Búsqueda Vectorial (Vector Search)
Localización de datos basada en similitud semántica en un espacio multidimensional usando vectores de características.
Definición Técnica & Formal
La búsqueda vectorial compara un vector de consulta (query embedding) contra una base de datos de vectores utilizando métricas geométricas (distancia euclidiana, similitud coseno o producto punto) para recuperar los elementos con mayor cercanía conceptual.
Puntos Clave & Aplicaciones
"Imagina una constelación 3D de estrellas donde cada estrella representa un documento. Las palabras con significados similares (ej. "perro" y "canino") están ubicadas muy cerca unas de otras en el espacio."
💡 Tip: Puedes presionar el botón "Dibujar / Apuntes" en la barra superior para hacer anotaciones gráficas sobre este diagrama.Fórmula Matemática
Demostración Visual e Interactiva
Interactúa con los controles para simular dinámicamente el funcionamiento de Búsqueda Vectorial (Vector Search).
Visualizador de la Arquitectura "Búsqueda Vectorial (Vector Search)"
Imagina una constelación 3D de estrellas donde cada estrella representa un documento. Las palabras con significados similares (ej. "perro" y "canino") están ubicadas muy cerca unas de otras en el espacio.
Ejemplo de Código & Demostración
import numpy as np
def cosine_similarity(v1, v2):
return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))
q = np.array([0.2, 0.8, 0.5])
doc = np.array([0.25, 0.75, 0.48])
print("Similitud:", cosine_similarity(q, doc)) # ~0.998