Cyberpediapor Brain

Embeddings y bases de datos vectoriales

Cómo un texto se convierte en coordenadas, cómo las guarda una base vectorial y qué debe saber antes de incorporarle un documento.

En esta página
  1. 1En 30 segundos
  2. 2De qué se trata
  3. 3Preguntas directas
  4. 4Cómo funciona
  5. 5Lo que usted hace
  6. 6Las trampas
  7. 7Casos reales
  8. 8Fuentes
  9. 9Citar este artículo

En 30 segundos

Dónde ocurre
En un asistente que responde a partir de documentos indexados. Microsoft cita este uso, la generación aumentada por recuperación (RAG), entre los de una base vectorial[2].
Qué ocurre
Según la configuración, el documento se divide en fragmentos, se convierte en vectores y se guarda en un índice que se consulta por el sentido[2].
El reflejo
Antes de incorporar un documento, preguntar quién podrá obtenerlo a través del asistente y tratar la versión indexada como el propio documento.
Si ya está hecho
Avisar al responsable del asistente o a seguridad para que retiren el documento del índice.

De qué se trata

Un embedding es una serie de números, unas coordenadas, que representa un contenido. Dos contenidos de sentido cercano reciben coordenadas cercanas. Para las palabras, la idea se apoya en los trabajos de Tomas Mikolov y sus coautores, enviados el 16 de enero de 2013, que proponen dos arquitecturas para calcular representaciones vectoriales continuas de palabras a partir de conjuntos de datos muy grandes[1].

Una base vectorial guarda esas coordenadas para encontrar los contenidos más cercanos a una consulta. Microsoft describe la búsqueda vectorial como una correspondencia basada en los vectores más cercanos al vector de la consulta. Permite acercar «dog» y «canine», dos palabras conceptualmente próximas pero distintas en su forma[2].

Para un empleado, el caso habitual es el asistente conectado a los documentos de la empresa. Este artículo explica el principio y después lo que conviene saber antes de incorporarle un documento.

Preguntas directas

¿Qué es un embedding?

Es una representación numérica de un contenido. El modelo Skip-gram, presentado por Mikolov y sus coautores, aprende vectores de palabras que captan un gran número de relaciones sintácticas y semánticas precisas[3]. Los autores señalan un límite: estas representaciones ignoran el orden de las palabras y no reflejan las expresiones idiomáticas. Los sentidos de «Canada» y de «Air» no se combinan fácilmente para dar «Air Canada»[3].

BERT, presentado en octubre de 2018, aprende representaciones de texto teniendo en cuenta a la vez el contexto a la izquierda y a la derecha de una palabra[4]. Sentence-BERT, publicado en agosto de 2019, deriva de él embeddings de frases que se comparan mediante la similitud del coseno[5].

¿Qué es una base de datos vectorial?

Es un sistema que almacena vectores y encuentra los más cercanos a un vector de consulta. En Azure AI Search, un algoritmo de vecinos más cercanos coloca los vectores similares próximos entre sí en el índice, y una consulta devuelve los k vecinos más cercanos[2]. El servicio puede servir como índice vectorial puro, como memoria a largo plazo, como base de conocimiento o como datos de anclaje para una arquitectura RAG[2].

¿Se puede recuperar el texto original a partir de un embedding?

Por prudencia, la versión indexada de un documento se trata como el propio documento.

Para los modelos de lenguaje se conoce un riesgo parecido. En diciembre de 2020, Nicholas Carlini y sus coautores demuestran que un adversario puede recuperar ejemplos de entrenamiento consultando un modelo de lenguaje[6]. Los autores constatan que los modelos más grandes son más vulnerables que los pequeños[6].

¿Los derechos de acceso acompañan a los documentos?

Microsoft presenta Foundry IQ como una capa de conocimiento que transforma el contenido de la empresa en «permission-aware knowledge bases» para agentes[2]. La misma página describe las consultas filtradas: un filtro se aplica a campos de texto o numéricos, sirve para los filtros de metadatos y permite incluir o excluir resultados[2]. Queda por saber si los derechos de un documento original acompañan a sus fragmentos indexados: la pregunta se plantea al responsable del asistente antes de incorporar nada.

¿Un contenido trampa, una vez indexado, puede influir en las respuestas?

En una arquitectura RAG, el modelo combina su propia memoria y una memoria externa[7]. Los autores del RAG original utilizan un índice vectorial denso de Wikipedia, consultado por un motor de búsqueda neuronal[7]. Una de sus formulaciones condiciona toda la respuesta a los mismos fragmentos recuperados[7]. Lo que está indexado pasa, por tanto, a formar parte de lo que el modelo lee para responder.

Sobre los riesgos de las aplicaciones basadas en modelos de lenguaje, el proyecto OWASP mantiene una lista de las «most critical security vulnerabilities in LLM applications», de la que se señala una versión de 2025[8].

Cómo funciona

La cadena consta de tres etapas: fabricar los vectores, guardarlos y consultarlos.

