WEBVTT

00:00:00.140 --> 00:00:00.660
Imagínate esto.

00:00:00.940 --> 00:00:02.480
Estás trabajando en una aplicación de tu empresa.

00:00:02.700 --> 00:00:04.140
Tal vez sea el portal de recursos humanos,

00:00:04.240 --> 00:00:05.720
una base de datos de atención al cliente

00:00:05.720 --> 00:00:07.840
o la wiki interna con todas esas políticas que debes seguir.

00:00:07.980 --> 00:00:09.220
¿Qué es una pregunta en la barra de búsqueda?

00:00:09.760 --> 00:00:11.560
Algo como, ¿cómo presenta un informe de gastos

00:00:11.560 --> 00:00:12.580
para una cena con un cliente?

00:00:13.120 --> 00:00:14.320
Presiona Enter y ¿qué obtienes?

00:00:14.740 --> 00:00:14.960
Nada.

00:00:15.460 --> 00:00:17.480
Peor aún, una lista de archivos PDF aleatorios

00:00:17.480 --> 00:00:18.880
de hace tres años que coinciden más o menos

00:00:18.880 --> 00:00:19.760
con las palabras que escribiste.

00:00:20.000 --> 00:00:21.520
La búsqueda es algo que usamos todos los días.

00:00:22.120 --> 00:00:23.480
Y la mayor parte del tiempo es terrible.

00:00:23.920 --> 00:00:25.280
Pero aquí está el detalle, no tiene por qué ser así.

00:00:25.600 --> 00:00:27.180
¿Qué pasaría si tus aplicaciones realmente

00:00:27.180 --> 00:00:28.320
pudieran entender lo que estás preguntando?

00:00:28.320 --> 00:00:30.280
¿Qué pasaría si pudieran buscar como lo hace Google

00:00:30.280 --> 00:00:31.640
encontrando la respuesta correcta

00:00:31.640 --> 00:00:33.240
incluso cuando no usas las palabras perfectas?

00:00:33.600 --> 00:00:35.200
Hoy vamos a hablar de Azure AI Search.

00:00:35.540 --> 00:00:37.400
¿Qué es realmente y cómo funciona internamente

00:00:37.400 --> 00:00:38.460
y por qué es el motor de búsqueda

00:00:38.460 --> 00:00:40.240
sobre el que se crean las aplicaciones modernas?

00:00:40.900 --> 00:00:41.920
Toma tu café y comencemos.

00:00:42.780 --> 00:00:43.560
¿Por qué la búsqueda no funciona?

00:00:44.020 --> 00:00:45.360
Para entender por qué la búsqueda suele fallar

00:00:45.360 --> 00:00:46.640
tenemos que ver cómo lo hacen realmente

00:00:46.640 --> 00:00:47.520
la mayoría de las aplicaciones.

00:00:47.980 --> 00:00:49.180
La forma tradicional se llama búsqueda

00:00:49.180 --> 00:00:50.600
por palabras clave o búsqueda lexica.

00:00:51.440 --> 00:00:53.180
Escribes la palabra laptop en el cuadro

00:00:53.180 --> 00:00:55.160
y el sistema busca y encuentra cada documento

00:00:55.160 --> 00:00:56.540
que contiene esa palabra exacta.

00:00:56.540 --> 00:00:58.660
Internamente, muchos de estos sistemas

00:00:58.660 --> 00:01:00.980
usan un algoritmo llamado BM25.

00:01:01.360 --> 00:01:03.260
No es complicado, pero es ingenioso de su manera.

00:01:04.400 --> 00:01:06.160
BM25 clasificados basándose en más cosas.

00:01:06.880 --> 00:01:08.520
¿Con qué frecuencia aparece tu término de búsqueda

00:01:08.520 --> 00:01:09.060
en un documento?

00:01:09.120 --> 00:01:10.060
¿Qué tan largo es el documento

00:01:10.060 --> 00:01:11.820
y qué tan raro es el término en tu conjunto de datos?

00:01:12.820 --> 00:01:14.220
Piénsalo como un contador de palabras

00:01:14.220 --> 00:01:15.220
realmente sofisticado

00:01:15.220 --> 00:01:17.280
que determina qué documentos son más relevantes

00:01:17.280 --> 00:01:18.180
según esos factores.

00:01:18.700 --> 00:01:19.440
Aquí es donde falla.

00:01:19.780 --> 00:01:20.800
El lenguaje humano complejo.

00:01:21.120 --> 00:01:22.020
La gente no hace preguntas

00:01:22.020 --> 00:01:23.700
usando la misma palabra que usan los documentos.

00:01:24.060 --> 00:01:25.200
Déjame darte un ejemplo concreto.

00:01:25.200 --> 00:01:27.360
Un usuario escribe esto en un portal de soporte.

00:01:28.200 --> 00:01:29.620
Mi laptop se sigue congelando

00:01:29.620 --> 00:01:30.360
durante las videollamadas.

00:01:31.200 --> 00:01:32.440
La búsqueda por palabras clave

00:01:32.440 --> 00:01:33.780
buscará diligentemente documentos

00:01:33.780 --> 00:01:34.740
que contengan laptop C.

00:01:35.080 --> 00:01:36.400
Sigue congelando durante las

00:01:36.400 --> 00:01:38.280
y videollamadas y videollamadas.

00:01:38.900 --> 00:01:40.540
¿Pero qué pasa si el mejor artículo sobre el tema

00:01:40.540 --> 00:01:41.000
se titula

00:01:41.000 --> 00:01:42.240
Solución de bloqueos del sistema

00:01:42.240 --> 00:01:43.220
durante reuniones de Teams

00:01:43.220 --> 00:01:45.240
o Administración de la limitación de la CPU

00:01:45.240 --> 00:01:46.480
en laptops conectadas en...

00:01:46.480 --> 00:01:47.280
La búsqueda por palabras clave

00:01:47.280 --> 00:01:47.960
emite sus resultados.

00:01:48.480 --> 00:01:48.760
¿Por qué?

00:01:48.960 --> 00:01:50.000
Porque las palabras no coinciden.

00:01:50.300 --> 00:01:51.240
El problema principal es este.

00:01:51.560 --> 00:01:52.500
La búsqueda por palabras clave

00:01:52.500 --> 00:01:53.140
en Tender Ortógrafo.

00:01:53.140 --> 00:01:54.800
Entiende los patrones de caracteres

00:01:54.800 --> 00:01:55.960
pero no entiende el significado.

00:01:56.560 --> 00:01:58.320
Tiene resultados que tienen las letras correctas

00:01:58.320 --> 00:01:59.540
pero a menudo el contenido equivocado.

00:01:59.720 --> 00:02:00.920
Entonces, si la coincidencia exacta

00:02:00.920 --> 00:02:02.140
de palabras deja tantos vacíos,

00:02:02.300 --> 00:02:02.860
¿cuál es la alternativa?

00:02:03.760 --> 00:02:04.300
La nueva forma.

00:02:04.400 --> 00:02:05.060
Búsqueda vectorial.

00:02:05.540 --> 00:02:06.440
Así que la búsqueda vectorial

00:02:06.440 --> 00:02:07.560
es una forma completamente distinta

00:02:07.560 --> 00:02:08.200
de hacer las cosas.

00:02:08.560 --> 00:02:09.240
En lugar de coincidir

00:02:09.240 --> 00:02:10.020
palabras exactas

00:02:10.020 --> 00:02:11.240
coincide el significado.

