Hola a todos y bienvenidos a otro episodio de Microsoft Knowledge Nuggets aquí en M365FM. ¿M? ¿Tú hizo anfitrión Mirko Pit? El tema de hoy es algo de lo que casi todos han oído hablar, pero que muy pocos entienden realmente. Base de datos vectorial. Probablemente hayan visto ese término en artículos sobre IA o lo hayan escuchado en conversaciones sobre Copilot y ChatGPT. ¿Pero qué es exactamente una base de datos vectorial? ¿Es solo una base de datos normal con una más elegante? ¿O es algo completamente diferente? Imaginen buscar en un sitio de comercio electrónico de chaqueta roja y obtener resultados que muestran abrigo carmesí, prenda color burdeo. ¿Cómo sabe la computadora que son lo mismo? No es coincidencia de palabras claras. Carmesí no es rojo y abrigo no es chaqueta. Sin embargo, de alguna manera el motor de búsqueda entiende que están relacionados y eso es la búsqueda vectorial en acción. Al final de este episodio entenderán qué son realmente las bases de datos vectoriales, por qué potencian la búsqueda por IA y Copilot y cómo encajan en la nube de Microsoft. Lo explicaremos de forma sencilla. Sin matemáticas, sin jerga, solo bloques de construcción claros. ¿Qué es realmente un vector? Comencemos con la pregunta fundamental. ¿Qué es exactamente un vector? Cuando la mayoría de la gente escucha la palabra vector, se imagina una flecha de la clase de física, dirección y magnitud. En informática es mucho más simple. Un vector es realmente solo una lista de números. Una matriz unidimensional que representa algo en un formato con el que la computadora puede trabajar. Aquí tiene una forma práctica de visualizar. Si les dijera que se reúnan conmigo en el tercer piso a la vez a la 12, esos son tres números que describen una ubicación específica. Eso es un vector tridimensional que les dice exactamente dónde está algo en un edificio. Ahora imaginen que añado más detalle. Color de la puerta, tamaño de la habitación, precio por pie cuadrado. Cada nuevo detalle se convierte en otra dimensión. Así que cuantas más dimensiones acumulen, más información pueden capturar sobre esa cosa. Un automóvil podría describirse por velocidad, kilometraje, precio, peso y calificación de seguridad. Eso es un vector de cinco dimensiones. Un producto podría describirse por cientos de características, lo que da un vector de alta dimensión. Aquí está el punto. Los vectores nos permiten convertir cosas en números que las computadoras pueden con. Palabras, imágenes, sonidos, documentos, cualquier cosa puede convertirse en una lista de números. Una vez que todos son números, se puede empezar a medir qué tan similares son realmente dos cosas. Dos habitaciones en el mismo piso con colores de puertas similares terminan cerca de una de la otra en el espacio vectorial. Y dos productos con características similares también se agrupan. Esa idea simple es lo que hace posible la búsqueda moderna con IA. De vectores a embeddings, no todos. Vectores son iguales. Existe un tipo especial llamado embedding y ahí es donde reside el verdadero poder. Entonces, ¿qué es exactamente un embedding? Un embedding es un vector que representa el significado. Un modelo de aprendizaje automático como TextEmbedding 3Mod de Azure OpenAI. Lee el texto y lo coloca en un espacio de alta dimensión. El modelo aprendió de miles de millones de ejemplos, por lo que entiende cómo se relacionan las palabras. Rey y reina terminan cerca uno del otro porque comparten un contexto similar. Rey y café terminan muy lejos porque no lo comparten. Aquí explico lo que eso significa en términos. Cuando buscas chaqueta roja, el sistema encuentra abrigo carmesí. El modelo de embedding reconoce que rojo y carmesí tienen significados cercanos y que chaqueta y abrigo también. Los embeddings de esas dos frases se vuelven vecinos en el espacio vectorial. La computadora ya no está comprando letras. Está comprando significado. Ahora, déjame darte un ejemplo clásico. Toma el vector de rey, resta el vector de hombre y suma el vector de mujer. El resultado es muy cercano al vector de reina. Rey menos hombre más mujer