Saltar al contenido
Rafhael Marsigli
6 min de lectura

Tablas Vectoriales 101: Entiende de una vez por todas qué es Vector y PGVector

Tablas Vectoriales 101: Entiende de una vez por todas qué es Vector y PGVector

Seguro ya has oído hablar de pgvector, de vectores y de que todo eso parece algo bien complicado. Bueno... ¡Y lo es! Pero no necesitas saber construir el motor de un carro desde cero solo para meterle mano. Si hasta ahora estabas jugando juegos dudosos en una PC-88, los vectores son usados por la inteligencia artificial, así que este artículo obviamente trata de eso.

En este post voy a intentar explicar, de forma extremadamente didáctica y práctica, qué rayos es ese tal vector y por qué va a tener una importancia cada vez mayor en el futuro. Para entender pgvector no necesitas entender álgebra lineal ni machine learning.

Lo básico sobre vector

Un vector (o vector) es básicamente un array ordenado de números:

[1, 2, 3, 4, 5]
[0.002, 0.887, -0.134, 0.552, ...]

Hasta ahí ninguna novedad, pero matemáticamente podemos imaginar ese vector como un punto en un espacio:

  • Con 2 números, existe en un espacio 2d
  • Con 3 números, existe en un espacio 3d
  • Con 768 números, existe en un espacio de 768 dimensiones

Y así sucesivamente. Aquí es donde la cosa se complica.

¿Por qué no usar un simple TEXT?

Porque el texto plano no permite buscar por significado, y aquí es donde vector se destaca. Imagina conmigo que tu base de datos tiene:

"Como configurar PostgreSQL"

Y el usuario busca:

"tutorial de setup do banco Postgres"

De esta forma, los embeddings posicionan (o deberían) esas frases cerca en un espacio vectorial, con proximidades. Es posible afirmar, aun sin compartir las mismas palabras:

"Esses textos falam sobre praticamente a mesma coisa."

Si fuera un registro TEXT, sería inviable, con la cantidad de información almacenada, hacer esa correlación de forma práctica y rápida.

Entendiendo Embedding y Proximidad

Es la representación numérica de alguna información almacenada. Esa información puede ser texto, imagen, audio, video... Lo que sea necesario. El modelo de IA toma ese contenido y lo convierte íntegramente en un vector. Por ejemplo: la palabra gato se va a volver [0.12, -0.44, 0.88, ...] en la base de datos, mientras que perro puede volverse [0.09, -0.41, 0.85, ...].

Lo que importa aquí no son los números por sí solos, sino la posición relativa de esos vectores. ¿Y cómo entiende esto la IA? Pues así es, querido lector, ¡no lo entiende! El modelo aprende a posicionar conceptos semánticamente cercanos en regiones cercanas del espacio vectorial. No es magia ni brujería, es una matemática extremadamente compleja, en la que yo no tengo (el día que escribo esto) ni tiempo ni ganas de meterme.

Visualmente, dentro de la lógica interpretativa y de una forma extremadamente simple, queda así:

gato
*
*
cachorro
PostgreSQL
*
*
Kubernetes

Ahora toma ese ejemplo y multiplícalo por millones. Así es como queda almacenado.

¿Cómo se mide la Proximidad?

Ya que todo es vector, necesitamos entender qué está más cerca de qué. Existen tres métricas comunes, y esta es la única parte de este post en la que vas a encontrar términos técnicos distintos (o no tanto):

  • Distancia Euclidiana mide la distancia geométrica tradicional, cuanto menor la distancia, más parecidos son los vectores.
  • Producto Interno mide la alineación entre vectores, muy usado en sistemas de búsqueda y recomendación.
  • Similitud de Coseno mide el ángulo entre vectores, los embeddings semánticamente parecidos tienden a apuntar en direcciones similares.

La importancia de la Dimensionalidad

Ya sabes que el tamaño de la dimensionalidad lo define la cantidad de elementos del array de cada valor: [1, 2] tiene dos dimensiones, [1, 2, 3, 4] tiene cuatro. Los embeddings pueden pasar de 3 mil dimensiones.

Cuanto mayor la dimensionalidad, mayor la capacidad de representar matices semánticos, y el tamaño de la dimensionalidad define el tamaño del almacenamiento, de la memoria y del costo operativo. Ejemplos reales: OpenAI text-embedding-3-small tiene 1536 dimensiones; OpenAI text-embedding-3-large tiene hasta 3072 dimensiones; varios modelos open source tienen 384 o 768 dimensiones.

Normalización

La normalización ajusta la longitud, hace que todos queden iguales a 1. Como, por ejemplo, [67, 0] quedaría [1, 0], y [42, 0] quedaría [1, 0]. Este enfoque se usa bastante en los pipelines de embeddings actuales, dejando la similitud de coseno más eficiente y predecible (porque pasamos a comparar solo la dirección del vector, no la magnitud). Los casos simples pueden tener soluciones simples.

No, no necesitas ser un experto en matemáticas para aprender vectores

La búsqueda vectorial

En una situación real, imagina la tabla:

id | content | embedding
1 | Como usar Docker | [0.12, ...]
2 | Introdução ao PostgreSQL | [0.98, ...]
3 | Kubernetes para iniciantes | [-0.31, ...]

Cuando el usuario hace la pregunta "¿Cómo empezar con contenedores?", se genera un embedding de esa consulta, que luego busca los vectores más cercanos, dando como resultado la row 1 | Como usar Docker. Aunque la palabra contenedor no exista en el content original. Eso es lo que llamamos búsqueda semántica.

La extensión PGVector

¡Uf! Por fin vamos a hablar de algo familiar, PostgreSQL tiene una extensión llamada PGVector, que agrega soporte 100% nativo para vectores. Tienes lo mejor de los dos mundos, tu vieja tabla de guerra con esteroides (¡el jugo!), lista para almacenar los embeddings directamente en ella.

Es más fácil de lo que parece:

CREATE TABLE articles (
id BIGSERIAL PRIMARY KEY,
title TEXT,
embedding VECTOR(1536)
);

En SQL, la consulta de vectores se hace así:

SELECT *
FROM articles
ORDER BY embedding <-> '[...]'
LIMIT 10;

El operador <-> calcula la euclidian distance. Existen operadores para cosine similarity e inner product también, cada uno con su propósito.

¿Cuándo empieza a dar problemas?

Comparar vectores es caro, para un caso de uso normal difícilmente lo vamos a sentir en carne propia (o en la tarjeta), pero en situaciones de 10 millones de embeddings, el rendimiento empieza a caer drásticamente. En ese caso, profundiza en los índices especializados para PGVector como IVFFlat y HNSW.

No necesito decir mucho, pero PGVector no reemplaza a las bases de datos vectoriales de gran escala, sigue siendo una opción excelente para tener tecnologías de punta en tu sistema, como RAG, búsqueda semántica, recomendaciones, memoria para agentes, FAQ inteligente... Todo esto sin agregar nada a tu estructura actual. Esa simplicidad es lo que lo hace tan famoso hoy: para la mayoría de los casos, cumple muy bien.

Resumiendo

En la práctica, RAG y la búsqueda semántica giran en torno a esta transformación simple:

Conteúdo
└── Embedding
└── Vetor
└── Comparação vetorial

Cuando entiendes que un embedding es solo un punto en un espacio de alta dimensionalidad, casi toda la brujería de los sistemas modernos de IA empieza a parecer mucho más una cuestión de geometría que de inteligencia artificial.

Empieza a escribir para encontrar algo.