00:02:11.360 --> 00:02:12.080
Eso suena abstracto

00:02:12.080 --> 00:02:12.740
así que vamos a analizar.

00:02:13.140 --> 00:02:13.980
La definición más simple

00:02:13.980 --> 00:02:14.880
que debes saber es esta.

00:02:15.200 --> 00:02:16.620
Un vector es solo una lista de números

00:02:16.620 --> 00:02:17.360
que representa algo

00:02:17.360 --> 00:02:18.520
que una computadora puede procesar.

00:02:19.080 --> 00:02:19.460
Eso es todo.

00:02:19.540 --> 00:02:20.060
Una lista de números.

00:02:20.060 --> 00:02:21.940
Un embedding es un tipo especial

00:02:21.940 --> 00:02:22.820
de vector que captura

00:02:22.820 --> 00:02:23.680
el significado del texto.

00:02:24.080 --> 00:02:24.660
Toma una oración,

00:02:24.740 --> 00:02:25.160
un párrafo,

00:02:25.240 --> 00:02:26.340
incluso un documento entero

00:02:26.340 --> 00:02:27.060
y lo convierte

00:02:27.060 --> 00:02:28.160
en una larga lista de números.

00:02:28.820 --> 00:02:29.760
La computadora no entiende

00:02:29.760 --> 00:02:30.240
las palabras

00:02:30.240 --> 00:02:31.340
pero entiende los números.

00:02:31.920 --> 00:02:32.780
Aquí hay una analogía que ayuda.

00:02:33.200 --> 00:02:33.840
Piénsale los vectores

00:02:33.840 --> 00:02:34.840
como coordenadas en un mundo.

00:02:35.160 --> 00:02:35.560
En un mapa,

00:02:35.620 --> 00:02:36.160
los lugares similares

00:02:36.160 --> 00:02:36.860
están cerca unos de otros.

00:02:37.140 --> 00:02:38.040
En el espacio vectorial,

00:02:38.100 --> 00:02:38.880
los conceptos similares

00:02:38.880 --> 00:02:39.780
terminan cerca unos de otros.

00:02:39.780 --> 00:02:40.780
El vector de rey

00:02:40.780 --> 00:02:41.460
y el vector de reina

00:02:41.460 --> 00:02:42.040
están cerca

00:02:42.040 --> 00:02:42.860
porque representan

00:02:42.860 --> 00:02:43.920
ideas relacionadas,

00:02:44.160 --> 00:02:44.700
relacionadas.

00:02:45.080 --> 00:02:45.720
El vector de rey

00:02:45.720 --> 00:02:46.560
y el vector de manzana

00:02:46.560 --> 00:02:47.700
están muy alejados.

00:02:48.280 --> 00:02:49.160
La computadora no sabe

00:02:49.160 --> 00:02:50.040
qué significa rey

00:02:50.040 --> 00:02:50.760
en un sentido humano

00:02:50.760 --> 00:02:51.560
pero puede medir

00:02:51.560 --> 00:02:52.040
la distancia

00:02:52.040 --> 00:02:52.880
entre sus coordenadas

00:02:52.880 --> 00:02:53.800
y las de cualquier otra

00:02:53.800 --> 00:02:54.900
palabra o documento.

00:02:55.500 --> 00:02:56.240
Es como tener un GPS

00:02:56.240 --> 00:02:56.920
para las ideas.

00:02:57.580 --> 00:02:58.060
El sistema sabe

00:02:58.060 --> 00:02:58.680
qué tan alejados

00:02:58.680 --> 00:02:59.440
están los conceptos

00:02:59.440 --> 00:03:00.200
simplemente observando

00:03:00.200 --> 00:03:00.540
los números.

00:03:01.020 --> 00:03:01.420
Cuando buscas

00:03:01.420 --> 00:03:02.120
usando vectores,

00:03:02.240 --> 00:03:02.580
el sistema

00:03:02.580 --> 00:03:04.020
convierte tu consulta

00:03:04.020 --> 00:03:04.740
en un embedding.

00:03:05.280 --> 00:03:06.300
Luego encuentra los documentos

00:03:06.300 --> 00:03:06.860
cuyos embeddings

00:03:06.860 --> 00:03:08.120
están más cerca de los tuyos.

00:03:08.120 --> 00:03:08.960
Encuentra cosas

00:03:08.960 --> 00:03:10.280
que son semánticamente similares

00:03:10.280 --> 00:03:11.380
que comparten significado,

00:03:11.520 --> 00:03:12.340
no solo vocabulario.

00:03:12.940 --> 00:03:13.500
Meina que busques

00:03:13.500 --> 00:03:14.060
un documento

00:03:14.060 --> 00:03:14.820
sobre cómo solucionar

00:03:14.820 --> 00:03:15.560
una laptop bloqueada.

00:03:15.760 --> 00:03:16.160
Con la búsqueda

00:03:16.160 --> 00:03:16.880
por palabra clave

00:03:16.880 --> 00:03:17.500
tendrías que escribir

00:03:17.500 --> 00:03:18.500
bloqueada o congelada

00:03:18.500 --> 00:03:18.920
exactamente.

00:03:19.540 --> 00:03:20.600
Pero con la búsqueda vectorial

00:03:20.600 --> 00:03:21.180
puedes escribir

00:03:21.180 --> 00:03:22.380
mi computadora se queda trabada

00:03:22.380 --> 00:03:23.700
y encuentra el documento correcto.

00:03:24.120 --> 00:03:24.660
Ese es el poder

00:03:24.660 --> 00:03:25.700
de entender el significado.

00:03:26.280 --> 00:03:27.120
Volvamos a nuestro ejemplo

00:03:27.120 --> 00:03:27.840
de búsqueda fallida.

00:03:28.380 --> 00:03:29.020
Un usuario escribe

00:03:29.020 --> 00:03:30.300
mi laptop se sigue congelando.

00:03:30.940 --> 00:03:31.820
Con la búsqueda vectorial

00:03:31.820 --> 00:03:32.940
el sistema puede devolver

00:03:32.940 --> 00:03:33.380
el artículo

00:03:33.380 --> 00:03:34.360
sobre bloqueos del sistema

00:03:34.360 --> 00:03:35.420
durante reuniones de Teams

00:03:35.420 --> 00:03:36.400
aunque ninguna de esas palabras

00:03:36.400 --> 00:03:37.340
aparezca en la consulta.

00:03:37.940 --> 00:03:38.220
¿Por qué?

00:03:38.560 --> 00:03:39.220
Porque el significado

00:03:39.220 --> 00:03:39.900
del bloqueo del sistema

00:03:39.900 --> 00:03:40.500
está muy cerca

00:03:40.500 --> 00:03:41.480
de computadora congelada

00:03:41.480 --> 00:03:42.340
en el espacio vectorial.

00:03:43.240 --> 00:03:43.920
Estos conceptos

00:03:43.920 --> 00:03:44.420
viven cerca

00:03:44.420 --> 00:03:44.940
el uno del otro

00:03:44.940 --> 00:03:45.440
en ese mapa.

00:03:45.940 --> 00:03:46.920
Al sistema no le importan

00:03:46.920 --> 00:03:47.760
las palabras exactas,

00:03:47.840 --> 00:03:48.760
le importa lo que quieres decir.