es igual a reina. Eso puede sonar a magia, pero es realmente como el modelo integra las relaciones en números. Aprendió que rey y reina comparten una relación similar a la de hombre y mujer, y esa relación está codificada en las coordenadas. Entonces, los modelos de embedding toman tus datos sin procesar, ya sean texto, imágenes o audio, y los convierten en una lista de números que representan su significado. Esos números se convierten en coordenadas en un espacio de alta dimensión. Luego, cuando realizas una búsqueda, tu consulta se convierte en el mismo tipo de coordenadas. Todo lo que hace es medir la distancia entre ellas. Esa es la idea central. ¿Por qué las bases de datos traicionan ese cancro? Si los embeddings son tan poderosos, ¿por qué no podemos usar simplemente una base de datos? Respondamos a eso. Las bases de datos SQL tradicionales están diseñadas para coincidencias. Escribes donde el color es rojo, y encuentra cada fila donde la columna de color es literalmente rojo. Eso funciona muy bien para datos estructurados como nombres de clientes, fechas de pedidos o precios, pero falla por completo cuando necesitas significados difusos. Intenta escribir una consulta a SQL que encuentre abrigo carmesí cuando tus datos solo dicen chaqueta borgoña. No puedes porque SQL no entiende conceptos. Las bases de datos tradicionales almacenan datos en filas y columna. Están optimizadas para uniones, agregaciones y búsquedas exactas. No saben que coche y automóvil son la misma cosa. No saben que emocionado y entusiasmado son emociones similares. Solo comparan cadenas de texto. Y si tus datos no están estructurados, como PDFs, imágenes, grabaciones de audio o documentos largos, las bases de datos tradicionales pueden almacenarlos como un blog, pero no pueden buscar realmente su contenido. Necesitarías una búsqueda de texto completo, que todavía depende de la coincidencia de palabras clave. Si el usuario escribe informe y presupuesto, pero el documento dice resumen financiero, la búsqueda por palabra clave lo emite por completo. Piénsalo de esta mano. Una base de datos común es como un archivado. Necesitas saber el nombre exacto del archivo para encontrar lo que buscas. Una base de datos vectorial es como un bibliotecario que entiende lo que quieres decir. Puedes decir, necesito ese documento sobre los gastos del último trimestre. Y el bibliotecario sabe exactamente qué carpeta buscar, incluso si la carpeta está etiquetada como resumen financiero del tercer trimestre. El bibliotecario entiende la intención, no solo la etiqueta. Por eso existen las bases de datos vectorial. Almacenan en beddings, esos vectores que capturan el significado, y los indexan de forma que la búsqueda de similitud sea rápida. No reemplazan a las bases de datos tradicionales. Añaden una capa de comprensión encima, y esa capa lo cambia todo. ¿Cómo funcionan las bases de datos vectoriales? Entonces, ¿cómo funciona todo esto detrás de sí? Revisemos las dos fases principales, ingesta y consulta. La ingesta es la fase de configuración. Tomas tus datos sin procesar, descripciones de productos, ticket de soporte, documentos internos, lo que sea que tengas, y pasas cada pieza por algo que sea el modelo de embedding. Ese modelo convierte el texto en un vector, que básicamente es una lista de números que captura el significado. Luego almacenas ese vector en la base de datos junto con algunos metadatos, un texto original, una marca de tiempo, quizás una categoría o una URL de origen. Ahora, aquí viene el pato ingenioso. Si tuvieras un millón de documentos, revisar cada vector uno por uno tomaría una eternidad. Por eso las bases de datos usan algo llamado indexación. Piensa en la indexación como crear un mapa del espacio vectorial en lugar de llamar a cada puerta. Dos métodos comunes son IVF y HNSW. IVF significa índice de archivo invertido. Funciona agrupando vectores similares en clústeres. Cuando buscas, en lugar de escanear el millón de vectores, solo revisa los clústeres más prometedores. Es como buscar una biblioteca. Vas directamente a la sección correcta en lugar