WEBVTT

00:00:00.000 --> 00:00:04.540
Hola a todos y bienvenidos a otro episodio de Microsoft Knowledge Nuggets aquí en M365FM.

00:00:04.800 --> 00:00:06.220
¿M? ¿Tú hizo anfitrión Mirko Pit?

00:00:06.620 --> 00:00:10.340
El tema de hoy es algo de lo que casi todos han oído hablar, pero que muy pocos entienden realmente.

00:00:10.840 --> 00:00:11.660
Base de datos vectorial.

00:00:12.120 --> 00:00:16.580
Probablemente hayan visto ese término en artículos sobre IA o lo hayan escuchado en conversaciones sobre Copilot y ChatGPT.

00:00:16.920 --> 00:00:18.320
¿Pero qué es exactamente una base de datos vectorial?

00:00:18.620 --> 00:00:20.500
¿Es solo una base de datos normal con una más elegante?

00:00:20.960 --> 00:00:22.260
¿O es algo completamente diferente?

00:00:22.580 --> 00:00:27.560
Imaginen buscar en un sitio de comercio electrónico de chaqueta roja y obtener resultados que muestran abrigo carmesí, prenda color burdeo.

00:00:27.560 --> 00:00:30.020
¿Cómo sabe la computadora que son lo mismo?

00:00:30.620 --> 00:00:32.000
No es coincidencia de palabras claras.

00:00:32.260 --> 00:00:34.400
Carmesí no es rojo y abrigo no es chaqueta.

00:00:35.280 --> 00:00:38.960
Sin embargo, de alguna manera el motor de búsqueda entiende que están relacionados y eso es la búsqueda vectorial en acción.

00:00:39.380 --> 00:00:42.600
Al final de este episodio entenderán qué son realmente las bases de datos vectoriales,

00:00:42.660 --> 00:00:46.120
por qué potencian la búsqueda por IA y Copilot y cómo encajan en la nube de Microsoft.

00:00:46.840 --> 00:00:48.060
Lo explicaremos de forma sencilla.

00:00:48.520 --> 00:00:51.020
Sin matemáticas, sin jerga, solo bloques de construcción claros.

00:00:51.460 --> 00:00:52.480
¿Qué es realmente un vector?

00:00:53.400 --> 00:00:54.680
Comencemos con la pregunta fundamental.

00:00:55.020 --> 00:00:56.120
¿Qué es exactamente un vector?

00:00:56.120 --> 00:01:01.580
Cuando la mayoría de la gente escucha la palabra vector, se imagina una flecha de la clase de física, dirección y magnitud.

00:01:01.980 --> 00:01:03.080
En informática es mucho más simple.

00:01:03.600 --> 00:01:04.960
Un vector es realmente solo una lista de números.

00:01:05.680 --> 00:01:09.180
Una matriz unidimensional que representa algo en un formato con el que la computadora puede trabajar.

00:01:09.540 --> 00:01:10.900
Aquí tiene una forma práctica de visualizar.

00:01:11.220 --> 00:01:13.960
Si les dijera que se reúnan conmigo en el tercer piso a la vez a la 12,

00:01:14.100 --> 00:01:16.260
esos son tres números que describen una ubicación específica.

00:01:16.660 --> 00:01:19.980
Eso es un vector tridimensional que les dice exactamente dónde está algo en un edificio.

00:01:20.420 --> 00:01:21.460
Ahora imaginen que añado más detalle.

00:01:21.840 --> 00:01:24.620
Color de la puerta, tamaño de la habitación, precio por pie cuadrado.

00:01:24.620 --> 00:01:26.860
Cada nuevo detalle se convierte en otra dimensión.

00:01:27.300 --> 00:01:30.800
Así que cuantas más dimensiones acumulen, más información pueden capturar sobre esa cosa.

00:01:31.160 --> 00:01:34.800
Un automóvil podría describirse por velocidad, kilometraje, precio, peso y calificación de seguridad.

00:01:35.040 --> 00:01:36.260
Eso es un vector de cinco dimensiones.

00:01:36.660 --> 00:01:40.380
Un producto podría describirse por cientos de características, lo que da un vector de alta dimensión.

00:01:40.900 --> 00:01:41.400
Aquí está el punto.

00:01:41.400 --> 00:01:44.320
Los vectores nos permiten convertir cosas en números que las computadoras pueden con.

00:01:44.480 --> 00:01:47.760
Palabras, imágenes, sonidos, documentos, cualquier cosa puede convertirse en una lista de números.

00:01:47.980 --> 00:01:51.080
Una vez que todos son números, se puede empezar a medir qué tan similares son realmente dos cosas.

00:01:51.640 --> 00:01:55.440
Dos habitaciones en el mismo piso con colores de puertas similares terminan cerca de una de la otra en el espacio vectorial.

00:01:55.760 --> 00:01:58.120
Y dos productos con características similares también se agrupan.

