Embeddings

Texto como vectores

Los embeddings convierten texto en números (vectores). Esto permite buscar por significado, no solo por palabras exactas.

¿Qué es un embedding?

"Hola mundo" → [0.12, -0.34, 0.56, ..., 0.78]
                     (1536 dimensiones)

Textos similares tienen vectores similares.

Casos de uso

Modelos de embeddings

Ejemplo con OpenAI

import OpenAI from 'openai'

const openai = new OpenAI()

const response = await openai.embeddings.create({
  model: 'text-embedding-3-small',
  input: 'Tu texto aquí'
})

const vector = response.data[0].embedding
// [0.12, -0.34, 0.56, ...]

Similitud coseno

Mide qué tan similares son dos vectores (0 a 1):

function cosineSimilarity(a: number[], b: number[]): number {
  let dot = 0, normA = 0, normB = 0
  for (let i = 0; i < a.length; i++) {
    dot += a[i] * b[i]
    normA += a[i] * a[i]
    normB += b[i] * b[i]
  }
  return dot / (Math.sqrt(normA) * Math.sqrt(normB))
}

Bases de datos vectoriales

Para almacenar y buscar embeddings eficientemente:

🎯 Caso Real: Detección de Anomalías

Los embeddings son ideales para detectar comportamientos inusuales en fintech.

Ejemplo: Transacciones Sospechosas

// Vectorizar el comportamiento "normal" del usuario
const perfilNormal = await embedTransaction({
  montoPromedio: 150,
  horarioUsual: '9am-6pm',
  ubicaciones: ['Ciudad de México', 'Guadalajara'],
  comerciosFrecuentes: ['Amazon', 'Uber', 'Starbucks']
})

// Nueva transacción
const transaccion = await embedTransaction({
  monto: 5000,
  hora: '3:47am',
  ubicacion: 'Lagos, Nigeria',
  comercio: 'CryptoExchange_xyz'
})

// Calcular similitud
const similitud = cosineSimilarity(perfilNormal, transaccion)

if (similitud < 0.3) {
  await flagForReview(transaccion) // 🚨 Revisar manualmente
  await notifyUser('Detectamos actividad inusual')
}

Aplicaciones en Fintech

💡 Los embeddings capturan patrones que las reglas tradicionales no pueden detectar.

Practica

→ Búsqueda Vectorial

Enlaces útiles

• 📖 OpenAI Embeddings
• 📖 Pinecone Docs