Búsqueda vectorial (búsqueda semántica)

Cada documento, pasaje o producto se convierte en una incrustación y se almacena en un índice. En el momento de la consulta, la pregunta se incrusta con el mismo modelo, y el índice devuelve los vectores más cercanos, generalmente medidos por similitud de coseno. Un cliente que pregunta “algo cálido para esquiar” puede encontrar una chaqueta descrita como “chaqueta de invierno aislante y a prueba de agua” aunque ninguna palabra coincida.

Comparar una consulta con millones de vectores uno por uno sería lento, por lo que los índices utilizan algoritmos de vecinos más cercanos aproximados. HNSW, un gráfico en capas descrito por Malkov y Yashunin en 2016, es uno de los más utilizados; sacrifica una pequeña pérdida de precisión por una búsqueda muy rápida. Extensiones de código abierto como pgvector llevan estos índices a PostgreSQL.

La búsqueda por palabras clave (BM25, texto completo, coincidencia de trigramas) es precisa en términos exactos: una referencia de producto, una marca, un código de error. No funciona con sinónimos y paráfrasis. La búsqueda vectorial es lo contrario: fuerte en significado, débil en cadenas exactas e identificadores raros.

Por eso la mayoría de los sistemas de producción utilizan búsqueda híbrida: ejecutan ambas, luego fusionan o reordenan los resultados. La investigación en recuperación densa, como el trabajo de Karpukhin y colegas de 2020 sobre respuesta a preguntas, mostró cuánto mejora la recuperación semántica la recuperación, y los profesionales han aprendido desde entonces cuánto todavía se beneficia de un socio de palabras clave.

La búsqueda vectorial siempre devuelve algo, incluso cuando no existen resultados relevantes, por lo que un sistema necesita un umbral de relevancia o una verificación antes de usar los resultados. No entiende números ni restricciones: “menos de 50 euros, en stock, talla M” necesita filtros reales sobre datos estructurados. Y la calidad depende de cómo se dividió el contenido: pasajes que son demasiado largos difuminan el significado, pasajes que son demasiado cortos pierden el contexto.

AI SmartTalk almacena embeddings en PostgreSQL con pgvector, con un índice HNSW en documentos de productos, y combina la similitud vectorial con búsqueda de trigramas y búsqueda de texto completo. Para productos, la herramienta de búsqueda del asistente añade filtros estructurados sobre precio, stock, marca, categoría y atributos de variante, de modo que una pregunta semántica y una restricción precisa puedan ser respondidas juntas.