00:03:49.180 --> 00:03:50.000
Este es el gran avance.

00:03:50.420 --> 00:03:51.040
Las computadoras

00:03:51.040 --> 00:03:51.640
empiezan a entender

00:03:51.640 --> 00:03:52.100
la intención,

00:03:52.200 --> 00:03:52.900
no solo el autógrafo.

00:03:53.300 --> 00:03:53.920
Encuentran respuestas

00:03:53.920 --> 00:03:54.380
que la búsqueda

00:03:54.380 --> 00:03:54.960
por palabras clave

00:03:54.960 --> 00:03:55.760
pasaría por el completo.

00:03:56.160 --> 00:03:56.820
Pero la búsqueda vectorial

00:03:56.820 --> 00:03:57.540
también tiene una debilidad.

00:03:58.000 --> 00:03:59.440
Puede perder coincidencias exactas

00:03:59.440 --> 00:04:00.620
que son absolutamente críticas.

00:04:01.720 --> 00:04:02.340
Si un técnico

00:04:02.340 --> 00:04:02.900
busca un código

00:04:02.900 --> 00:04:03.820
de error específico

00:04:03.820 --> 00:04:06.340
como el X8077570,

00:04:06.560 --> 00:04:07.380
una búsqueda vectorial

00:04:07.380 --> 00:04:08.600
podría priorizar documentos

00:04:08.600 --> 00:04:09.380
sobre errores de disco

00:04:09.380 --> 00:04:10.640
o corrupción de archivos

00:04:10.640 --> 00:04:12.280
en lugar del documento exacto

00:04:12.280 --> 00:04:13.740
que analiza ese código.

00:04:14.960 --> 00:04:15.740
Sacrifica la precisión

00:04:15.740 --> 00:04:16.080
por exención.

00:04:16.620 --> 00:04:17.580
Así que tenemos dos métodos.

00:04:17.860 --> 00:04:18.140
La búsqueda

00:04:18.140 --> 00:04:18.780
por palabras claves

00:04:18.780 --> 00:04:19.200
exención.

00:04:19.600 --> 00:04:20.700
Acierta con términos exactos

00:04:20.700 --> 00:04:21.700
identificadores de productos

00:04:21.700 --> 00:04:22.360
y números de contrato.

00:04:22.680 --> 00:04:23.400
La búsqueda vectorial

00:04:23.400 --> 00:04:24.000
es exenificada.

00:04:24.440 --> 00:04:25.480
Encuentra la respuesta correcta

00:04:25.480 --> 00:04:26.180
incluso cuando no usas

00:04:26.180 --> 00:04:26.860
las palabras correctas.

00:04:27.260 --> 00:04:28.280
Cada una tiene puntos ciegos.

00:04:28.760 --> 00:04:29.240
Y eso plantea

00:04:29.240 --> 00:04:29.900
una pregunta obvia.

00:04:30.380 --> 00:04:30.820
¿Qué pasaría

00:04:30.820 --> 00:04:31.480
si pudieras combinar

00:04:31.480 --> 00:04:32.020
ambos enfoques

00:04:32.020 --> 00:04:32.620
y obtener lo mejor

00:04:32.620 --> 00:04:33.140
de ambos mundos?

00:04:33.680 --> 00:04:34.500
El avance híbrido.

00:04:34.860 --> 00:04:35.580
La búsqueda híbrida

00:04:35.580 --> 00:04:35.960
es lo mejor

00:04:35.960 --> 00:04:36.600
de ambos mundos.

00:04:36.960 --> 00:04:37.720
Ejecuta la búsqueda

00:04:37.720 --> 00:04:38.500
por palabras clave

00:04:38.500 --> 00:04:39.080
y la vectorial

00:04:39.080 --> 00:04:39.640
al mismo tiempo

00:04:39.640 --> 00:04:40.720
luego combina los resultados

00:04:40.720 --> 00:04:42.020
en una sola lista clasificada.

00:04:42.400 --> 00:04:42.980
En lugar de elegir

00:04:42.980 --> 00:04:43.860
un enfoque sobre el otro

00:04:43.860 --> 00:04:44.640
el sistema utiliza

00:04:44.640 --> 00:04:45.300
un método llamado

00:04:45.300 --> 00:04:46.420
fusión de rango recíproco

00:04:46.420 --> 00:04:46.940
o RF.

00:04:47.440 --> 00:04:48.040
Así como funciona.

00:04:48.520 --> 00:04:49.260
El RF observa

00:04:49.260 --> 00:04:49.940
dónde se clasifica

00:04:49.940 --> 00:04:50.600
cada documento

00:04:50.600 --> 00:04:50.980
en los resultados

00:04:50.980 --> 00:04:51.640
de palabras clave

00:04:51.640 --> 00:04:52.300
y dónde se clasifican

00:04:52.300 --> 00:04:53.320
los resultados vectoriales.

00:04:53.400 --> 00:04:54.220
Luego la puntuación combina.

00:04:54.600 --> 00:04:55.160
Si un documento

00:04:55.160 --> 00:04:55.740
es bueno en ambos

00:04:55.740 --> 00:04:56.460
recibe un impulso.

00:04:56.460 --> 00:04:57.920
Es como tomar dos opiniones

00:04:57.920 --> 00:04:58.360
de expertos

00:04:58.360 --> 00:04:58.920
y promediarla.

00:04:59.480 --> 00:05:00.160
La respuesta final

00:05:00.160 --> 00:05:00.820
es más confiable

00:05:00.820 --> 00:05:01.520
que cualquier elevador

00:05:01.520 --> 00:05:02.020
por sí sola.

00:05:02.440 --> 00:05:02.920
Esto es importante

00:05:02.920 --> 00:05:03.520
porque la búsqueda

00:05:03.520 --> 00:05:04.240
por palabras clave

00:05:04.240 --> 00:05:04.760
y la vectorial

00:05:04.760 --> 00:05:05.440
tienen fortalezas

00:05:05.440 --> 00:05:06.160
fundamentales diferentes.

00:05:06.580 --> 00:05:07.460
La búsqueda por palabras clave

00:05:07.460 --> 00:05:08.360
destaca en las coincidencias.

00:05:08.800 --> 00:05:09.380
Es tu opción ideal

00:05:09.380 --> 00:05:10.020
para identificadores

00:05:10.020 --> 00:05:10.420
de productos,

00:05:10.520 --> 00:05:11.100
números de contrato,

00:05:11.320 --> 00:05:11.920
nombres específicos

00:05:11.920 --> 00:05:12.420
y códigos de error.

00:05:12.740 --> 00:05:13.720
Desprecisa y predecible.

00:05:14.280 --> 00:05:15.020
La búsqueda vectorial

00:05:15.020 --> 00:05:16.480
destaca en la similitud semántica

00:05:16.480 --> 00:05:17.580
encontrando documentos

00:05:17.580 --> 00:05:18.600
que comparten significado

00:05:18.600 --> 00:05:19.200
con tu consulta

00:05:19.200 --> 00:05:19.940
incluso cuando las palabras

00:05:19.940 --> 00:05:20.800
exactas no aparecen.

00:05:21.220 --> 00:05:21.720
Cum descubren

00:05:21.720 --> 00:05:22.680
los puntos y dos de la otra.

00:05:22.680 --> 00:05:24.060
El sistema captura

00:05:24.060 --> 00:05:25.100
coincidencias exactas

00:05:25.100 --> 00:05:25.720
y conceptuales

00:05:25.720 --> 00:05:26.740
en una sola consulta.