00:01:58.860 --> 00:02:01.300
Esa idea simple es lo que hace posible la búsqueda moderna con IA.

00:02:02.080 --> 00:02:03.440
De vectores a embeddings, no todos.

00:02:03.540 --> 00:02:04.420
Vectores son iguales.

00:02:05.080 --> 00:02:08.120
Existe un tipo especial llamado embedding y ahí es donde reside el verdadero poder.

00:02:08.120 --> 00:02:09.600
Entonces, ¿qué es exactamente un embedding?

00:02:09.880 --> 00:02:11.900
Un embedding es un vector que representa el significado.

00:02:12.300 --> 00:02:15.680
Un modelo de aprendizaje automático como TextEmbedding 3Mod de Azure OpenAI.

00:02:16.080 --> 00:02:18.400
Lee el texto y lo coloca en un espacio de alta dimensión.

00:02:18.880 --> 00:02:22.480
El modelo aprendió de miles de millones de ejemplos, por lo que entiende cómo se relacionan las palabras.

00:02:23.360 --> 00:02:26.280
Rey y reina terminan cerca uno del otro porque comparten un contexto similar.

00:02:27.080 --> 00:02:29.240
Rey y café terminan muy lejos porque no lo comparten.

00:02:30.000 --> 00:02:31.260
Aquí explico lo que eso significa en términos.

00:02:31.560 --> 00:02:34.760
Cuando buscas chaqueta roja, el sistema encuentra abrigo carmesí.

00:02:34.760 --> 00:02:40.720
El modelo de embedding reconoce que rojo y carmesí tienen significados cercanos y que chaqueta y abrigo también.

00:02:41.740 --> 00:02:44.620
Los embeddings de esas dos frases se vuelven vecinos en el espacio vectorial.

00:02:45.060 --> 00:02:46.440
La computadora ya no está comprando letras.

00:02:47.100 --> 00:02:47.920
Está comprando significado.

00:02:48.800 --> 00:02:50.260
Ahora, déjame darte un ejemplo clásico.

00:02:50.900 --> 00:02:54.300
Toma el vector de rey, resta el vector de hombre y suma el vector de mujer.

00:02:55.400 --> 00:02:57.620
El resultado es muy cercano al vector de reina.

00:02:58.340 --> 00:02:59.820
Rey menos hombre más mujer es igual a reina.

00:03:00.440 --> 00:03:04.040
Eso puede sonar a magia, pero es realmente como el modelo integra las relaciones en números.

00:03:04.040 --> 00:03:11.860
Aprendió que rey y reina comparten una relación similar a la de hombre y mujer, y esa relación está codificada en las coordenadas.

00:03:12.560 --> 00:03:19.440
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.

00:03:20.060 --> 00:03:22.860
Esos números se convierten en coordenadas en un espacio de alta dimensión.

00:03:23.540 --> 00:03:26.720
Luego, cuando realizas una búsqueda, tu consulta se convierte en el mismo tipo de coordenadas.

00:03:27.220 --> 00:03:28.840
Todo lo que hace es medir la distancia entre ellas.

00:03:29.220 --> 00:03:29.900
Esa es la idea central.

00:03:30.400 --> 00:03:32.000
¿Por qué las bases de datos traicionan ese cancro?

00:03:32.000 --> 00:03:35.120
Si los embeddings son tan poderosos, ¿por qué no podemos usar simplemente una base de datos?

00:03:35.720 --> 00:03:36.360
Respondamos a eso.

00:03:37.520 --> 00:03:40.180
Las bases de datos SQL tradicionales están diseñadas para coincidencias.

00:03:40.620 --> 00:03:45.100
Escribes donde el color es rojo, y encuentra cada fila donde la columna de color es literalmente rojo.

00:03:45.700 --> 00:03:51.740
Eso funciona muy bien para datos estructurados como nombres de clientes, fechas de pedidos o precios, pero falla por completo cuando necesitas significados difusos.

00:03:51.740 --> 00:03:57.380
Intenta escribir una consulta a SQL que encuentre abrigo carmesí cuando tus datos solo dicen chaqueta borgoña.

00:03:58.180 --> 00:04:00.020
No puedes porque SQL no entiende conceptos.

00:04:00.920 --> 00:04:03.500
Las bases de datos tradicionales almacenan datos en filas y columna.

00:04:04.080 --> 00:04:07.240
Están optimizadas para uniones, agregaciones y búsquedas exactas.

00:04:08.040 --> 00:04:10.180
No saben que coche y automóvil son la misma cosa.

00:04:10.780 --> 00:04:13.380
No saben que emocionado y entusiasmado son emociones similares.

00:04:13.800 --> 00:04:14.880
Solo comparan cadenas de texto.

00:04:14.880 --> 00:04:19.200
Y si tus datos no están estructurados, como PDFs, imágenes, grabaciones de audio o documentos largos,

00:04:19.320 --> 00:04:23.300
las bases de datos tradicionales pueden almacenarlos como un blog, pero no pueden buscar realmente su contenido.

