¿Qué es una base de datos vectorial?

Una base de datos vectorial está diseñada para almacenar, indexar y buscar datos de alta dimensionalidad. En términos más simples, almacena datos en un “array” matemático de números, llamados “vectores”. Estos vectores se agrupan según su similitud entre sí. Estos vectores suelen ser generados por modelos de aprendizaje automático y se usan para representar datos no estructurados, como texto, imágenes, audio y video, en un formato numérico que captura el “significado” semántico. 

Este formato facilita la ejecución de consultas de baja latencia en ellos. Piensa en esto como comprar artículos similares en una tienda de comestibles: no querrías que las manzanas y los plátanos estuvieran ubicados en distintas partes de la misma tienda. La capacidad de realizar consultas de baja latencia hace que las bases de datos vectoriales sean perfectas para aplicaciones de IA, ya que pueden recordar entradas anteriores.

¿Qué son los vectores?

En el aprendizaje automático, un vector es una lista de números de punto flotante ([0.23, -0.11, 0.87, ...]) que codifican las características de un objeto, como una oración o una imagen. Estos suelen generarse con modelos como Word2Vec, BERT o CLIP. La idea es que los elementos similares tendrán vectores cercanos entre sí en el espacio vectorial (el ejemplo de las manzanas y los plátanos mencionado arriba). 

¿Por qué necesitamos bases de datos vectoriales?

Las bases de datos tradicionales (como SQL o NoSQL) no están optimizadas para la “búsqueda por similitud” (otra vez, manzanas y plátanos). Bases de datos vectoriales:

• Permiten búsquedas eficientes de “vecino más cercano”, como encontrar el documento o la imagen más similares.

• Maneja datos no estructurados a gran escala.

• Admite operaciones como búsqueda semántica, sistemas de recomendación y detección de anomalías.

• Proporciona estrategias de indexación (como HNSW, IVF o PQ) que, a su vez, permiten tiempos de consulta rápidos.

¿Cuáles son algunos casos de uso comunes de las bases de datos vectoriales?

• Búsqueda semántica: Motores de búsqueda que entienden el significado, no solo las palabras clave

• Sistemas de recomendación: Sugerir contenido o producto según la similitud

• Búsqueda de imágenes y videos: encontrar contenido visualmente similar

• Chatbots y memoria de LLM: almacenamiento de contexto para la generación aumentada por recuperación

• Detección de fraude: identificación de anomalías de comportamiento mediante patrones vectoriales

¿Cómo se almacenan los datos en una base de datos vectorial y cómo funcionan las búsquedas?

Las bases de datos vectoriales usan algoritmos de vecino más cercano aproximado (ANN) para encontrar rápidamente los vectores más cercanos a un vector de consulta según una métrica de similitud. ANN sacrifica un poco de precisión a cambio de una Advantage significativa en velocidad, lo que permite la escalabilidad. 

Cada entrada suele incluir:

• El vector en sí

• Una carga útil opcional (metadatos como etiquetas de texto, marcas de tiempo, etc.)

• Un ID único para la recuperación y la actualización

Algunas bases de datos te permiten combinar la similitud vectorial con el filtrado basado en metadatos (es decir, “buscar documentos similares a X, pero solo en inglés”).

¿Cuál es la diferencia entre una base de datos vectorial y una base de datos tradicional?

En esta tabla se muestran algunas diferencias clave entre una base de datos tradicional y una base de datos vectorial.

¿Cuáles son algunas bases de datos vectoriales populares?

Algunas bases de datos vectoriales ampliamente utilizadas incluyen:

• Pinecone

• Weaviate

• FAISS (de Meta)

• Milvus

• Qdrant

• Chroma

• Vespa

Cada uno tiene diferentes fortalezas, según tu caso de uso. Las funciones clave abarcan desde el rendimiento hasta la integración y la disponibilidad de código abierto.

Aunque Fastly no ofrece bases de datos vectoriales directamente, nuestra Edge Cloud Platform ayuda a acelerar la distribución de aplicaciones con uso intensivo de datos, incluidas las impulsadas por IA y búsqueda vectorial. Ya sea que estés creando búsqueda de próxima generación, sistemas de recomendación o analítica en tiempo real, Fastly garantiza que tus API y aplicaciones funcionen rápido, de forma segura y más cerca de los usuarios. Haz clic aquí para obtener más información.