00:05:26.840 --> 00:05:27.600
Ese es el verdadero poder.

00:05:27.960 --> 00:05:28.980
Y esto no es solo teórico.

00:05:29.760 --> 00:05:30.160
La investigación

00:05:30.160 --> 00:05:31.020
sobre búsqueda híbrida

00:05:31.020 --> 00:05:31.720
empresarial muestra

00:05:31.720 --> 00:05:32.520
que ofrece entre un 70

00:05:32.520 --> 00:05:33.580
y 80% de precisión

00:05:33.580 --> 00:05:34.080
de recuperación

00:05:34.080 --> 00:05:35.020
de precisión de recuperación

00:05:35.020 --> 00:05:35.940
dependiendo del conjunto de datos.

00:05:36.060 --> 00:05:36.680
Eso es aproximadamente

00:05:36.680 --> 00:05:38.120
de 15 a 20 puntos porcentuales

00:05:38.120 --> 00:05:38.940
más alto que lo que obtienes

00:05:38.940 --> 00:05:39.620
con la búsqueda vectorial.

00:05:39.740 --> 00:05:41.140
La diferencia es significativa

00:05:41.140 --> 00:05:41.740
y se nota

00:05:41.740 --> 00:05:42.940
en resultados comerciales reales.

00:05:43.360 --> 00:05:44.000
Tomemos la plataforma

00:05:44.000 --> 00:05:44.400
de Contabay.

00:05:45.260 --> 00:05:46.320
Elementaron la búsqueda híbrida

00:05:46.320 --> 00:05:46.860
en su experiencia

00:05:46.860 --> 00:05:47.700
de atención al cliente

00:05:47.700 --> 00:05:48.420
a través de una empresa

00:05:48.420 --> 00:05:49.120
llamada Coveo.

00:05:49.120 --> 00:05:50.440
En tres meses

00:05:50.440 --> 00:05:51.120
vieron un aumento

00:05:51.120 --> 00:05:51.820
del 20%

00:05:51.820 --> 00:05:52.460
en la resolución

00:05:52.460 --> 00:05:53.140
de autoservicio.

00:05:53.700 --> 00:05:54.160
Los clientes

00:05:54.160 --> 00:05:54.880
encontraron respuestas

00:05:54.880 --> 00:05:55.340
por su cuenta

00:05:55.340 --> 00:05:55.940
con más frecuencia

00:05:55.940 --> 00:05:56.440
sin necesidad

00:05:56.440 --> 00:05:57.160
de contactar el soporte.

00:05:57.800 --> 00:05:58.320
Otros clientes

00:05:58.320 --> 00:05:59.160
en el mismo estudio de caso

00:05:59.160 --> 00:06:00.160
vieron hasta una reducción

00:06:00.160 --> 00:06:00.880
del 40%

00:06:00.880 --> 00:06:02.000
en el tiempo de resolución

00:06:02.000 --> 00:06:02.820
para casos de soporte.

00:06:03.340 --> 00:06:03.740
Eso significa

00:06:03.740 --> 00:06:04.260
que los agentes

00:06:04.260 --> 00:06:05.020
encontraron la información

00:06:05.020 --> 00:06:05.780
correcta más rápido,

00:06:05.880 --> 00:06:06.520
los clientes obtuvieron

00:06:06.520 --> 00:06:07.280
respuestas más pronto

00:06:07.280 --> 00:06:08.060
y el costo de soportes

00:06:08.060 --> 00:06:08.860
más pronto disminuyó.

00:06:09.120 --> 00:06:09.500
Eso no es solo

00:06:09.500 --> 00:06:10.580
una característica agradable,

00:06:10.680 --> 00:06:11.360
es un impacto medible

00:06:11.360 --> 00:06:12.300
en los resultados financieros.

00:06:12.640 --> 00:06:13.260
Es el punto clave.

00:06:13.620 --> 00:06:14.260
La búsqueda de híbrida

00:06:14.260 --> 00:06:14.840
no es solo una buena

00:06:14.840 --> 00:06:15.280
actualización

00:06:15.280 --> 00:06:15.680
en una casilla

00:06:15.680 --> 00:06:16.440
en una lista de funciones,

00:06:16.620 --> 00:06:17.580
es cuantificablemente mejor,

00:06:18.020 --> 00:06:18.820
ofrece mayor precisión,

00:06:18.940 --> 00:06:19.500
mayor recuperación

00:06:19.500 --> 00:06:20.080
y mejores resultados

00:06:20.080 --> 00:06:20.640
para el usuario.

00:06:21.220 --> 00:06:21.880
Y esta combinación

00:06:21.880 --> 00:06:22.320
de enfoques

00:06:22.320 --> 00:06:22.840
es lo que hace

00:06:22.840 --> 00:06:23.780
que Azure AI Search

00:06:23.780 --> 00:06:24.440
sea tan potente

00:06:24.440 --> 00:06:25.700
para las aplicaciones modernas.

00:06:26.580 --> 00:06:27.320
Hay otra tecnología

00:06:27.320 --> 00:06:27.920
que esta combinación

00:06:27.920 --> 00:06:28.360
desbloquea,

00:06:28.480 --> 00:06:29.100
una que está recibiendo

00:06:29.100 --> 00:06:29.640
mucha atención

00:06:29.640 --> 00:06:30.380
en este momento.

00:06:31.040 --> 00:06:31.760
Se llama RAC,

00:06:32.000 --> 00:06:32.800
la conexión RAC.

00:06:33.120 --> 00:06:34.020
Así que hablemos de RAC.

00:06:34.660 --> 00:06:35.240
RAC significa

00:06:35.240 --> 00:06:35.960
generación aumentada

00:06:35.960 --> 00:06:36.460
por recuperación.

00:06:36.820 --> 00:06:37.640
Es un término complejo,

00:06:37.740 --> 00:06:38.100
pero aquí tienen

00:06:38.100 --> 00:06:39.040
la definición más sencilla.

00:06:39.520 --> 00:06:40.340
Es un marco de trabajo

00:06:40.340 --> 00:06:40.720
que brinda

00:06:40.720 --> 00:06:41.280
a los asistentes

00:06:41.280 --> 00:06:41.720
de IACS

00:06:41.720 --> 00:06:42.180
o información

00:06:42.180 --> 00:06:43.000
con la que no fueron detenidos.

00:06:44.020 --> 00:06:44.600
Los modelos

00:06:44.600 --> 00:06:45.400
de lenguaje grandes

00:06:45.400 --> 00:06:46.040
como GPT

00:06:46.040 --> 00:06:46.540
saben mucho

00:06:46.540 --> 00:06:47.140
sobre historia,

00:06:47.320 --> 00:06:48.220
ciencia y programación,

00:06:48.620 --> 00:06:49.200
pero no conocen

00:06:49.200 --> 00:06:50.260
los documentos internos,

00:06:50.440 --> 00:06:50.760
políticas,

00:06:51.080 --> 00:06:51.920
historial de clientes

00:06:51.920 --> 00:06:53.460
o procedimientos específicos

00:06:53.460 --> 00:06:54.220
de tu empresa.

00:06:55.360 --> 00:06:55.940
La mayoría cree

00:06:55.940 --> 00:06:57.040
que puedes simplemente

00:06:57.040 --> 00:06:58.120
volcar todo ese conocimiento

00:06:58.120 --> 00:06:58.460
interno

00:06:58.460 --> 00:06:59.140
en el propio modelo.