00:04:23.880 --> 00:04:26.880
Necesitarías una búsqueda de texto completo, que todavía depende de la coincidencia de palabras clave.

00:04:27.500 --> 00:04:30.680
Si el usuario escribe informe y presupuesto, pero el documento dice resumen financiero,

00:04:30.760 --> 00:04:33.100
la búsqueda por palabra clave lo emite por completo.

00:04:33.460 --> 00:04:34.080
Piénsalo de esta mano.

00:04:34.360 --> 00:04:36.080
Una base de datos común es como un archivado.

00:04:36.460 --> 00:04:38.860
Necesitas saber el nombre exacto del archivo para encontrar lo que buscas.

00:04:39.320 --> 00:04:42.180
Una base de datos vectorial es como un bibliotecario que entiende lo que quieres decir.

00:04:42.180 --> 00:04:45.300
Puedes decir, necesito ese documento sobre los gastos del último trimestre.

00:04:45.780 --> 00:04:47.660
Y el bibliotecario sabe exactamente qué carpeta buscar,

00:04:47.760 --> 00:04:50.560
incluso si la carpeta está etiquetada como resumen financiero del tercer trimestre.

00:04:51.320 --> 00:04:53.660
El bibliotecario entiende la intención, no solo la etiqueta.

00:04:54.080 --> 00:04:55.440
Por eso existen las bases de datos vectorial.

00:04:55.980 --> 00:04:58.580
Almacenan en beddings, esos vectores que capturan el significado,

00:04:58.700 --> 00:05:00.960
y los indexan de forma que la búsqueda de similitud sea rápida.

00:05:01.500 --> 00:05:03.140
No reemplazan a las bases de datos tradicionales.

00:05:03.440 --> 00:05:06.580
Añaden una capa de comprensión encima, y esa capa lo cambia todo.

00:05:07.300 --> 00:05:10.080
Añaden una capa de comprensión encima, y esa capa lo cambia todo.

00:05:10.620 --> 00:05:12.080
¿Cómo funcionan las bases de datos vectoriales?

00:05:12.240 --> 00:05:13.880
Entonces, ¿cómo funciona todo esto detrás de sí?

00:05:14.380 --> 00:05:16.920
Revisemos las dos fases principales, ingesta y consulta.

00:05:17.240 --> 00:05:18.600
La ingesta es la fase de configuración.

00:05:19.040 --> 00:05:22.120
Tomas tus datos sin procesar, descripciones de productos, ticket de soporte,

00:05:22.580 --> 00:05:24.100
documentos internos, lo que sea que tengas,

00:05:24.300 --> 00:05:26.920
y pasas cada pieza por algo que sea el modelo de embedding.

00:05:27.580 --> 00:05:29.140
Ese modelo convierte el texto en un vector,

00:05:29.500 --> 00:05:31.920
que básicamente es una lista de números que captura el significado.

00:05:32.440 --> 00:05:35.400
Luego almacenas ese vector en la base de datos junto con algunos metadatos,

00:05:35.400 --> 00:05:39.160
un texto original, una marca de tiempo, quizás una categoría o una URL de origen.

00:05:39.540 --> 00:05:40.480
Ahora, aquí viene el pato ingenioso.

00:05:40.480 --> 00:05:44.020
Si tuvieras un millón de documentos, revisar cada vector uno por uno tomaría una eternidad.

00:05:44.580 --> 00:05:46.960
Por eso las bases de datos usan algo llamado indexación.

00:05:47.440 --> 00:05:51.520
Piensa en la indexación como crear un mapa del espacio vectorial en lugar de llamar a cada puerta.

00:05:51.520 --> 00:05:54.280
Dos métodos comunes son IVF y HNSW.

00:05:54.680 --> 00:05:56.240
IVF significa índice de archivo invertido.

00:05:56.600 --> 00:05:58.740
Funciona agrupando vectores similares en clústeres.

00:05:59.120 --> 00:06:03.080
Cuando buscas, en lugar de escanear el millón de vectores, solo revisa los clústeres más prometedores.

00:06:03.480 --> 00:06:04.760
Es como buscar una biblioteca.

00:06:05.380 --> 00:06:07.740
Vas directamente a la sección correcta en lugar de revisar cada estante.

00:06:08.480 --> 00:06:10.760
HNSW significa mundo pequeño navegable jerárquico.

00:06:11.160 --> 00:06:12.300
La idea es bastante elegante.

00:06:12.860 --> 00:06:14.540
Construye un mapa multicapa de tus vectores.

00:06:15.220 --> 00:06:18.900
La capa superior contiene algunos vectores representativos que te dan una idea general de dónde están las cosas.

00:06:19.480 --> 00:06:20.920
Cada capa inferior se vuelve más detallado.

