Embedding

¿Qué es un embedding?

Una IA no lee caracteres chinos ni ve imágenes: solo entiende números. Un embedding convierte un texto, una imagen o un sonido en una lista de números de longitud fija — un vector — que lleva dentro el «significado» de ese contenido.

¿Cómo funciona?

Codificar el significado como coordenadas
Imagina un espacio de muchas dimensiones donde cada palabra o frase tiene una coordenada. A más parecido de significado, más cerca en el espacio: «gato» y «perro» están mucho más cerca entre sí que «gato» y «coche».
Medir la similitud por distancia
Si dos frases o dos imágenes se parecen no depende de las palabras, sino de lo cerca que estén sus vectores.

¿Para qué sirve?

Búsqueda semántica
Pregunta «cómo devuelvo un billete de tren» y el sistema puede mostrar un artículo titulado «Cambios y reembolsos».
Recomendaciones
«Artículos similares» y «también te puede gustar» se calculan con similitud vectorial.
Alineación multimodal
Lo mismo puede mapearse a vectores cercanos ya sea texto o imagen, lo que permite buscar por imagen y por texto.

¿Cómo se obtienen embeddings?

Hay modelos de embedding dedicados: metes contenido y te devuelven un vector. Un buen modelo junta el contenido de significado parecido; uno malo lo emborrona. Por eso elegir bien el modelo de embedding decide lo bueno que será tu buscador y tus recomendaciones.

En resumen: un embedding traduce el significado a una cadena de coordenadas numéricas, para que la IA entienda la similitud como distancia.