00:06:59.500 --> 00:07:00.000
Eso no funciona.

00:07:00.380 --> 00:07:00.740
Es costoso

00:07:00.740 --> 00:07:01.520
y difícil de actualizar.

00:07:02.020 --> 00:07:02.420
Resuelve esto

00:07:02.420 --> 00:07:03.100
de manera inteligente.

00:07:03.680 --> 00:07:04.420
En lugar de abarrotar

00:07:04.420 --> 00:07:05.020
todo en el modelo,

00:07:05.260 --> 00:07:05.920
recuperas la información

00:07:05.920 --> 00:07:06.440
relevante

00:07:06.440 --> 00:07:07.420
de una base de conocimiento

00:07:07.420 --> 00:07:07.800
en el momento

00:07:07.800 --> 00:07:08.380
en que alguien

00:07:08.380 --> 00:07:09.140
hace una pregunta.

00:07:10.020 --> 00:07:10.700
Toma la consulta

00:07:10.700 --> 00:07:11.120
al usuario,

00:07:11.380 --> 00:07:12.440
buscas en tus datos internos,

00:07:12.540 --> 00:07:13.340
encuentras los documentos

00:07:13.340 --> 00:07:14.040
más relevantes

00:07:14.040 --> 00:07:15.000
y alimentas al LM

00:07:15.000 --> 00:07:15.760
con ese contexto

00:07:15.760 --> 00:07:16.820
junto con la pregunta original.

00:07:17.680 --> 00:07:18.260
Luego el LM

00:07:18.260 --> 00:07:18.980
genera una respuesta

00:07:18.980 --> 00:07:19.700
basada en tus datos.

00:07:20.240 --> 00:07:20.980
Esa es la magia de esto.

00:07:21.260 --> 00:07:21.560
Ahora bien,

00:07:21.680 --> 00:07:22.460
Azure AI Search

00:07:22.460 --> 00:07:23.620
es la mitad de recuperación

00:07:23.620 --> 00:07:24.180
de esa ecuación.

00:07:24.740 --> 00:07:25.180
Es el motor

00:07:25.180 --> 00:07:25.560
que encuentra

00:07:25.560 --> 00:07:26.500
los documentos correctos

00:07:26.500 --> 00:07:27.140
para que el LM

00:07:27.140 --> 00:07:28.320
pueda responder con precisión.

00:07:29.060 --> 00:07:29.480
Sin una capa

00:07:29.480 --> 00:07:30.380
de recuperación sólida,

00:07:30.480 --> 00:07:31.080
un sistema RAC

00:07:31.080 --> 00:07:31.580
es tan bueno

00:07:31.580 --> 00:07:32.280
como los documentos

00:07:32.280 --> 00:07:32.780
que encuentre.

00:07:33.340 --> 00:07:33.920
Y aquí es donde

00:07:33.920 --> 00:07:34.600
la búsqueda de hibridad

00:07:34.600 --> 00:07:35.300
realmente brilla

00:07:35.300 --> 00:07:36.260
porque las consultas RAC

00:07:36.260 --> 00:07:36.960
suelen ser preguntas

00:07:36.960 --> 00:07:37.660
en lenguaje natural.

00:07:37.840 --> 00:07:38.200
Las respuestas

00:07:38.200 --> 00:07:39.040
suelen estar en documentos

00:07:39.040 --> 00:07:39.760
que son tecnologías

00:07:39.760 --> 00:07:41.240
totalmente distintas.

00:07:41.420 --> 00:07:42.300
Déjame darte algunas cifras

00:07:42.300 --> 00:07:42.920
que realmente muestran

00:07:42.920 --> 00:07:43.240
lo diferente.

00:07:44.020 --> 00:07:45.140
Un estudio sobre búsqueda

00:07:45.140 --> 00:07:46.360
en aplicaciones empresariales

00:07:46.360 --> 00:07:47.780
encontró que un marco RAC híbrido

00:07:47.780 --> 00:07:48.700
mejoró la precisión

00:07:48.700 --> 00:07:49.240
de recuperación

00:07:49.240 --> 00:07:50.700
top cada 18 a 25 veces

00:07:50.700 --> 00:07:51.580
comparado con la búsqueda

00:07:51.580 --> 00:07:52.400
por palabras clave sola.

00:07:53.020 --> 00:07:53.600
La precisión

00:07:53.600 --> 00:07:54.220
en la finalización

00:07:54.220 --> 00:07:55.240
de tareas de flujo de trabajo

00:07:55.240 --> 00:07:56.000
mejoró 21 veces.

00:07:56.460 --> 00:07:56.980
Eso significa

00:07:56.980 --> 00:07:57.560
que los usuarios

00:07:57.560 --> 00:07:58.740
tenían muchas más probabilidades

00:07:58.740 --> 00:07:59.680
de completar con éxito

00:07:59.680 --> 00:08:00.380
tareas complejas

00:08:00.380 --> 00:08:01.360
cuando contaban con el soporte

00:08:01.360 --> 00:08:01.960
de un sistema RAC

00:08:01.960 --> 00:08:02.420
usando búsqueda.

00:08:02.840 --> 00:08:03.480
En general,

00:08:03.580 --> 00:08:04.140
los sistemas RAC

00:08:04.140 --> 00:08:04.900
bien implementados

00:08:04.900 --> 00:08:05.420
pueden aumentar

00:08:05.420 --> 00:08:06.340
la precisión de búsqueda

00:08:06.340 --> 00:08:07.800
en un promedio del 85%,

00:08:07.800 --> 00:08:08.620
con algunos dominios

00:08:08.620 --> 00:08:09.180
especializados

00:08:09.180 --> 00:08:10.560
acercándose al 99% de precisión.

00:08:11.140 --> 00:08:12.080
Y debido a que el LLM

00:08:12.080 --> 00:08:12.740
genera respuestas

00:08:12.740 --> 00:08:13.680
basadas en el contexto

00:08:13.680 --> 00:08:14.180
recuperado

00:08:14.180 --> 00:08:15.000
en lugar de sus propias

00:08:15.000 --> 00:08:15.520
suposiciones,

00:08:15.760 --> 00:08:16.340
los sistemas RAC

00:08:16.340 --> 00:08:17.140
mostraron una reducción

00:08:17.140 --> 00:08:18.100
de cerca del 40%

00:08:18.100 --> 00:08:19.080
en respuestas alucinatorias.

00:08:19.560 --> 00:08:20.720
Es por esto que Azure AI Search

00:08:20.720 --> 00:08:21.180
es fundamental

00:08:21.180 --> 00:08:21.980
para construir agentes

00:08:21.980 --> 00:08:22.820
de AI y copilotos.

00:08:23.620 --> 00:08:24.600
Proporciona la recuperación

00:08:24.600 --> 00:08:25.660
basada en hechos concretos

00:08:25.660 --> 00:08:26.480
que hace que los LLM

00:08:26.480 --> 00:08:27.100
sean confiables

00:08:27.100 --> 00:08:28.020
en un entorno empresarial.