00:06:21.400 --> 00:06:26.880
Cuando buscas, comienzas en la parte superior, encuentras el vecindario general y luego profundizas capa por capa hasta llegar a la coincidencia exacta.

00:06:27.480 --> 00:06:30.980
Es como usar primero un mapa de la ciudad, luego uno del vecindario y finalmente uno de la calle.

00:06:31.500 --> 00:06:32.300
Cada uno te acerca más.

00:06:32.300 --> 00:06:35.660
El resultado es que puedes buscar millones de vectores en milisegundos.

00:06:36.080 --> 00:06:37.980
Eso es lo que potencia las funciones de IA en tiempo rápido.

00:06:38.400 --> 00:06:41.280
Cuando escribes una pregunta en un copiloto y obtienes una respuesta en segundos,

00:06:41.820 --> 00:06:46.140
en algún lugar una base de datos vectorial acaba de ejecutar una búsqueda de similitud entre miles o millones de documentos.

00:06:46.280 --> 00:06:48.220
La fase de consulta funciona de la misma manera inversa.

00:06:48.500 --> 00:06:49.200
Escribes tu pregunta.

00:06:49.500 --> 00:06:52.760
Esa pregunta se convierte en un vector utilizando exactamente el mismo modelo de incrustación.

00:06:53.140 --> 00:06:56.520
Luego la base de datos encuentra los vecinos más cercanos a tu vector de consulta usando el IA.

00:06:56.960 --> 00:06:59.360
Devuelve los resultados más similares clasificados por distancia.

00:06:59.360 --> 00:07:02.340
Cuanto más cercanos estén los vectores, más relevante es el resultado.

00:07:03.300 --> 00:07:05.320
El ecosistema de Microsoft, donde viven los vectores.

00:07:05.940 --> 00:07:07.520
¿Dónde vive todo esto en el mundo de Microsoft?

00:07:08.080 --> 00:07:09.080
La respuesta corta es parte.

00:07:09.480 --> 00:07:12.500
Microsoft está añadiendo capacidades vectoriales a las plataformas de datos que ya usas

00:07:12.500 --> 00:07:14.980
en lugar de empujarte hacia una base de datos especializada independiente.

00:07:15.780 --> 00:07:16.660
Repasemos las principales.

00:07:17.400 --> 00:07:20.840
Azure AI Search es el almacén vectorial más común para Rack empresarial.

00:07:21.720 --> 00:07:23.360
Es su generación aumentada por recuperación.

00:07:23.980 --> 00:07:28.940
Admite búsqueda híbrida, lo que significa que combina la coincidencia tradicional de palabras clave con la similitud vectorial.

00:07:28.940 --> 00:07:30.140
¿Por qué es importante eso?

00:07:30.380 --> 00:07:34.300
Porque algunas búsquedas funcionan mejor con palabras clave, códigos de producto, exactos nombres o fechas,

00:07:34.640 --> 00:07:36.080
mientras que otras necesitan comprensión semántica.

00:07:36.340 --> 00:07:37.520
La búsqueda híbrida te ofrece ambas.

00:07:37.980 --> 00:07:40.400
Azure AI Search también incluye vectorización integrada,

00:07:40.580 --> 00:07:43.440
por lo que puedes configurar una canalización que fragmente documentos,

00:07:43.540 --> 00:07:46.980
genere incrustaciones y los indexe automáticamente sin escribir código personalizado.

00:07:47.620 --> 00:07:50.080
Cosmos de Vera tiene búsqueda vectorial nativa con indexación Disk-AN.

00:07:50.640 --> 00:07:53.760
Disk-AN significa vecino más cercano aproximado basado en disco,

00:07:53.760 --> 00:07:56.920
y está diseñada para una tendencia inferior a 20 milisegundos incluso a gran escala.

00:07:57.380 --> 00:08:00.220
Eso es excelente para los datos operativos que ya residen en Cosmos DB.

00:08:00.900 --> 00:08:03.840
Digamos que estás creando una aplicación de comercio electrónico con Cosmos DB como Back.

00:08:04.240 --> 00:08:07.140
Ahora puedes añadir búsqueda vectorial directamente a tu catálogo de productos

00:08:07.140 --> 00:08:08.760
y mover datos a un servicio independiente.

00:08:09.420 --> 00:08:12.720
Un cliente busca zapatos ligeros de verano y tu aplicación encuentra productos

00:08:12.720 --> 00:08:15.240
con descripciones similares dentro de tu base de datos existente.

00:08:15.640 --> 00:08:20.160
Azure SQL Server 2025 y Azure SQL Database también se han unido a la fiesta.

00:08:20.160 --> 00:08:23.780
Ahora incluyen un tipo de datos vectoriales nativo y funciones como la búsqueda vectorial.

00:08:24.240 --> 00:08:27.260
Eso significa que puedes almacenar incrustaciones junto a tus datos relacionales.

