Los modelos de embedding convierten texto, imágenes u otros datos en vectores numéricos que capturan su significado, y son la base de sistemas de búsqueda semántica, recomendación, clasificación y recuperación aumentada por generación (RAG). Antes de plantearse entrenar uno propio, conviene explotar las opciones listas para usar, que abarcan un espectro amplio de casos generales.
Un embedding genérico resulta suficiente cuando la terminología del dominio no es especializada o cuando las consultas de los usuarios se parecen al lenguaje cotidiano. Modelos públicos como los de OpenAI, Sentence-Transformers o BGE, accesibles vía API o bibliotecas de código abierto, cubren la mayoría de proyectos con un coste de implementación bajo.
Entrenar un embedding a medida aporta valor en escenarios concretos: vocabularios muy técnicos (biomedicina, derecho, finanzas), consultas redactadas con jerga interna, corpus en idiomas o dialectos poco representados, o tareas de búsqueda donde la precisión del top-k es crítica. El proceso implica reunir miles de pares pregunta-documento relevantes, afinar un modelo base con frameworks como Sentence-Transformers y evaluar el resultado con métricas como nDCG o recall@k sobre un conjunto de validación.
Como punto intermedio, la búsqueda híbrida —combinar coincidencias léxicas (BM25) con similitud semántica— mejora el rendimiento con menor esfuerzo que reentrenar. Un embedding propio solo se justifica cuando el coste de los errores de recuperación supera al de la infraestructura adicional y al trabajo de curación de datos.