00:08:28.640 --> 00:08:29.240
Si estás creando

00:08:29.240 --> 00:08:29.740
un asistente

00:08:29.740 --> 00:08:30.460
que necesita responder

00:08:30.460 --> 00:08:31.360
preguntas con precisión

00:08:31.360 --> 00:08:32.220
y citar sus fuentes,

00:08:32.220 --> 00:08:33.220
la búsqueda híbrida

00:08:33.220 --> 00:08:33.580
más RAC

00:08:33.580 --> 00:08:34.360
es la arquitectura

00:08:34.360 --> 00:08:35.340
a la que recurrirás,

00:08:35.740 --> 00:08:36.400
así que la búsqueda

00:08:36.400 --> 00:08:37.100
híbrida más RAC

00:08:37.100 --> 00:08:38.180
es una combinación poderosa.

00:08:38.760 --> 00:08:39.500
Pero, ¿cómo se ve esto

00:08:39.500 --> 00:08:40.320
realmente en la práctica?

00:08:41.560 --> 00:08:42.700
El impacto en el mundo real.

00:08:42.960 --> 00:08:43.560
Entonces, ¿dónde aparece

00:08:43.560 --> 00:08:44.540
esto realmente en la práctica?

00:08:44.900 --> 00:08:45.480
Permíteme darte

00:08:45.480 --> 00:08:46.080
algunos ejemplos.

00:08:46.320 --> 00:08:47.040
El comercio electrónico

00:08:47.040 --> 00:08:47.480
es probablemente

00:08:47.480 --> 00:08:47.940
el más familiar.

00:08:48.620 --> 00:08:49.300
Un cliente escribe

00:08:49.300 --> 00:08:50.040
zapatillas de correr

00:08:50.040 --> 00:08:51.020
cómodas en la barra de búsqueda.

00:08:51.520 --> 00:08:52.220
La lista de productos

00:08:52.220 --> 00:08:52.620
podría decir

00:08:52.620 --> 00:08:53.320
calzado deportivo

00:08:53.320 --> 00:08:53.760
amortiguado

00:08:53.760 --> 00:08:54.660
porque el equipo de marketing

00:08:54.660 --> 00:08:55.700
eligió otras palabras.

00:08:55.940 --> 00:08:56.240
Palabra.

00:08:56.620 --> 00:08:57.420
La búsqueda por palabras

00:08:57.420 --> 00:08:58.080
clave por sí solo

00:08:58.080 --> 00:08:58.880
a partir de la coincidencia.

00:08:59.440 --> 00:09:00.700
Con Azure AI Search

00:09:00.700 --> 00:09:01.420
el sistema entiende

00:09:01.420 --> 00:09:02.540
que cómodo y amortiguado

00:09:02.540 --> 00:09:03.720
significan casi lo mismo

00:09:03.720 --> 00:09:04.620
en este contexto.

00:09:05.420 --> 00:09:06.360
Muestra el producto correcto

00:09:06.360 --> 00:09:07.240
incluso cuando las palabras

00:09:07.240 --> 00:09:07.900
no coinciden.

00:09:08.420 --> 00:09:09.140
Eso es un cliente

00:09:09.140 --> 00:09:10.060
que encuentra lo que quiere

00:09:10.060 --> 00:09:11.000
en lugar de abandonar

00:09:11.000 --> 00:09:11.740
el sitio frustrado.

00:09:12.120 --> 00:09:12.820
Los portales de atención

00:09:12.820 --> 00:09:13.700
al cliente funcionan de manera.

00:09:14.260 --> 00:09:15.140
Imagina que un cliente escribe

00:09:15.140 --> 00:09:16.700
¿Cómo cancelo mi suscripción?

00:09:17.420 --> 00:09:18.320
La política relevante

00:09:18.320 --> 00:09:19.040
podría titularse

00:09:19.040 --> 00:09:20.380
terminación del acuerdo de servicio.

00:09:20.840 --> 00:09:21.620
La búsqueda híbrida

00:09:21.620 --> 00:09:23.040
encuentra ese documento exacto

00:09:23.040 --> 00:09:24.060
mediante la coincidencia

00:09:24.060 --> 00:09:24.720
de palabras clave

00:09:24.720 --> 00:09:25.480
en terminología legal

00:09:25.480 --> 00:09:26.180
pero también muestra

00:09:26.180 --> 00:09:26.960
una pregunta frecuente

00:09:26.960 --> 00:09:27.660
relacionada sobre

00:09:27.660 --> 00:09:28.800
¿Cómo finalizar tu plan

00:09:28.800 --> 00:09:29.400
antes de tiempo

00:09:29.400 --> 00:09:30.620
mediante similitud semántica?

00:09:31.440 --> 00:09:32.440
El cliente obtiene

00:09:32.440 --> 00:09:33.280
una respuesta integral

00:09:33.280 --> 00:09:33.980
en lugar de buscar

00:09:33.980 --> 00:09:35.300
entre cinco artículos diferentes.

00:09:36.240 --> 00:09:36.760
La recuperación

00:09:36.760 --> 00:09:37.360
de documentos legal

00:09:37.360 --> 00:09:37.940
es otro ejemplo.

00:09:38.480 --> 00:09:39.220
Los abogados necesitan

00:09:39.220 --> 00:09:39.880
buscar contratos

00:09:39.880 --> 00:09:40.700
por número de cláusulas

00:09:40.700 --> 00:09:41.560
exactos y referencias

00:09:41.560 --> 00:09:42.120
de secciones.

00:09:42.880 --> 00:09:43.700
Ese es terreno exclusivo

00:09:43.700 --> 00:09:44.440
de palabras clave

00:09:44.440 --> 00:09:45.380
pero también necesitan

00:09:45.380 --> 00:09:46.200
encontrar lenguaje similar

00:09:46.200 --> 00:09:47.000
en diferentes acuerdos

00:09:47.000 --> 00:09:48.140
incluso cuando la redacción varía.

00:09:48.920 --> 00:09:49.580
La búsqueda híbrida

00:09:49.580 --> 00:09:50.160
maneja a ambos

00:09:50.160 --> 00:09:51.100
en una sola consulta

00:09:51.100 --> 00:09:52.100
y en industrias reguladas

00:09:52.100 --> 00:09:53.280
poder rastrear exactamente

00:09:53.280 --> 00:09:53.860
por qué apareció

00:09:53.860 --> 00:09:54.320
un resultado

00:09:54.320 --> 00:09:55.740
es crítico para el cumplimiento.

00:09:55.740 --> 00:09:56.820
Las bases de conocimiento

00:09:56.820 --> 00:09:57.840
internas también se benefician.

00:09:58.720 --> 00:09:59.120
Un ampliado

00:09:59.120 --> 00:09:59.860
que busca la política

00:09:59.860 --> 00:10:00.320
de vacaciones

00:10:00.320 --> 00:10:01.040
obtiene el documento

00:10:01.040 --> 00:10:01.700
oficial de RR,

00:10:02.060 --> 00:10:03.260
pero también un correo

00:10:03.260 --> 00:10:04.100
electrónico relacionado

00:10:04.100 --> 00:10:04.700
al equipo legal

00:10:04.700 --> 00:10:05.780
sobre días acumulables

00:10:05.780 --> 00:10:06.580
y una actualización

00:10:06.580 --> 00:10:07.340
reciente publicada

00:10:07.340 --> 00:10:07.700
en la internet

00:10:07.700 --> 00:10:08.180
de la empresa.