00:08:27.620 --> 00:08:30.460
Registro de clientes con representaciones vectoriales de sus preferencias,

00:08:30.760 --> 00:08:32.620
artículos de inventario con descripciones vectoriales,

00:08:33.160 --> 00:08:35.280
tickets de soporte con incrustaciones vectoriales de su contenido.

00:08:35.800 --> 00:08:37.540
No necesitas una base de datos vectorial independiente.

00:08:37.720 --> 00:08:39.480
Tus habilidades actuales en SQL siguen siendo vanas.

00:08:39.760 --> 00:08:43.140
Solo añade una columna vectorial, crea un índice y empieza a consultar por similitud.

00:08:43.600 --> 00:08:45.180
Así es como Copilot utiliza esto internamente.

00:08:45.180 --> 00:08:49.320
Cuando pides, muéstrame el informe de ventas del tercer trimestre del año pasado,

00:08:49.540 --> 00:08:52.340
Copilot no busca la frase exacta de informe de ventas del tercer trimestre.

00:08:53.060 --> 00:08:55.740
Convierte tu pregunta en un vector, busca entre documentos indexados,

00:08:55.880 --> 00:08:58.520
correos electrónicos, archivos de SharePoint, documentos de OneDrive,

00:08:58.700 --> 00:09:02.240
chats de Teams y encuentra el documento cuyo embedding es más cercano a tu consulta.

00:09:03.460 --> 00:09:06.700
Podré encontrar un archivo llamado resumen financiero del tercer trimestre de 2024

00:09:06.700 --> 00:09:09.240
porque el significado coincide aunque las palabras exactas no lo hagan.

00:09:09.560 --> 00:09:10.500
Eso es la búsqueda vector en acción.

00:09:11.000 --> 00:09:12.440
La clave aquí es la estrategia de Microsoft.

00:09:12.440 --> 00:09:15.600
En lugar de decir, ve a comprar una base de datos vectorial especializada,

00:09:15.720 --> 00:09:18.240
está añadiendo capacidades vectoriales a las herramientas que ya usas.

00:09:18.820 --> 00:09:22.020
Azure AI Search, Cosmos DB, SQL Server, todos ellos ya usan vectores.

00:09:22.760 --> 00:09:24.020
No necesitas aprender un nuevo sitio.

00:09:24.400 --> 00:09:25.900
Solo necesitas entender el concepto.

00:09:26.200 --> 00:09:27.760
Microsoft se encarga del trabajo pesado.

00:09:28.520 --> 00:09:30.160
Casos de uso reales en IA.

00:09:30.720 --> 00:09:33.460
¿Dónde ves realmente las bases de datos vectoriales en funcionamiento hoy en día?

00:09:33.960 --> 00:09:35.140
Así es como se desarrolla el mundo real.

00:09:35.700 --> 00:09:36.460
Reagen más importante.

00:09:36.960 --> 00:09:38.900
Eso significa generación aumentada por recuperación

00:09:38.900 --> 00:09:40.940
y es como funciona la mayoría de la empresarial ahora.

00:09:40.940 --> 00:09:42.940
Cuando le haces una pregunta a un chatbot,

00:09:43.080 --> 00:09:44.640
este no adivina a partir de sus datos de entrenamiento.

00:09:45.000 --> 00:09:47.740
En cambio, busca en una base de datos vectorial documentos relevantes,

00:09:47.920 --> 00:09:49.320
toma las coincidencias más cercanas

00:09:49.320 --> 00:09:51.340
y las entrega al modelo de lenguaje como contexto.

00:09:52.000 --> 00:09:54.960
El modelo construye entonces una respuesta a partir de esos documentos reales.

00:09:55.060 --> 00:09:56.960
Eso significa respuestas precisas sobre las políticas,

00:09:57.160 --> 00:09:58.140
productos o datos de tu problema.

00:09:58.560 --> 00:09:59.740
Sin bases de datos vectoriales,

00:09:59.780 --> 00:10:02.140
la IA estaría adivinando a partir de conocimientos generales de internet.

00:10:02.380 --> 00:10:04.740
Con ellas extrae información directamente de tus archivos reales.

00:10:04.740 --> 00:10:06.740
Los motores de recomendación son otro caso de uso enorme.

00:10:06.740 --> 00:10:09.340
Netflix, Amazon, YouTube, todos funcionan de la misma manera.

00:10:09.980 --> 00:10:12.360
Convierten a los usuarios en vectores según su comportamiento,

00:10:12.600 --> 00:10:14.260
lo que miras, compras o donde haces clic.

00:10:14.800 --> 00:10:17.060
Y convierten los artículos en vectores basados en descripciones,

00:10:17.200 --> 00:10:17.980
reseñas y características.

00:10:18.600 --> 00:10:19.800
Los simplemente encuentran más cercanos.

00:10:20.240 --> 00:10:21.860
Si tu vector está cerca del vector de una película,

00:10:21.940 --> 00:10:22.700
te recomiendan esa película.