de revisar cada estante. HNSW significa mundo pequeño navegable jerárquico. La idea es bastante elegante. Construye un mapa multicapa de tus vectores. La capa superior contiene algunos vectores representativos que te dan una idea general de dónde están las cosas. Cada capa inferior se vuelve más detallado. Cuando buscas, comienzas en la parte superior, encuentras el vecindario general y luego profundizas capa por capa hasta llegar a la coincidencia exacta. Es como usar primero un mapa de la ciudad, luego uno del vecindario y finalmente uno de la calle. Cada uno te acerca más. El resultado es que puedes buscar millones de vectores en milisegundos. Eso es lo que potencia las funciones de IA en tiempo rápido. Cuando escribes una pregunta en un copiloto y obtienes una respuesta en segundos, en algún lugar una base de datos vectorial acaba de ejecutar una búsqueda de similitud entre miles o millones de documentos. La fase de consulta funciona de la misma manera inversa. Escribes tu pregunta. Esa pregunta se convierte en un vector utilizando exactamente el mismo modelo de incrustación. Luego la base de datos encuentra los vecinos más cercanos a tu vector de consulta usando el IA. Devuelve los resultados más similares clasificados por distancia. Cuanto más cercanos estén los vectores, más relevante es el resultado. El ecosistema de Microsoft, donde viven los vectores. ¿Dónde vive todo esto en el mundo de Microsoft? La respuesta corta es parte. Microsoft está añadiendo capacidades vectoriales a las plataformas de datos que ya usas en lugar de empujarte hacia una base de datos especializada independiente. Repasemos las principales. Azure AI Search es el almacén vectorial más común para Rack empresarial. Es su generación aumentada por recuperación. Admite búsqueda híbrida, lo que significa que combina la coincidencia tradicional de palabras clave con la similitud vectorial. ¿Por qué es importante eso? Porque algunas búsquedas funcionan mejor con palabras clave, códigos de producto, exactos nombres o fechas, mientras que otras necesitan comprensión semántica. La búsqueda híbrida te ofrece ambas. Azure AI Search también incluye vectorización integrada, por lo que puedes configurar una canalización que fragmente documentos, genere incrustaciones y los indexe automáticamente sin escribir código personalizado. Cosmos de Vera tiene búsqueda vectorial nativa con indexación Disk-AN. Disk-AN significa vecino más cercano aproximado basado en disco, y está diseñada para una tendencia inferior a 20 milisegundos incluso a gran escala. Eso es excelente para los datos operativos que ya residen en Cosmos DB. Digamos que estás creando una aplicación de comercio electrónico con Cosmos DB como Back. Ahora puedes añadir búsqueda vectorial directamente a tu catálogo de productos y mover datos a un servicio independiente. Un cliente busca zapatos ligeros de verano y tu aplicación encuentra productos con descripciones similares dentro de tu base de datos existente. Azure SQL Server 2025 y Azure SQL Database también se han unido a la fiesta. Ahora incluyen un tipo de datos vectoriales nativo y funciones como la búsqueda vectorial. Eso significa que puedes almacenar incrustaciones junto a tus datos relacionales. Registro de clientes con representaciones vectoriales de sus preferencias, artículos de inventario con descripciones vectoriales, tickets de soporte con incrustaciones vectoriales de su contenido. No necesitas una base de datos vectorial independiente. Tus habilidades actuales en SQL siguen siendo vanas. Solo añade una columna vectorial, crea un índice y empieza a consultar por similitud. Así es como Copilot utiliza esto internamente. Cuando pides, muéstrame el informe de ventas del tercer trimestre del año pasado, Copilot no busca la frase exacta de informe de ventas del tercer trimestre. Convierte tu pregunta en un vector, busca entre documentos indexados, correos electrónicos, archivos de SharePoint, documentos de OneDrive, chats de Teams y encuentra el documento cuyo embedding es más cercano a tu consulta. Podré encontrar un archivo llamado resumen