Investigadores de Apple han desarrollado un método para acelerar la búsqueda de producto interno máximo (MIPS) mediante el uso de redes neuronales pequeñas, presentando sus hallazgos en la conferencia ICML 2026. Este enfoque, titulado 'Amortizing Maximum Inner Product Search with Learned Support Functions', busca optimizar la recuperación de información en sistemas de recomendación y generación aumentada por recuperación (RAG), donde la velocidad de búsqueda es crítica al manejar millones de vectores y dimensiones de miles de unidades.
El problema central que resuelve es la limitación de los métodos de aproximación tradicionales, que asumen que la distribución de las consultas se parece a la de las claves, una suposición que falla en RAG, donde las consultas son preguntas cortas de usuarios y las claves son textos largos y curados. El nuevo método aprovecha la estructura matemática de la función de soporte, que es convexa y puede ser aproximada por redes neuronales específicas llamadas ICNNs. Al entrenar estas redes de forma offline para una base de datos fija, el sistema logra una recuperación más rápida y precisa en tiempo de inferencia, reduciendo el coste computacional al evitar comparaciones exhaustivas con todos los vectores.
La solución se basa en el aprendizaje de funciones de soporte para cada clúster de claves, permitiendo una enrutación exacta en lugar de la aproximada basada en centroides. Los modelos, denominados SupportNet y KeyNet, se entrenan con ejemplos extraídos de la distribución real de las consultas, como las del benchmark Natural Questions. Este trabajo representa un avance significativo en el campo del machine learning aplicado a la búsqueda vectorial, ofreciendo una alternativa más eficiente que los métodos genéricos para aplicaciones de producción con distribuciones de consultas estables.