00:10:23.280 --> 00:10:25.440
Eso es búsqueda de similitud a gran escala,

00:10:25.760 --> 00:10:28.240
ejecutándose cientos de veces por segundo para cada usuario.

00:10:28.800 --> 00:10:30.340
La búsqueda semántica es el tercer gran caso.

00:10:30.340 --> 00:10:33.180
Es una búsqueda por significado, no por palabras claras.

00:10:33.640 --> 00:10:34.700
Un agente de soporte escribe,

00:10:35.020 --> 00:10:37.220
el cliente no puede iniciar sesión tras establecer la contraseña.

00:10:37.620 --> 00:10:38.680
Y encuentra un artículo llamado,

00:10:38.820 --> 00:10:41.280
solución de problemas de autenticación tras actualizaciones de credencia.

00:10:41.920 --> 00:10:43.780
Las palabras no coinciden, pero significados.

00:10:44.060 --> 00:10:45.100
Eso es lo que permite la búsqueda de vector.

00:10:45.580 --> 00:10:47.360
Para un equipo que maneja cientos de tickets al día,

00:10:47.480 --> 00:10:49.120
esto reduce drásticamente el tiempo de resolución.

00:10:49.820 --> 00:10:50.720
Luego está la detección normal.

00:10:51.300 --> 00:10:52.440
Menos obvia, pero muy potente.

00:10:53.120 --> 00:10:54.320
Incorporas el comportamiento normal,

00:10:54.420 --> 00:10:55.760
los patrones de transacciones típicos,

00:10:55.840 --> 00:10:57.080
las métricas habituales del sistema,

00:10:57.340 --> 00:10:58.280
las acciones de los usuarios.

00:10:58.280 --> 00:10:59.820
Almacenas esos vectores

00:10:59.820 --> 00:11:01.880
y luego marcas todo lo que aterrice lejos del grupo.

00:11:02.360 --> 00:11:04.280
Una transacción que no se parece en nada a lo normal de su fraud.

00:11:04.720 --> 00:11:06.400
Una métrica del servidor fuera del rango habitual

00:11:06.400 --> 00:11:07.680
significa que se avecina un incidente.

00:11:07.860 --> 00:11:08.980
Las bases de datos vectoriales

00:11:08.980 --> 00:11:10.960
hacen que esto sea lo suficientemente rápido para ejecutar sin tiempo.

00:11:11.200 --> 00:11:13.040
En el mundo de Microsoft esto aparece en todas partes.

00:11:13.520 --> 00:11:14.880
PowerApp se utiliza búsqueda vectorial

00:11:14.880 --> 00:11:16.700
para sugerencias de IA cuando creas formularios.

00:11:17.280 --> 00:11:19.940
Dynamics 365 la utiliza para búsquedas inteligentes

00:11:19.940 --> 00:11:20.760
en los registros de clientes.

00:11:21.420 --> 00:11:22.620
Las transcripciones de reuniones de Teams

00:11:22.620 --> 00:11:23.520
se convierten en vectores

00:11:23.520 --> 00:11:25.400
para que puedas buscar qué decidimos sobre presupuesto

00:11:25.400 --> 00:11:27.300
y encontrar el momento exacto una grabación.

00:11:28.280 --> 00:11:30.200
Copilot para Microsoft 365

00:11:30.200 --> 00:11:32.120
es esencialmente un sistema RA gigante

00:11:32.120 --> 00:11:34.300
que funciona sobre tus datos personales y empresariales

00:11:34.300 --> 00:11:36.120
todo impulsado por búsqueda vectorial.

00:11:37.420 --> 00:11:38.400
Mantener todo sincronizado.

00:11:38.760 --> 00:11:39.400
ETL vectorial.

00:11:39.800 --> 00:11:41.140
Ahora aquí está el desafío práctico.

00:11:41.460 --> 00:11:42.260
Los datos cambian,

00:11:42.360 --> 00:11:43.340
los documentos se actualizan,

00:11:43.440 --> 00:11:44.280
se añaden nuevos productos

00:11:44.280 --> 00:11:45.900
y se archivan políticas antiguas.

00:11:46.240 --> 00:11:47.620
Cada vez que tus datos de origen cambian,

00:11:47.760 --> 00:11:48.900
tus vectores también deben cambiar.

00:11:49.240 --> 00:11:50.420
Ahí es donde entra en juego la televeg.

00:11:50.760 --> 00:11:52.700
ETL significa extraer, transformar y cargar.

00:11:53.020 --> 00:11:54.360
Para las bases de datos vectoriales,

00:11:54.400 --> 00:11:55.240
el proceso funciona así.

00:11:55.240 --> 00:11:58.240
Primero, extraes documentos nuevos o modificados de tu origen,

00:11:58.460 --> 00:11:59.940
tal vez un contenedor de almacenamiento blog,

00:12:00.020 --> 00:12:00.880
una biblioteca de SharePoint,

00:12:01.000 --> 00:12:01.860
una base de datos SQL.