financiero del tercer trimestre de 2024 porque el significado coincide aunque las palabras exactas no lo hagan. Eso es la búsqueda vector en acción. La clave aquí es la estrategia de Microsoft. En lugar de decir, ve a comprar una base de datos vectorial especializada, está añadiendo capacidades vectoriales a las herramientas que ya usas. Azure AI Search, Cosmos DB, SQL Server, todos ellos ya usan vectores. No necesitas aprender un nuevo sitio. Solo necesitas entender el concepto. Microsoft se encarga del trabajo pesado. Casos de uso reales en IA. ¿Dónde ves realmente las bases de datos vectoriales en funcionamiento hoy en día? Así es como se desarrolla el mundo real. Reagen más importante. Eso significa generación aumentada por recuperación y es como funciona la mayoría de la empresarial ahora. Cuando le haces una pregunta a un chatbot, este no adivina a partir de sus datos de entrenamiento. En cambio, busca en una base de datos vectorial documentos relevantes, toma las coincidencias más cercanas y las entrega al modelo de lenguaje como contexto. El modelo construye entonces una respuesta a partir de esos documentos reales. Eso significa respuestas precisas sobre las políticas, productos o datos de tu problema. Sin bases de datos vectoriales, la IA estaría adivinando a partir de conocimientos generales de internet. Con ellas extrae información directamente de tus archivos reales. Los motores de recomendación son otro caso de uso enorme. Netflix, Amazon, YouTube, todos funcionan de la misma manera. Convierten a los usuarios en vectores según su comportamiento, lo que miras, compras o donde haces clic. Y convierten los artículos en vectores basados en descripciones, reseñas y características. Los simplemente encuentran más cercanos. Si tu vector está cerca del vector de una película, te recomiendan esa película. Eso es búsqueda de similitud a gran escala, ejecutándose cientos de veces por segundo para cada usuario. La búsqueda semántica es el tercer gran caso. Es una búsqueda por significado, no por palabras claras. Un agente de soporte escribe, el cliente no puede iniciar sesión tras establecer la contraseña. Y encuentra un artículo llamado, solución de problemas de autenticación tras actualizaciones de credencia. Las palabras no coinciden, pero significados. Eso es lo que permite la búsqueda de vector. Para un equipo que maneja cientos de tickets al día, esto reduce drásticamente el tiempo de resolución. Luego está la detección normal. Menos obvia, pero muy potente. Incorporas el comportamiento normal, los patrones de transacciones típicos, las métricas habituales del sistema, las acciones de los usuarios. Almacenas esos vectores y luego marcas todo lo que aterrice lejos del grupo. Una transacción que no se parece en nada a lo normal de su fraud. Una métrica del servidor fuera del rango habitual significa que se avecina un incidente. Las bases de datos vectoriales hacen que esto sea lo suficientemente rápido para ejecutar sin tiempo. En el mundo de Microsoft esto aparece en todas partes. PowerApp se utiliza búsqueda vectorial para sugerencias de IA cuando creas formularios. Dynamics 365 la utiliza para búsquedas inteligentes en los registros de clientes. Las transcripciones de reuniones de Teams se convierten en vectores para que puedas buscar qué decidimos sobre presupuesto y encontrar el momento exacto una grabación. Copilot para Microsoft 365 es esencialmente un sistema RA gigante que funciona sobre tus datos personales y empresariales todo impulsado por búsqueda vectorial. Mantener todo sincronizado. ETL vectorial. Ahora aquí está el desafío práctico. Los datos cambian, los documentos se actualizan, se añaden nuevos productos y se archivan políticas antiguas. Cada vez que tus datos de origen cambian, tus vectores también deben cambiar. Ahí es donde entra en juego la televeg. ETL significa extraer, transformar y cargar. Para las bases de datos vectoriales, el proceso funciona así. Primero, extraes documentos nuevos o modificados de tu origen, tal vez un contenedor de almacenamiento blog, una biblioteca de SharePoint, una