Imagínate esto. Estás trabajando en una aplicación de tu empresa. Tal vez sea el portal de recursos humanos, una base de datos de atención al cliente o la wiki interna con todas esas políticas que debes seguir. ¿Qué es una pregunta en la barra de búsqueda? Algo como, ¿cómo presenta un informe de gastos para una cena con un cliente? Presiona Enter y ¿qué obtienes? Nada. Peor aún, una lista de archivos PDF aleatorios de hace tres años que coinciden más o menos con las palabras que escribiste. La búsqueda es algo que usamos todos los días. Y la mayor parte del tiempo es terrible. Pero aquí está el detalle, no tiene por qué ser así. ¿Qué pasaría si tus aplicaciones realmente pudieran entender lo que estás preguntando? ¿Qué pasaría si pudieran buscar como lo hace Google encontrando la respuesta correcta incluso cuando no usas las palabras perfectas? Hoy vamos a hablar de Azure AI Search. ¿Qué es realmente y cómo funciona internamente y por qué es el motor de búsqueda sobre el que se crean las aplicaciones modernas?

Toma tu café y comencemos. ¿Por qué la búsqueda no funciona? Para entender por qué la búsqueda suele fallar tenemos que ver cómo lo hacen realmente la mayoría de las aplicaciones. La forma tradicional se llama búsqueda por palabras clave o búsqueda lexica. Escribes la palabra laptop en el cuadro y el sistema busca y encuentra cada documento que contiene esa palabra exacta. Internamente, muchos de estos sistemas usan un algoritmo llamado BM25. No es complicado, pero es ingenioso de su manera. BM25 clasificados basándose en más cosas. ¿Con qué frecuencia aparece tu término de búsqueda en un documento? ¿Qué tan largo es el documento y qué tan raro es el término en tu conjunto de datos? Piénsalo como un contador de palabras realmente sofisticado que determina qué documentos son más relevantes según esos factores. Aquí es donde falla. El lenguaje humano complejo. La gente no hace preguntas usando la misma palabra que usan los documentos.

Déjame darte un ejemplo concreto. Un usuario escribe esto en un portal de soporte. Mi laptop se sigue congelando durante las videollamadas. La búsqueda por palabras clave buscará diligentemente documentos que contengan laptop C. Sigue congelando durante las y videollamadas y videollamadas. ¿Pero qué pasa si el mejor artículo sobre el tema se titula Solución de bloqueos del sistema durante reuniones de Teams o Administración de la limitación de la CPU en laptops conectadas en... La búsqueda por palabras clave emite sus resultados. ¿Por qué? Porque las palabras no coinciden. El problema principal es este. La búsqueda por palabras clave en Tender Ortógrafo. Entiende los patrones de caracteres pero no entiende el significado. Tiene resultados que tienen las letras correctas pero a menudo el contenido equivocado. Entonces, si la coincidencia exacta de palabras deja tantos vacíos, ¿cuál es la alternativa?

La nueva forma. Búsqueda vectorial. Así que la búsqueda vectorial es una forma completamente distinta de hacer las cosas. En lugar de coincidir palabras exactas coincide el significado. Eso suena abstracto así que vamos a analizar. La definición más simple que debes saber es esta. Un vector es solo una lista de números que representa algo que una computadora puede procesar. Eso es todo. Una lista de números. Un embedding es un tipo especial de vector que captura el significado del texto. Toma una oración, un párrafo, incluso un documento entero y lo convierte en una larga lista de números. La computadora no entiende las palabras pero entiende los números. Aquí hay una analogía que ayuda. Piénsale los vectores como coordenadas en un mundo. En un mapa, los lugares similares están cerca unos de otros. En el espacio vectorial, los conceptos similares terminan cerca unos de otros. El vector de rey y el vector de reina están cerca porque representan ideas relacionadas, relacionadas.

El vector de rey y el vector de manzana están muy alejados. La computadora no sabe qué significa rey en un sentido humano pero puede medir la distancia entre sus coordenadas y las de cualquier otra palabra o documento. Es como tener un GPS para las ideas. El sistema sabe qué tan alejados están los conceptos simplemente observando los números. Cuando buscas usando vectores, el sistema convierte tu consulta en un embedding. Luego encuentra los documentos cuyos embeddings están más cerca de los tuyos. Encuentra cosas que son semánticamente similares que comparten significado, no solo vocabulario. Meina que busques un documento sobre cómo solucionar una laptop bloqueada. Con la búsqueda por palabra clave tendrías que escribir bloqueada o congelada exactamente. Pero con la búsqueda vectorial puedes escribir mi computadora se queda trabada y encuentra el documento correcto. Ese es el poder de entender el significado.