00:12:02.380 --> 00:12:03.260
Luego los transformas

00:12:03.260 --> 00:12:05.040
dividiendo el texto en fragmentos manejables

00:12:05.040 --> 00:12:07.460
y pasando cada fragmento por tu modelo de incrustación.

00:12:08.260 --> 00:12:09.860
Finalmente, cargas los vectores resultantes

00:12:09.860 --> 00:12:10.820
en tu almacén vectorial,

00:12:10.960 --> 00:12:12.840
junto con metadatos como la URL de origen,

00:12:12.900 --> 00:12:13.580
una marca de tiempo

00:12:13.580 --> 00:12:15.460
y la versión del modelo utilizada.

00:12:15.460 --> 00:12:17.820
La mejor práctica aquí es procesar de forma incremental.

00:12:18.280 --> 00:12:19.780
No vuelvas a incrustar todo tu corpus

00:12:19.780 --> 00:12:20.840
cada vez que algo cambia.

00:12:21.360 --> 00:12:23.240
Procesa solo los documentos que realmente cambian.

00:12:23.680 --> 00:12:25.220
Haz un seguimiento de qué versión del modelo

00:12:25.220 --> 00:12:26.160
generó cada incrustación,

00:12:26.300 --> 00:12:26.920
actualiza tu modelo

00:12:26.920 --> 00:12:29.160
y los vectores antiguos se volverán inconsistentes con lo nuevo.

00:12:29.560 --> 00:12:30.460
Y vigila tus costos.

00:12:30.840 --> 00:12:32.480
Las SAP y la incrustación cobran por token,

00:12:32.700 --> 00:12:34.580
por lo que procesar millones de documentos suma rápido.

00:12:35.160 --> 00:12:36.900
En Azure, un flujo de trabajo típico es sencillo.

00:12:37.340 --> 00:12:38.980
Deposita tus documentos en el almacenamiento blog.

00:12:39.340 --> 00:12:41.660
Luego, configura un indexador de Azure AI Search

00:12:41.660 --> 00:12:43.180
con un conjunto de habilidades integrado

00:12:43.180 --> 00:12:45.260
que maneje la división y la incrustación automáticamente.

00:12:45.900 --> 00:12:47.720
Microsoft proporciona la habilidad de división de texto

00:12:47.720 --> 00:12:48.400
para fragmentar

00:12:48.400 --> 00:12:49.680
y la habilidad del modelo de incrustación

00:12:49.680 --> 00:12:51.200
de Azure Open AI para generar vectores.

00:12:51.880 --> 00:12:53.580
El indexador se ejecuta según un horario,

00:12:53.700 --> 00:12:54.480
recoge archivos nuevos,

00:12:54.600 --> 00:12:56.540
los procesa y actualiza los vectores en el índice.

00:12:57.060 --> 00:12:58.660
No se necesita código de canalización personalizado.

00:12:58.980 --> 00:12:59.800
Aquí hay un error común.

00:13:00.140 --> 00:13:00.860
Ignoran los metadatos.

00:13:01.320 --> 00:13:02.860
Cada vector necesita su referencia de origen,

00:13:03.220 --> 00:13:04.800
el nombre y versión del modelo de incrustación

00:13:04.800 --> 00:13:05.920
y una marca de tiempo de gracia.

00:13:06.200 --> 00:13:08.060
Sin eso, no puedes rastrear de dónde viene un resultado

00:13:08.060 --> 00:13:09.940
o no puedes volver a incrustar cuando cambian los modelos

00:13:09.940 --> 00:13:11.780
y tendrás dificultades con las auditorías de cumplimiento.

00:13:11.780 --> 00:13:14.080
Trata tus vectores como cualquier otro dato empresarial.

00:13:14.260 --> 00:13:14.900
Rastela su linaje.

00:13:16.160 --> 00:13:16.860
Tus siguientes pasos.

00:13:17.320 --> 00:13:18.760
¿Tú eres listo para probar esto por ti mismo?

00:13:19.460 --> 00:13:20.240
Piensa de forma sencilla.

00:13:20.620 --> 00:13:21.380
Abre el portal de Azure

00:13:21.380 --> 00:13:22.920
y cree un recurso de Azure AI Search.

00:13:23.480 --> 00:13:24.660
Luego habilite la búsqueda vectorial

00:13:24.660 --> 00:13:25.460
en un índice existente.

00:13:25.840 --> 00:13:26.780
Suba algunos documentos,

00:13:27.080 --> 00:13:27.980
elige un modelo de incrustación

00:13:27.980 --> 00:13:29.160
y ejecute una consulta de similitud.

00:13:29.560 --> 00:13:30.740
Verá que funciona en menos de una hora.

00:13:31.040 --> 00:13:31.700
Para desarrolladores,

00:13:31.820 --> 00:13:33.000
obtengan SDK de Python.

