Qué es un embedding vectorial y para qué sirve
Sobre este vídeo
Embeddings antes que el LLM: la similitud separa casi todos los documentos y el modelo solo decide los dudosos.
Un embedding vectorial es una lista de números reales que representa el significado semántico de un texto, imagen o cualquier otro dato. Dos frases con el mismo sentido producen vectores cercanos; dos sin relación, vectores lejanos. Sobre ese principio funcionan la búsqueda semántica, el RAG y los sistemas de recomendación modernos.
Transcripción del vídeo
- 0:02 Buscar la palabra clave falla:
- 0:04 salta en cualquier página que la mencione.
- 0:06 Precisión, 0,71.
- 0:10 Mejor incrustar los 36 documentos:
- 0:12 un vector por documento, sin llamar al modelo.
- 0:15 Por similitud con el tema, relevantes y señuelos se separan solos.
- 0:21 Un suelo de 0,15 descarta 19 documentos y un techo de 0,40 acepta
- 0:27 6, gratis.
- 0:30 Solo los 11 dudosos llegan al LLM local, el único paso caro.
- 0:36 La precisión sube de 0,71 a 1,00.
Más vídeos
Explicación
Firecrawl: datos web para agentes
Si escribes tu propio crawler: robots.txt, una cola por host y 304 Not Modified hacen que la opción cortés sea también la barata.
Explicación
El bucle agéntico y el patrón ReAct
El bucle agéntico (razonar, actuar, observar) en movimiento.
Explicación
Cómo instalar SearXNG con Docker
Un uso de la instancia propia: un agente de IA que encuentra sus propias fuentes consultando SearXNG, sin pagar por búsqueda.
Explicación
El momentum en el descenso de gradiente
Cómo el momentum acumula velocidad y suaviza el descenso de gradiente.
Explicación
El grafo computacional y la diferenciación automática
El grafo computacional y la diferenciación automática, en acción.
Explicación
Retropropagación, la derivación matemática paso a paso
La derivación de la retropropagación, factor a factor con la regla de la cadena.