base de datos SQL. Luego los transformas dividiendo el texto en fragmentos manejables y pasando cada fragmento por tu modelo de incrustación. Finalmente, cargas los vectores resultantes en tu almacén vectorial, junto con metadatos como la URL de origen, una marca de tiempo y la versión del modelo utilizada. La mejor práctica aquí es procesar de forma incremental. No vuelvas a incrustar todo tu corpus cada vez que algo cambia. Procesa solo los documentos que realmente cambian. Haz un seguimiento de qué versión del modelo generó cada incrustación, actualiza tu modelo y los vectores antiguos se volverán inconsistentes con lo nuevo. Y vigila tus costos. Las SAP y la incrustación cobran por token, por lo que procesar millones de documentos suma rápido. En Azure, un flujo de trabajo típico es sencillo. Deposita tus documentos en el almacenamiento blog. Luego, configura un indexador de Azure AI Search con un conjunto de habilidades integrado que maneje la división y la incrustación automáticamente. Microsoft proporciona la habilidad de división de texto para fragmentar y la habilidad del modelo de incrustación de Azure Open AI para generar vectores. El indexador se ejecuta según un horario, recoge archivos nuevos, los procesa y actualiza los vectores en el índice. No se necesita código de canalización personalizado. Aquí hay un error común. Ignoran los metadatos. Cada vector necesita su referencia de origen, el nombre y versión del modelo de incrustación y una marca de tiempo de gracia. Sin eso, no puedes rastrear de dónde viene un resultado o no puedes volver a incrustar cuando cambian los modelos y tendrás dificultades con las auditorías de cumplimiento. Trata tus vectores como cualquier otro dato empresarial. Rastela su linaje. Tus siguientes pasos. ¿Tú eres listo para probar esto por ti mismo? Piensa de forma sencilla. Abre el portal de Azure y cree un recurso de Azure AI Search. Luego habilite la búsqueda vectorial en un índice existente. Suba algunos documentos, elige un modelo de incrustación y ejecute una consulta de similitud. Verá que funciona en menos de una hora. Para desarrolladores, obtengan SDK de Python. Incrusten un puñado de documentos usando Azure Open AI. Almacénenlos en la búsqueda vectorial de Cosmos DB y escriban una consulta que encuentre la coincidencia más cercana. Microsoft proporciona ejemplos de código y documentación claros para guiar otra vez. No tiene que convertirse en un científico de datos para usar bases de datos vectorial. Las herramientas de Microsoft manejan la generación de incrustaciones, la indexación y la lógica de consulta. Su único trabajo es entender el concepto y apuntar las herramientas a sus propios datos. ¿Tiene un desafío? Piensa en el problema de búsqueda con el que lidiará. Quizás sea encontrar documentos internos, buscarme un catálogo de productos o responder preguntas de clientes desde una base de conocimiento. Poder en la búsqueda vectorial superar la coincidencia de palabra. Elija un conjunto de datos pequeño, incluso 100 documentos, y pruébelo. Sentirá la diferencia de inmediato. Entonces ahora entiende lo que realmente son las bases de datos vectorial. No son una tecnología de IA misteriosa, son solo una forma de almacenar y buscar el significado de sus datos en lugar de las palabras exactas. Impulsan la búsqueda inteligente y las funciones de IA dentro de Microsoft 365 Azure I Copilot. Cada vez que hace una pregunta y obtiene una respuesta relevante, en algún lugar una base de datos vectorial encontró la coincidencia más cercana a su consulta. Sus hechos estructurados, nombres de clientes, montos de pedidos, contenidos de inventario, eso siguen viviendo en bases de datos tradicionales. Las bases de datos vectoriales añaden la capa de comprensión. Permiten que su aplicación busque por significado, por intención, por contexto. Ese es el panorama general. Suscríbase para más explicaciones en lenguaje sencillo sobre la tecnología de Microsoft. La próxima vez, veremos cómo funcionan realmente las canalizaciones Racky y cómo puede construir una app en una tarde. De la escuchar.