Cuando alguien dice «nuestra búsqueda utiliza embeddings», se refiere a lo siguiente: los términos se convierten en números, de modo que los significados similares quedan próximos entre sí. ¿Suena abstracto? No lo es. Se explica en 5 minutos, sin matemáticas.
El problema clásico
Imagine que un cliente busca «V2A» y su búsqueda debe encontrar productos con «acero inoxidable A2». Son dos palabras completamente distintas. Una búsqueda clásica, que compara palabras, no tiene ninguna posibilidad: para ella, «V2A» y «acero inoxidable A2» son tan diferentes como «plátano» y «destornillador».
Las listas manuales de sinónimos ayudan, pero tendría que mantener cada variante posible: «V2A», «1.4301», «inoxidable», «no oxidable», «austenítico», «inox». Con 280.000 productos y 50 clases de materiales, eso resulta inabordable.
La idea detrás de los embeddings
En lugar de comparar palabras, una IA convierte cada palabra en una coordenada dentro de un espacio de muchas dimensiones. Puede imaginárselo como un mapa, solo que con muchas más dimensiones que dos.
Ese mapa está construido de tal forma que los significados similares quedan próximos entre sí:
«V2A», «acero inoxidable A2», «1.4301»: tres puntos casi superpuestos
«Tuerca ciega», «tuerca con capuchón»: también muy cerca una de otra
«Plátano» y «destornillador»: muy alejados entre sí
Cuando alguien busca «V2A», la búsqueda no se fija en la palabra, sino en todos los productos cuya coordenada se encuentra cerca. Así encuentra «acero inoxidable A2», aunque la palabra «V2A» no aparezca por ninguna parte.
Dónde ocurre realmente la magia
Los embeddings no se construyen a mano. Una IA los aprende a partir de grandes volúmenes de texto: descripciones de productos, fichas técnicas, foros, Wikipedia. Observa que «V2A» y «acero inoxidable A2» aparecen a menudo en el mismo contexto («inoxidable», «apto para alimentos», «tornillos»). Por eso reciben coordenadas similares.
En Eywora se añade además que los embeddings se reentrenan de forma específica para cada sector. «M12» significa algo distinto en una tienda de herramientas que en una de recambios para vehículos. Entrenamos también con su surtido, para que sus significados se reflejen correctamente.
Lo que los embeddings no pueden hacer
Tres puntos que conviene decir con honestidad:
No son una máquina milagrosa. Si un producto no está en su surtido, tampoco una búsqueda semántica encontrará nada.
No sustituyen todas las técnicas clásicas. La tolerancia a errores tipográficos, la coincidencia exacta de SKU y la lógica de filtros siguen funcionando de forma clásica; los embeddings las complementan, no las reemplazan.
Necesitan datos. En surtidos muy pequeños (<5.000 artículos), el esfuerzo de entrenamiento supera el beneficio.
Cómo funciona concretamente en segundo plano
Simplificado en tres pasos:
Indexación: cada uno de sus productos (título, descripción, atributos) se convierte una sola vez en un vector de embedding y se almacena.
Búsqueda: cuando alguien busca, la consulta también se convierte en un vector, en tiempo real, en menos de 47 ms.
Similitud: el sistema busca en el índice los productos cuyos vectores están más cerca de la consulta. Esos son los mejores resultados.
Toda la magia está en el paso 1 (entrenar buenos embeddings) y en el paso 3 (encontrar vecinos de forma rápida y correcta). Una de las herramientas para ello son las Vector Databases.
1IndexaciónCada producto se convierte en vector.→2BúsquedaLa consulta se convierte en vector en directo.→3SimilitudVecinos más cercanos = mejores resultados.Tres pasos, menos de 47 ms por consulta.
Por qué le conviene saberlo
No tiene que implementar los embeddings usted mismo. Pero si, como responsable de una tienda, evalúa una IA de búsqueda, no está de más entender el concepto:
Cuando un proveedor dice «búsqueda semántica», casi siempre se refiere a embeddings.
Cuando la demostración muestra «V2A encuentra acero inoxidable A2»: esa es la promesa de los embeddings en acción.
Cuando la demostración muestra «la búsqueda aprende de los clics»: esa es la combinación de embeddings + re-ranking.
Encontrará más información sobre el efecto concreto en el módulo Eywora Search en la página de detalle de Search.