Embeddings

Un embedding es la traducción de un texto (una palabra, una frase, un documento entero) a una lista de cientos o miles de números, calculada por un modelo de IA de modo que textos con significado parecido queden con números parecidos. "Factura impaga" y "comprobante pendiente de cobro" no comparten ninguna palabra, pero sus embeddings quedan cerca. Un buscador tradicional no encontraría una con la otra; uno basado en embeddings sí.

Esa propiedad es la base de la búsqueda semántica y de RAG: se calculan los embeddings de todos los fragmentos de la documentación propia una vez, se guardan en una base de datos vectorial, y ante cada pregunta se busca cuáles quedan más cerca. También sirven para agrupar textos parecidos (reclamos que hablan de lo mismo), detectar duplicados y recomendar productos similares. No contienen el texto original ni se pueden "leer": son coordenadas de significado.

Ferretería Ejemplo tiene 11.000 artículos cargados con descripciones inconsistentes ("TORN. HEX. 3/8 x 2" en uno, "bulón hexagonal 3/8 2 pulgadas" en otro). Un vendedor que busca "bulón 3/8" en el sistema no encuentra el primero. Al calcular embeddings de las 11.000 descripciones, la búsqueda por significado trae ambos. En una semana de prueba, el mostrador dejó de crear artículos duplicados: en el mes anterior habían creado 34 repetidos por no encontrar el original.

Cuando un agente de Pulso tiene que interpretar a qué producto, cliente o proveedor se refiere una pregunta escrita con otras palabras que las del sistema ("el cliente de Rosario que compra pintura"), la comparación por significado puede ayudar a acotar candidatos antes de consultar. El dato final sale siempre del sistema de gestión; los embeddings solo sirven para encontrar la fila correcta.