00:10:09.380 --> 00:10:10.080
La búsqueda entiende

00:10:10.080 --> 00:10:10.660
que todos estos

00:10:10.660 --> 00:10:11.260
están conectados

00:10:11.260 --> 00:10:11.860
a la misma pregunta.

00:10:12.660 --> 00:10:13.140
La fabricación

00:10:13.140 --> 00:10:13.600
es un ejemplo

00:10:13.600 --> 00:10:14.180
menos obvio

00:10:14.180 --> 00:10:14.980
pero poderoso.

00:10:15.820 --> 00:10:16.500
Un técnico escribe

00:10:16.500 --> 00:10:17.740
reparación de sobrecalentamiento

00:10:17.740 --> 00:10:18.040
del motor

00:10:18.040 --> 00:10:18.860
en la interfaz de búsqueda.

00:10:19.600 --> 00:10:20.280
El sistema devuelve

00:10:20.280 --> 00:10:21.060
la sección de solución

00:10:21.060 --> 00:10:21.820
de problemas del manual

00:10:21.820 --> 00:10:22.220
del equipo

00:10:22.220 --> 00:10:23.000
además de un diagrama

00:10:23.000 --> 00:10:23.360
escaneado

00:10:23.360 --> 00:10:23.740
que muestra

00:10:23.740 --> 00:10:24.820
las piezas relevantes.

00:10:25.620 --> 00:10:26.180
Aunque el diagrama

00:10:26.180 --> 00:10:26.800
es una imagen

00:10:26.800 --> 00:10:27.860
Azure AI Search

00:10:27.860 --> 00:10:28.440
puede extraer

00:10:28.440 --> 00:10:28.840
e indexar

00:10:28.840 --> 00:10:29.660
su contenido de texto

00:10:29.660 --> 00:10:30.380
por lo que aparecen

00:10:30.380 --> 00:10:31.400
los resultados de búsqueda.

00:10:31.900 --> 00:10:32.480
El hilo conductor

00:10:32.480 --> 00:10:33.480
en todos estos ejemplos

00:10:33.480 --> 00:10:33.940
son los datos

00:10:33.940 --> 00:10:34.640
no estructurados,

00:10:35.420 --> 00:10:36.140
documentos de Word

00:10:36.140 --> 00:10:36.680
y que es de soporte

00:10:36.680 --> 00:10:37.400
por correo electrónico

00:10:37.400 --> 00:10:38.080
o imágenes escaneadas,

00:10:38.540 --> 00:10:39.040
las consultas

00:10:39.040 --> 00:10:39.600
de bases de datos

00:10:39.600 --> 00:10:40.140
tradicionales

00:10:40.140 --> 00:10:40.520
y la búsqueda

00:10:40.520 --> 00:10:41.160
por palabras clave

00:10:41.160 --> 00:10:41.780
en el que fueron diseñadas

00:10:41.780 --> 00:10:42.160
para este video.

00:10:42.600 --> 00:10:43.500
Azure AI Search

00:10:43.500 --> 00:10:44.560
está creada específicamente

00:10:44.560 --> 00:10:45.160
para este mundo

00:10:45.160 --> 00:10:46.200
y cuanto más lo analizas

00:10:46.200 --> 00:10:46.800
más claro queda

00:10:46.800 --> 00:10:47.300
que la búsqueda

00:10:47.300 --> 00:10:47.580
de híbrida

00:10:47.580 --> 00:10:47.940
no es solo

00:10:47.940 --> 00:10:49.000
una característica agradable,

00:10:49.360 --> 00:10:50.180
es una pieza fundamental

00:10:50.180 --> 00:10:51.160
de cómo se construyen

00:10:51.160 --> 00:10:52.060
las aplicaciones moderadas.

00:10:52.740 --> 00:10:53.540
¿Cómo encajan las piezas?

00:10:54.180 --> 00:10:54.420
Entonces,

00:10:54.540 --> 00:10:55.160
¿cómo funciona esto

00:10:55.160 --> 00:10:55.920
realmente bajo el capo?

00:10:56.380 --> 00:10:57.240
Azure AI Search

00:10:57.240 --> 00:10:57.980
tiene tres bloques

00:10:57.980 --> 00:10:59.100
de construcción principales,

00:10:59.200 --> 00:10:59.860
el origen de datos,

00:11:00.100 --> 00:11:00.640
el indexador

00:11:00.640 --> 00:11:01.660
y el índice de búsqueda.

00:11:02.380 --> 00:11:03.040
El origen de datos

00:11:03.040 --> 00:11:03.960
es donde vive su información.

00:11:04.460 --> 00:11:04.820
Podría ser

00:11:04.820 --> 00:11:05.660
almacenamiento de blobs,

00:11:05.800 --> 00:11:06.380
una base de datos

00:11:06.380 --> 00:11:07.140
SQL de Azure,

00:11:07.340 --> 00:11:07.760
Cosmos DB

00:11:07.760 --> 00:11:08.860
o incluso SharePoint

00:11:08.860 --> 00:11:10.300
es la materia prima

00:11:10.300 --> 00:11:11.340
que necesita ser buscable.

00:11:11.960 --> 00:11:12.420
Piensa en ello

00:11:12.420 --> 00:11:13.460
como la pila de documentos

00:11:13.460 --> 00:11:14.260
esperando a ser organista.

00:11:14.960 --> 00:11:15.520
El indexador

00:11:15.520 --> 00:11:16.140
es la tubería

00:11:16.140 --> 00:11:16.940
que lee los datos

00:11:16.940 --> 00:11:17.560
de esa fuente,

00:11:18.020 --> 00:11:18.720
extrae el contenido,

00:11:18.940 --> 00:11:19.780
aplica el enriquecimiento

00:11:19.780 --> 00:11:20.560
de ya configurado

00:11:20.560 --> 00:11:21.380
y luego construye

00:11:21.380 --> 00:11:22.500
el índice de búsqueda.

00:11:23.380 --> 00:11:23.900
Aquí hay una manera

00:11:23.900 --> 00:11:24.480
sencilla de visor.

00:11:25.320 --> 00:11:26.440
Imagina a un bibliotecario

00:11:26.440 --> 00:11:27.420
entrando en un almacén

00:11:27.420 --> 00:11:28.120
lleno de libros.

00:11:28.800 --> 00:11:29.660
Lee cada uno de ellos,

00:11:29.820 --> 00:11:30.660
toma notas detalladas,

00:11:30.860 --> 00:11:31.500
identifica temas

00:11:31.500 --> 00:11:32.240
y entidades clave

00:11:32.240 --> 00:11:33.120
y organiza todo

00:11:33.120 --> 00:11:34.320
en un catálogo de fichas.

00:11:34.760 --> 00:11:35.840
Esa lectura y toma de notas

00:11:35.840 --> 00:11:36.940
es el proceso de indexación.

00:11:37.320 --> 00:11:37.940
El índice de búsqueda

00:11:37.940 --> 00:11:38.780
es ese catálogo de fichas.

00:11:39.200 --> 00:11:40.080
No son los libros en sí.

00:11:40.860 --> 00:11:41.880
Es el sistema estructurado

00:11:41.880 --> 00:11:42.420
y optimizado

00:11:42.420 --> 00:11:43.360
que le permite encontrar

00:11:43.360 --> 00:11:44.540
exactamente lo que necesita

00:11:44.540 --> 00:11:45.160
en milisegundos.