Volvamos a nuestro ejemplo de búsqueda fallida. Un usuario escribe mi laptop se sigue congelando. Con la búsqueda vectorial el sistema puede devolver el artículo sobre bloqueos del sistema durante reuniones de Teams aunque ninguna de esas palabras aparezca en la consulta. ¿Por qué? Porque el significado del bloqueo del sistema está muy cerca de computadora congelada en el espacio vectorial. Estos conceptos viven cerca el uno del otro en ese mapa. Al sistema no le importan las palabras exactas, le importa lo que quieres decir. Este es el gran avance. Las computadoras empiezan a entender la intención, no solo el autógrafo. Encuentran respuestas que la búsqueda por palabras clave pasaría por el completo. Pero la búsqueda vectorial también tiene una debilidad. Puede perder coincidencias exactas que son absolutamente críticas. Si un técnico busca un código de error específico como el X8077570, una búsqueda vectorial podría priorizar documentos sobre errores de disco o corrupción de archivos en lugar del documento exacto que analiza ese código.

Sacrifica la precisión por exención. Así que tenemos dos métodos. La búsqueda por palabras claves exención. Acierta con términos exactos identificadores de productos y números de contrato. La búsqueda vectorial es exenificada. Encuentra la respuesta correcta incluso cuando no usas las palabras correctas. Cada una tiene puntos ciegos. Y eso plantea una pregunta obvia. ¿Qué pasaría si pudieras combinar ambos enfoques y obtener lo mejor de ambos mundos? El avance híbrido. La búsqueda híbrida es lo mejor de ambos mundos. Ejecuta la búsqueda por palabras clave y la vectorial al mismo tiempo luego combina los resultados en una sola lista clasificada. En lugar de elegir un enfoque sobre el otro el sistema utiliza un método llamado fusión de rango recíproco o RF. Así como funciona. El RF observa dónde se clasifica cada documento en los resultados de palabras clave y dónde se clasifican los resultados vectoriales.

Luego la puntuación combina. Si un documento es bueno en ambos recibe un impulso. Es como tomar dos opiniones de expertos y promediarla. La respuesta final es más confiable que cualquier elevador por sí sola. Esto es importante porque la búsqueda por palabras clave y la vectorial tienen fortalezas fundamentales diferentes. La búsqueda por palabras clave destaca en las coincidencias. Es tu opción ideal para identificadores de productos, números de contrato, nombres específicos y códigos de error. Desprecisa y predecible. La búsqueda vectorial destaca en la similitud semántica encontrando documentos que comparten significado con tu consulta incluso cuando las palabras exactas no aparecen. Cum descubren los puntos y dos de la otra. El sistema captura coincidencias exactas y conceptuales en una sola consulta. Ese es el verdadero poder. Y esto no es solo teórico. La investigación sobre búsqueda híbrida empresarial muestra que ofrece entre un 70 y 80% de precisión de recuperación de precisión de recuperación dependiendo del conjunto de datos.

Eso es aproximadamente de 15 a 20 puntos porcentuales más alto que lo que obtienes con la búsqueda vectorial. La diferencia es significativa y se nota en resultados comerciales reales. Tomemos la plataforma de Contabay. Elementaron la búsqueda híbrida en su experiencia de atención al cliente a través de una empresa llamada Coveo. En tres meses vieron un aumento del 20% en la resolución de autoservicio. Los clientes encontraron respuestas por su cuenta con más frecuencia sin necesidad de contactar el soporte. Otros clientes en el mismo estudio de caso vieron hasta una reducción del 40% en el tiempo de resolución para casos de soporte. Eso significa que los agentes encontraron la información correcta más rápido, los clientes obtuvieron respuestas más pronto y el costo de soportes más pronto disminuyó. Eso no es solo una característica agradable, es un impacto medible en los resultados financieros.

Es el punto clave. La búsqueda de híbrida no es solo una buena actualización en una casilla en una lista de funciones, es cuantificablemente mejor, ofrece mayor precisión, mayor recuperación y mejores resultados para el usuario. Y esta combinación de enfoques es lo que hace que Azure AI Search sea tan potente para las aplicaciones modernas. Hay otra tecnología que esta combinación desbloquea, una que está recibiendo mucha atención en este momento. Se llama RAC, la conexión RAC. Así que hablemos de RAC. RAC significa generación aumentada por recuperación. Es un término complejo, pero aquí tienen la definición más sencilla. Es un marco de trabajo que brinda a los asistentes de IACS o información con la que no fueron detenidos. Los modelos de lenguaje grandes como GPT saben mucho sobre historia, ciencia y programación, pero no conocen los documentos internos, políticas, historial de clientes o procedimientos específicos de tu empresa.