00:13:33.220 --> 00:13:34.380
Incrusten un puñado de documentos

00:13:34.380 --> 00:13:35.440
usando Azure Open AI.

00:13:35.960 --> 00:13:37.620
Almacénenlos en la búsqueda vectorial de Cosmos DB

00:13:37.620 --> 00:13:38.760
y escriban una consulta

00:13:38.760 --> 00:13:40.080
que encuentre la coincidencia más cercana.

00:13:40.080 --> 00:13:42.240
Microsoft proporciona ejemplos de código

00:13:42.240 --> 00:13:43.780
y documentación claros para guiar otra vez.

00:13:44.020 --> 00:13:45.380
No tiene que convertirse en un científico de datos

00:13:45.380 --> 00:13:46.680
para usar bases de datos vectorial.

00:13:47.100 --> 00:13:48.040
Las herramientas de Microsoft

00:13:48.040 --> 00:13:49.400
manejan la generación de incrustaciones,

00:13:49.600 --> 00:13:51.120
la indexación y la lógica de consulta.

00:13:51.560 --> 00:13:53.020
Su único trabajo es entender el concepto

00:13:53.020 --> 00:13:54.880
y apuntar las herramientas a sus propios datos.

00:13:55.620 --> 00:13:56.120
¿Tiene un desafío?

00:13:56.460 --> 00:13:58.000
Piensa en el problema de búsqueda con el que lidiará.

00:13:58.460 --> 00:14:00.220
Quizás sea encontrar documentos internos,

00:14:00.300 --> 00:14:01.420
buscarme un catálogo de productos

00:14:01.420 --> 00:14:02.680
o responder preguntas de clientes

00:14:02.680 --> 00:14:03.580
desde una base de conocimiento.

00:14:04.080 --> 00:14:04.920
Poder en la búsqueda vectorial

00:14:04.920 --> 00:14:06.000
superar la coincidencia de palabra.

00:14:06.000 --> 00:14:08.820
Elija un conjunto de datos pequeño,

00:14:08.880 --> 00:14:09.860
incluso 100 documentos,

00:14:10.000 --> 00:14:10.500
y pruébelo.

00:14:11.300 --> 00:14:12.520
Sentirá la diferencia de inmediato.

00:14:13.800 --> 00:14:14.340
Entonces ahora entiende

00:14:14.340 --> 00:14:16.140
lo que realmente son las bases de datos vectorial.

00:14:16.480 --> 00:14:17.860
No son una tecnología de IA misteriosa,

00:14:17.980 --> 00:14:19.120
son solo una forma de almacenar

00:14:19.120 --> 00:14:20.340
y buscar el significado de sus datos

00:14:20.340 --> 00:14:21.660
en lugar de las palabras exactas.

00:14:22.340 --> 00:14:23.460
Impulsan la búsqueda inteligente

00:14:23.460 --> 00:14:24.300
y las funciones de IA

00:14:24.300 --> 00:14:26.680
dentro de Microsoft 365 Azure I Copilot.

00:14:27.220 --> 00:14:28.240
Cada vez que hace una pregunta

00:14:28.240 --> 00:14:29.420
y obtiene una respuesta relevante,

00:14:29.500 --> 00:14:30.880
en algún lugar una base de datos vectorial

00:14:30.880 --> 00:14:32.740
encontró la coincidencia más cercana a su consulta.

00:14:32.740 --> 00:14:34.600
Sus hechos estructurados,

00:14:34.800 --> 00:14:35.420
nombres de clientes,

00:14:35.500 --> 00:14:36.100
montos de pedidos,

00:14:36.200 --> 00:14:36.840
contenidos de inventario,

00:14:37.020 --> 00:14:37.600
eso siguen viviendo

00:14:37.600 --> 00:14:38.700
en bases de datos tradicionales.

00:14:38.980 --> 00:14:40.120
Las bases de datos vectoriales

00:14:40.120 --> 00:14:41.200
añaden la capa de comprensión.

00:14:41.600 --> 00:14:42.540
Permiten que su aplicación

00:14:42.540 --> 00:14:43.500
busque por significado,

00:14:43.600 --> 00:14:44.040
por intención,

00:14:44.120 --> 00:14:44.600
por contexto.

00:14:44.940 --> 00:14:45.740
Ese es el panorama general.

00:14:46.060 --> 00:14:47.240
Suscríbase para más explicaciones

00:14:47.240 --> 00:14:48.000
en lenguaje sencillo

00:14:48.000 --> 00:14:48.880
sobre la tecnología de Microsoft.

00:14:49.380 --> 00:14:50.020
La próxima vez,

00:14:50.100 --> 00:14:51.100
veremos cómo funcionan realmente

00:14:51.100 --> 00:14:52.020
las canalizaciones Racky

00:14:52.020 --> 00:14:53.000
y cómo puede construir una app

00:14:53.000 --> 00:14:53.440
en una tarde.

00:14:53.900 --> 00:14:54.340
De la escuchar.
