Hybrid Search

Combinando la precisión de la coincidencia de palabras clave tradicional con la comprensión contextual de la IA moderna, esta metodología de búsqueda recupera y clasifica información aprovechando representaciones de datos tanto dispersas como densas. Mientras que un motor de búsqueda estándar depende totalmente de coincidencias exactas de palabras clave (conocidas como búsqueda léxica) y los motores de búsqueda vectorial dependen puramente de la similitud semántica, un motor de búsqueda híbrido fusiona estos dos enfoques para ofrecer resultados altamente precisos y conscientes del contexto.

Link to this sectionCómo funciona#

Un proceso de búsqueda híbrida típico ejecuta dos métodos de recuperación distintos simultáneamente, fusionando sus resultados en una clasificación única y optimizada:

• Búsqueda léxica (dispersa): Utiliza algoritmos como BM25 para puntuar coincidencias exactas de palabras clave basadas en la frecuencia de los términos. Esto es crucial para recuperar entidades específicas, acrónimos, SKU de productos o jerga especializada que un modelo puramente semántico podría tener dificultades para identificar.
• Búsqueda semántica (densa): Genera matrices de números de alta dimensión utilizando modelos de IA para comprender el significado más profundo y el contexto de una consulta. Esto permite que el sistema encuentre resultados relevantes incluso si faltan las palabras exactas en la consulta de búsqueda.

Una vez que ambos métodos recuperan sus resultados candidatos, un algoritmo de fusión—comúnmente la Fusión de Clasificación Recíproca (RRF)—combina las listas. RRF calcula una nueva puntuación basada en la clasificación de cada elemento en los respectivos conjuntos de resultados dispersos y densos. Esto asegura que los documentos que ocupan puestos altos en una o ambas búsquedas suban a la parte superior, equilibrando las coincidencias contextuales amplias con la precisión exacta de las palabras clave.

Link to this sectionAplicaciones de IA y ML en el mundo real#

Las arquitecturas de IA modernas dependen en gran medida de esta técnica para superar las limitaciones de utilizar un único método de recuperación en entornos de producción.

• RAG híbrido (Generación aumentada por recuperación): En los sistemas de conocimiento empresarial, proporcionar al Modelo de Lenguaje Grande (LLM) el contexto más relevante es fundamental para evitar alucinaciones. Una configuración de RAG híbrido garantiza que el modelo recupere documentos que coincidan con las restricciones técnicas exactas, al tiempo que extrae párrafos relacionados semánticamente.
• Comercio electrónico y descubrimiento visual de productos: Los minoristas utilizan la búsqueda híbrida para potenciar los catálogos de productos. Un usuario podría buscar "zapatillas de correr rojas". El motor léxico coincide con las palabras clave exactas de la marca o categoría, mientras que un modelo de IA de visión utiliza incrustaciones de imágenes para mostrar artículos visualmente similares.

Hoy en día, casi todas las bases de datos vectoriales principales—incluidas Pinecone, Qdrant, OpenSearch y PostgreSQL a través de pgvector—admiten la búsqueda híbrida de forma nativa. Esto permite a los desarrolladores indexar palabras clave dispersas y vectores densos de manera eficiente en una única infraestructura.

Link to this sectionGeneración de metadatos para la búsqueda híbrida#

En los procesos de visión artificial, puedes extraer palabras clave significativas de las imágenes para construir el componente disperso de un índice híbrido. Utilizando Ultralytics YOLO26, puedes realizar automáticamente detección de objetos en una imagen y utilizar esos nombres de clase como etiquetas de metadatos. Estas etiquetas de palabras clave pueden luego emparejarse con las incrustaciones de vectores densos de la imagen para una indexación completa.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 object detection model
model = YOLO("yolo26n.pt")

# Run inference to detect objects in an image
results = model("store_aisle.jpg")

# Extract predicted class names to be indexed as keyword metadata (sparse data)
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

Al enriquecer las incrustaciones de imágenes densas con palabras clave dispersas precisas generadas por IA, los desarrolladores pueden aprovechar la Plataforma Ultralytics y las bases de datos vectoriales compatibles con búsquedas híbridas para crear motores de búsqueda multimodales robustos que comprendan perfectamente tanto las etiquetas textuales explícitas como el contexto visual implícito de sus datos.