La mayoría cree que puedes simplemente volcar todo ese conocimiento interno en el propio modelo. Eso no funciona. Es costoso y difícil de actualizar. Resuelve esto de manera inteligente. En lugar de abarrotar todo en el modelo, recuperas la información relevante de una base de conocimiento en el momento en que alguien hace una pregunta. Toma la consulta al usuario, buscas en tus datos internos, encuentras los documentos más relevantes y alimentas al LM con ese contexto junto con la pregunta original. Luego el LM genera una respuesta basada en tus datos. Esa es la magia de esto. Ahora bien, Azure AI Search es la mitad de recuperación de esa ecuación. Es el motor que encuentra los documentos correctos para que el LM pueda responder con precisión. Sin una capa de recuperación sólida, un sistema RAC es tan bueno como los documentos que encuentre. Y aquí es donde la búsqueda de hibridad realmente brilla porque las consultas RAC suelen ser preguntas en lenguaje natural.

Las respuestas suelen estar en documentos que son tecnologías totalmente distintas. Déjame darte algunas cifras que realmente muestran lo diferente. Un estudio sobre búsqueda en aplicaciones empresariales encontró que un marco RAC híbrido mejoró la precisión de recuperación top cada 18 a 25 veces comparado con la búsqueda por palabras clave sola. La precisión en la finalización de tareas de flujo de trabajo mejoró 21 veces. Eso significa que los usuarios tenían muchas más probabilidades de completar con éxito tareas complejas cuando contaban con el soporte de un sistema RAC usando búsqueda. En general, los sistemas RAC bien implementados pueden aumentar la precisión de búsqueda en un promedio del 85%, con algunos dominios especializados acercándose al 99% de precisión. Y debido a que el LLM genera respuestas basadas en el contexto recuperado en lugar de sus propias suposiciones, los sistemas RAC mostraron una reducción de cerca del 40% en respuestas alucinatorias.

Es por esto que Azure AI Search es fundamental para construir agentes de AI y copilotos. Proporciona la recuperación basada en hechos concretos que hace que los LLM sean confiables en un entorno empresarial. Si estás creando un asistente que necesita responder preguntas con precisión y citar sus fuentes, la búsqueda híbrida más RAC es la arquitectura a la que recurrirás, así que la búsqueda híbrida más RAC es una combinación poderosa. Pero, ¿cómo se ve esto realmente en la práctica? El impacto en el mundo real. Entonces, ¿dónde aparece esto realmente en la práctica? Permíteme darte algunos ejemplos. El comercio electrónico es probablemente el más familiar. Un cliente escribe zapatillas de correr cómodas en la barra de búsqueda. La lista de productos podría decir calzado deportivo amortiguado porque el equipo de marketing eligió otras palabras. Palabra. La búsqueda por palabras clave por sí solo a partir de la coincidencia.

Con Azure AI Search el sistema entiende que cómodo y amortiguado significan casi lo mismo en este contexto. Muestra el producto correcto incluso cuando las palabras no coinciden. Eso es un cliente que encuentra lo que quiere en lugar de abandonar el sitio frustrado. Los portales de atención al cliente funcionan de manera. Imagina que un cliente escribe ¿Cómo cancelo mi suscripción? La política relevante podría titularse terminación del acuerdo de servicio. La búsqueda híbrida encuentra ese documento exacto mediante la coincidencia de palabras clave en terminología legal pero también muestra una pregunta frecuente relacionada sobre ¿Cómo finalizar tu plan antes de tiempo mediante similitud semántica? El cliente obtiene una respuesta integral en lugar de buscar entre cinco artículos diferentes. La recuperación de documentos legal es otro ejemplo. Los abogados necesitan buscar contratos por número de cláusulas exactos y referencias de secciones.