00:11:45.980 --> 00:11:46.880
Cuando escribe una consulta,

00:11:46.940 --> 00:11:47.700
el sistema no vuelve

00:11:47.700 --> 00:11:48.680
a los documentos originales

00:11:48.680 --> 00:11:49.340
para escanearlos.

00:11:50.180 --> 00:11:50.540
En cambio,

00:11:50.680 --> 00:11:51.360
buscan el índice

00:11:51.360 --> 00:11:52.560
que ya sabe exactamente

00:11:52.560 --> 00:11:53.640
dónde está ubicado todo.

00:11:54.660 --> 00:11:55.360
Esta proorganización

00:11:55.360 --> 00:11:56.600
se llama índice invertido.

00:11:57.160 --> 00:11:57.900
En lugar de almacenar

00:11:57.900 --> 00:11:58.800
documentos con una lista

00:11:58.800 --> 00:11:59.640
de palabras que contienen,

00:11:59.760 --> 00:12:00.460
usted almacena palabras

00:12:00.460 --> 00:12:01.300
con una lista de documentos

00:12:01.300 --> 00:12:01.620
que la tiene.

00:12:02.040 --> 00:12:02.620
Eso significa que

00:12:02.620 --> 00:12:03.460
cuando busca un término,

00:12:03.540 --> 00:12:04.200
salta directamente

00:12:04.200 --> 00:12:05.040
al lugar correcto,

00:12:05.160 --> 00:12:06.180
sin pasar página por página.

00:12:06.680 --> 00:12:07.640
El resultado es una mejora

00:12:07.640 --> 00:12:08.220
masiva en la velocidad.

00:12:08.660 --> 00:12:09.660
En lugar de tener que escanear

00:12:09.660 --> 00:12:10.280
cada documento,

00:12:10.320 --> 00:12:11.240
lo cual toma más tiempo

00:12:11.240 --> 00:12:12.240
a medida que crecen sus datos,

00:12:12.400 --> 00:12:12.980
salta directamente

00:12:12.980 --> 00:12:14.080
a la ubicación correcta.

00:12:14.620 --> 00:12:15.660
Con millones de documentos,

00:12:15.780 --> 00:12:16.520
esa diferencia es la que

00:12:16.520 --> 00:12:17.180
separa una búsqueda

00:12:17.180 --> 00:12:17.940
que toma segundos

00:12:17.940 --> 00:12:19.360
de una que toma milisegundos

00:12:19.360 --> 00:12:20.340
de una que toma milisegundos.

00:12:20.460 --> 00:12:20.700
Entonces,

00:12:20.840 --> 00:12:21.340
ahora comprende

00:12:21.340 --> 00:12:22.360
qué es Azure AI Search,

00:12:22.460 --> 00:12:22.840
cómo encajan

00:12:22.840 --> 00:12:23.820
los componentes principales

00:12:23.820 --> 00:12:24.800
y por qué la búsqueda híbrida

00:12:24.800 --> 00:12:25.720
cambia las reglas del juego.

00:12:26.240 --> 00:12:27.120
Terminemos con algunas cosas

00:12:27.120 --> 00:12:28.240
que realmente puede hacer con esto.

00:12:29.020 --> 00:12:29.380
Primero,

00:12:29.500 --> 00:12:30.200
entienda sus datos.

00:12:30.660 --> 00:12:31.660
Si ya están estructurados,

00:12:31.920 --> 00:12:32.780
piensa en tablas de productos

00:12:32.780 --> 00:12:33.180
en SQL,

00:12:33.460 --> 00:12:34.240
registros de clientes

00:12:34.240 --> 00:12:34.920
en una base de datos,

00:12:35.300 --> 00:12:36.120
cualquier cosa con filas

00:12:36.120 --> 00:12:36.860
y columnas limpias,

00:12:37.200 --> 00:12:37.960
puede consultarlo directamente

00:12:37.960 --> 00:12:38.420
con SQL.

00:12:39.380 --> 00:12:40.080
Azure AI Search

00:12:40.080 --> 00:12:40.980
está diseñado para texto

00:12:40.980 --> 00:12:41.520
no estructurado.

00:12:41.840 --> 00:12:42.520
Eso de archivos PDF,

00:12:42.680 --> 00:12:43.240
correos electrónicos,

00:12:43.340 --> 00:12:43.880
documentos de Word,

00:12:43.920 --> 00:12:44.380
tickets o poco.

00:12:44.800 --> 00:12:45.360
Ahí es donde ofrece

00:12:45.360 --> 00:12:45.920
un valor real.

00:12:46.780 --> 00:12:47.180
Segundo,

00:12:47.360 --> 00:12:47.920
si está creando

00:12:47.920 --> 00:12:48.740
una aplicación RAG

00:12:48.740 --> 00:12:49.780
o un asistente de AI,

00:12:50.020 --> 00:12:50.860
Azure AI Search

00:12:50.860 --> 00:12:51.660
con búsqueda híbrida

00:12:51.660 --> 00:12:52.820
es el motor de recuperación

00:12:52.820 --> 00:12:53.660
que desea detrás.

00:12:54.160 --> 00:12:55.500
Le ofrece coincidencias exactas

00:12:55.500 --> 00:12:56.180
de palabras clave

00:12:56.180 --> 00:12:56.800
para precisión

00:12:56.800 --> 00:12:57.620
y comprensión semántica

00:12:57.620 --> 00:12:58.060
para el contexto.

00:12:58.480 --> 00:12:59.060
Esa combinación

00:12:59.060 --> 00:13:00.260
genera respuestas más fiables

00:13:00.260 --> 00:13:01.100
y fáciles de citar

00:13:01.100 --> 00:13:01.940
que cualquiera de los dos

00:13:01.940 --> 00:13:02.760
enfoques por separado.

00:13:03.640 --> 00:13:03.960
Tercero,

00:13:04.000 --> 00:13:04.780
no compliques demasiado

00:13:04.780 --> 00:13:05.380
la configuración.

00:13:05.840 --> 00:13:06.420
El portal de Azure

00:13:06.420 --> 00:13:07.040
tiene un asistente

00:13:07.040 --> 00:13:07.680
para importar datos.

00:13:08.020 --> 00:13:08.840
Conecta tu almacenamiento

00:13:08.840 --> 00:13:09.180
de blobs,

00:13:09.320 --> 00:13:10.220
configura algunos ajustes

00:13:10.220 --> 00:13:11.160
y deja que el indexador

00:13:11.160 --> 00:13:11.940
cree tu primer índice.

00:13:12.240 --> 00:13:13.040
Puedes realizar tu primera

00:13:13.040 --> 00:13:13.900
búsqueda a menos de una hora.

00:13:14.260 --> 00:13:14.640
Así que eso es

00:13:14.640 --> 00:13:15.360
Azure AI Search

00:13:15.360 --> 00:13:15.980
en palabras sencillas.

00:13:16.240 --> 00:13:17.360
Toma información desordenada

00:13:17.360 --> 00:13:18.120
y no estructurada

00:13:18.120 --> 00:13:19.000
y la convierte

00:13:19.000 --> 00:13:19.940
en conocimiento buscable

00:13:19.940 --> 00:13:20.840
y listo para la AI.

00:13:21.260 --> 00:13:22.100
Gracias por acompañarme.

00:13:22.660 --> 00:13:23.020
Suscríbete

00:13:23.020 --> 00:13:23.360
y nos vemos

00:13:23.360 --> 00:13:24.240
en el próximo episodio.