CertifyDeck¿Qué es Embeddings e índice vectorial?
Representación numérica del significado de un texto o imagen y estructura de búsqueda que encuentra los elementos más parecidos por proximidad.
Qué es
Un embedding es un vector de cientos o miles de números que un modelo (por ejemplo text-embedding-3-large) genera a partir de un texto, de modo que textos con significado parecido quedan cerca en ese espacio. Un índice vectorial (en Azure AI Search, con algoritmos como HNSW) almacena esos vectores y responde a una consulta devolviendo los vecinos más cercanos por similitud de coseno. La búsqueda híbrida combina vectores con búsqueda de texto completo y un clasificador semántico reordena los resultados.
Cómo aparece en el examen
En el examen se pide elegir el tipo de búsqueda para cada caso: vectorial cuando el usuario pregunta con palabras distintas de las del documento, de texto completo cuando busca códigos o nombres exactos, híbrida en la mayoría de escenarios de RAG. También se pregunta por las dimensiones del vector, que deben coincidir entre el modelo usado al indexar y al consultar, y por el coste de reindexar si se cambia de modelo.
Lo que más se falla
Lo que más se falla: los embeddings de dos modelos distintos no son comparables; el troceado de documentos afecta más a la calidad que el algoritmo del índice; y la búsqueda vectorial pura falla con términos exactos, por lo que la respuesta correcta en el examen suele ser híbrida con clasificación semántica.
En qué certificaciones aparece
Términos relacionados
Practica el concepto con preguntas de examen
Cada pregunta de CertifyDeck explica por qué la respuesta correcta lo es y por qué las demás no. Empieza gratis, sin registro.
Ver simulador de AI-103 →