Ese es terreno exclusivo de palabras clave pero también necesitan encontrar lenguaje similar en diferentes acuerdos incluso cuando la redacción varía. La búsqueda híbrida maneja a ambos en una sola consulta y en industrias reguladas poder rastrear exactamente por qué apareció un resultado es crítico para el cumplimiento. Las bases de conocimiento internas también se benefician. Un ampliado que busca la política de vacaciones obtiene el documento oficial de RR, pero también un correo electrónico relacionado al equipo legal sobre días acumulables y una actualización reciente publicada en la internet de la empresa. La búsqueda entiende que todos estos están conectados a la misma pregunta. La fabricación es un ejemplo menos obvio pero poderoso. Un técnico escribe reparación de sobrecalentamiento del motor en la interfaz de búsqueda. El sistema devuelve la sección de solución de problemas del manual del equipo además de un diagrama escaneado que muestra las piezas relevantes.

Aunque el diagrama es una imagen Azure AI Search puede extraer e indexar su contenido de texto por lo que aparecen los resultados de búsqueda. El hilo conductor en todos estos ejemplos son los datos no estructurados, documentos de Word y que es de soporte por correo electrónico o imágenes escaneadas, las consultas de bases de datos tradicionales y la búsqueda por palabras clave en el que fueron diseñadas para este video. Azure AI Search está creada específicamente para este mundo y cuanto más lo analizas más claro queda que la búsqueda de híbrida no es solo una característica agradable, es una pieza fundamental de cómo se construyen las aplicaciones moderadas. ¿Cómo encajan las piezas? Entonces, ¿cómo funciona esto realmente bajo el capo? Azure AI Search tiene tres bloques de construcción principales, el origen de datos, el indexador y el índice de búsqueda. El origen de datos es donde vive su información.

Podría ser almacenamiento de blobs, una base de datos SQL de Azure, Cosmos DB o incluso SharePoint es la materia prima que necesita ser buscable. Piensa en ello como la pila de documentos esperando a ser organista. El indexador es la tubería que lee los datos de esa fuente, extrae el contenido, aplica el enriquecimiento de ya configurado y luego construye el índice de búsqueda. Aquí hay una manera sencilla de visor. Imagina a un bibliotecario entrando en un almacén lleno de libros. Lee cada uno de ellos, toma notas detalladas, identifica temas y entidades clave y organiza todo en un catálogo de fichas. Esa lectura y toma de notas es el proceso de indexación. El índice de búsqueda es ese catálogo de fichas. No son los libros en sí. Es el sistema estructurado y optimizado que le permite encontrar exactamente lo que necesita en milisegundos. Cuando escribe una consulta, el sistema no vuelve a los documentos originales para escanearlos.

En cambio, buscan el índice que ya sabe exactamente dónde está ubicado todo. Esta proorganización se llama índice invertido. En lugar de almacenar documentos con una lista de palabras que contienen, usted almacena palabras con una lista de documentos que la tiene. Eso significa que cuando busca un término, salta directamente al lugar correcto, sin pasar página por página. El resultado es una mejora masiva en la velocidad. En lugar de tener que escanear cada documento, lo cual toma más tiempo a medida que crecen sus datos, salta directamente a la ubicación correcta. Con millones de documentos, esa diferencia es la que separa una búsqueda que toma segundos de una que toma milisegundos de una que toma milisegundos. Entonces, ahora comprende qué es Azure AI Search, cómo encajan los componentes principales y por qué la búsqueda híbrida cambia las reglas del juego. Terminemos con algunas cosas que realmente puede hacer con esto.

Primero, entienda sus datos. Si ya están estructurados, piensa en tablas de productos en SQL, registros de clientes en una base de datos, cualquier cosa con filas y columnas limpias, puede consultarlo directamente con SQL. Azure AI Search está diseñado para texto no estructurado. Eso de archivos PDF, correos electrónicos, documentos de Word, tickets o poco. Ahí es donde ofrece un valor real. Segundo, si está creando una aplicación RAG o un asistente de AI, Azure AI Search con búsqueda híbrida es el motor de recuperación que desea detrás. Le ofrece coincidencias exactas de palabras clave para precisión y comprensión semántica para el contexto. Esa combinación genera respuestas más fiables y fáciles de citar que cualquiera de los dos enfoques por separado. Tercero, no compliques demasiado la configuración. El portal de Azure tiene un asistente para importar datos. Conecta tu almacenamiento de blobs, configura algunos ajustes y deja que el indexador cree tu primer índice.

Puedes realizar tu primera búsqueda a menos de una hora. Así que eso es Azure AI Search en palabras sencillas. Toma información desordenada y no estructurada y la convierte en conocimiento buscable y listo para la AI. Gracias por acompañarme. Suscríbete y nos vemos en el próximo episodio.