Los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés) como ChatGPT han revolucionado la forma en que interactuamos con la inteligencia artificial. Su capacidad para comprender y generar texto de forma coherente está profundamente ligada a dos conceptos clave: vectores y embeddings. Si comprendemos estos fundamentos, podremos formular mejores prompts, optimizar resultados y aprovechar al máximo el potencial de estas herramientas.
¿Qué son los vectores y cómo se relacionan con los LLMs?
Un vector es, en esencia, una lista ordenada de números que describe la posición o características de algo en un espacio definido por dimensiones. En física, solemos imaginarlos en coordenadas X y Y, y con una tercera dimensión obtenemos mayor precisión: X, Y, Z.
En el caso de los LLMs, los vectores no se limitan a 2 o 3 dimensiones:
- Pueden tener cientos o miles de dimensiones.
- Cada dimensión representa una característica abstracta de la palabra, como su contexto, categoría gramatical o matiz emocional.
En vez de ubicar un punto en un plano o en un cubo, un LLM ubica las palabras en un espacio multidimensional donde las distancias y direcciones representan relaciones de significado.
¿Qué rol juegan los embeddings en la comprensión del lenguaje?
Un embedding es un vector de muchas dimensiones que describe el significado de una palabra o frase. No solo se fija en su definición literal, sino también en:
- Contextos en los que aparece.
- Emociones asociadas.
- Categorías y relaciones con otras palabras.
Ejemplo intuitivo:
Cuando evaluamos un restaurante, no nos quedamos con un único criterio.
Consideramos:
- Calidad de la comida
- Ambiente
- Servicio
- Frescura de los ingredientes
- Música
De forma similar, un embedding evalúa una palabra en múltiples dimensiones, permitiendo que un modelo entienda su significado con más precisión.
Cómo los embeddings conectan palabras en distintos idiomas
Uno de los poderes de los embeddings es que mapean significados, no solo palabras. Por ejemplo:
- Aguacate (español)
- Avocado (inglés)
Ambas comparten atributos: fruta, color verde, textura cremosa. El modelo puede reconocer que se refieren a la misma cosa incluso sin traducir la palabra explícitamente. Esto se debe a que en el espacio vectorial ambas están muy próximas.
Por qué cada palabra en un prompt es crucial
Cuando escribimos un prompt para un LLM, cada palabra seleccionada mueve la conversación hacia una zona diferente del espacio vectorial.
- Cambiar una palabra puede acercar o alejar el significado esperado.
- Esto modifica el conjunto de relaciones semánticas que el modelo explorará para responder.
En otras palabras: la precisión de tu prompt determina la precisión de la respuesta.
Conclusiones
Entender cómo los LLMs representan el lenguaje mediante vectores y embeddings nos da una ventaja clave como usuarios. No se trata solo de “escribir una pregunta”, sino de construir una ruta precisa en el espacio semántico del modelo para obtener el resultado que queremos.
Infografía
