato.
Métricas de recuperación (recall@k, nDCG, MRR)
Las métricas de recuperación puntúan lo bien que un sistema de búsqueda devuelve documentos relevantes. Recall@k comprueba cuántos elementos relevantes aparecen entre los k primeros, nDCG premia que estén bien arriba y MRR mide lo pronto que aparece el primero correcto.
RAG agéntico
El RAG agéntico es una generación aumentada por recuperación dirigida por un agente de IA que decide cuándo buscar, qué buscar y qué fuente usar, y puede volver a buscar si los primeros resultados se quedan cortos.
Recuperación dispersa
La recuperación dispersa (sparse retrieval) representa consultas y documentos como vectores sobre un vocabulario en el que la mayoría de las entradas son cero y cada entrada distinta de cero es el peso de una palabra, de modo que la búsqueda puede usar índices invertidos rápidos como la búsqueda por palabras clave.
Reescritura de consultas
La reescritura de consultas (query rewriting) cambia la pregunta de un usuario antes de la búsqueda, por ejemplo aclarándola, dividiéndola o añadiendo términos relacionados, para que el recuperador tenga más probabilidades de encontrar los pasajes que la responden.
Reranking
El reranking (reordenación) es un segundo paso de búsqueda que toma una lista corta de documentos candidatos y los reordena según su relevancia para la consulta, usando un modelo más preciso pero más lento que el de la primera búsqueda.
Similitud del coseno
La similitud del coseno (cosine similarity) mide cuánto se parecen dos vectores según el ángulo que forman. Va de -1 a 1, ignora la longitud de los vectores y es la forma más habitual de comparar embeddings en búsqueda.