Fabricar los vectores

Un modelo de embedding transforma el texto en vector. El nombre de BERT procede de una arquitectura, el Transformer: Bidirectional Encoder Representations from Transformers[4]. Esta arquitectura, propuesta en junio de 2017, se basa únicamente en mecanismos de atención[9].

El interés de Sentence-BERT está en la velocidad. Con BERT solo, encontrar el par más similar entre 10 000 frases exige cerca de 50 millones de cálculos de inferencia, es decir, unas 65 horas. Con Sentence-BERT, el esfuerzo baja a unos 5 segundos, con una precisión que se mantiene[5].

Guardar los vectores

Azure AI Search describe dos vías. En el tratamiento interno, el servicio divide los documentos en fragmentos y los vectoriza en un proceso de indexación. El cliente aporta los recursos, como los puntos de acceso y los datos de conexión de Azure OpenAI[2]. En el tratamiento externo, los embeddings se producen fuera del servicio y después se envían a los campos vectoriales del índice[2].

Consultar

Una etapa de codificación puede transformar la consulta del usuario en vector antes de enviarla al índice[2]. La búsqueda híbrida ejecuta en paralelo la búsqueda vectorial y la búsqueda por palabras clave, y fusiona los resultados en una sola respuesta. Microsoft escribe que a menudo da mejores resultados que cualquiera de las dos por separado[2].

Lo que usted hace

Antes de incorporar un documento a un asistente o a un índice:

  • Pregunte quién puede consultar al asistente y si los derechos del documento original se aplican a las respuestas.
  • Compruebe adónde van los textos. En una configuración integrada, el servicio llama a un modelo de embedding, por ejemplo el de Azure OpenAI[2].
  • Considere que la copia indexada tiene la misma sensibilidad que el original, mientras nadie haya establecido lo contrario.
  • No incorpore un documento cuya procedencia desconoce. En una arquitectura RAG, los fragmentos recuperados condicionan la respuesta[7].
  • Si el documento ya se ha incorporado por error, comuníquelo de inmediato a la persona que administra el asistente.

Las trampas

  • La búsqueda por el sentido acerca contenidos de sentido cercano, no solo los que contienen las mismas palabras. Microsoft cita la correspondencia entre «dog» y «canine», entre dos idiomas o entre un texto y una imagen[2].
  • Un embedding puede ser multimodal: texto e imágenes pueden compartir el mismo espacio de búsqueda[2].
  • Una base vectorial es un motor de búsqueda. Azure AI Search ofrece filtros de metadatos y sirve de base a Foundry IQ[2]; compruebe quién puede consultarla.
  • Los marcos de referencia evolucionan. El NIST describe su AI RMF como destinado a un uso voluntario, publicado el 26 de enero de 2023 y en proceso de revisión. Un perfil dedicado a la IA generativa, NIST-AI-600-1, se publicó el 26 de julio de 2024[10].

Casos reales

Extracción de datos de entrenamiento de GPT-2, diciembre de 2020

Carlini y sus coautores atacan GPT-2, un modelo entrenado con páginas públicas de Internet. Extraen de él cientos de secuencias de texto palabra por palabra: datos personales públicos (nombres, números de teléfono, direcciones de correo electrónico), conversaciones de IRC, código y UUID de 128 bits[6]. El ataque funciona incluso cuando cada secuencia figura en un único documento de entrenamiento[6]. Este caso se refiere a un modelo de lenguaje, no a una base vectorial.

Fuentes

  1. arXiv, «Efficient Estimation of Word Representations in Vector Space», 16 de enero de 2013. https://arxiv.org/abs/1301.3781 (consultado el 10 de noviembre de 2026)
  2. Microsoft, «Vector Search Overview - Azure AI Search». https://learn.microsoft.com/en-us/azure/search/vector-search-overview (consultado el 10 de noviembre de 2026)
  3. arXiv, «Distributed Representations of Words and Phrases and their Compositionality», 16 de octubre de 2013. https://arxiv.org/abs/1310.4546 (consultado el 10 de noviembre de 2026)
  4. arXiv, «BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding», 11 de octubre de 2018. https://arxiv.org/abs/1810.04805 (consultado el 10 de noviembre de 2026)
  5. arXiv, «Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks», 27 de agosto de 2019. https://arxiv.org/abs/1908.10084 (consultado el 10 de noviembre de 2026)
  6. arXiv, «Extracting Training Data from Large Language Models», 14 de diciembre de 2020. https://arxiv.org/abs/2012.07805 (consultado el 10 de noviembre de 2026)
  7. arXiv, «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», 22 de mayo de 2020. https://arxiv.org/abs/2005.11401 (consultado el 10 de noviembre de 2026)
  8. OWASP, «OWASP Top 10 for Large Language Model Applications | OWASP Foundation». https://owasp.org/projects/top-10-for-large-language-model-applications (consultado el 10 de noviembre de 2026)
  9. arXiv, «Attention Is All You Need», 12 de junio de 2017. https://arxiv.org/abs/1706.03762 (consultado el 10 de noviembre de 2026)
  10. NIST, «AI Risk Management Framework». https://www.nist.gov/itl/ai-risk-management-framework (consultado el 10 de noviembre de 2026)