Hybrid Search

Al combinar la precisión de la búsqueda tradicional por palabras clave con la comprensión contextual de la IA moderna, esta metodología de búsqueda recupera y clasifica información aprovechando representaciones de datos dispersas y densas. Mientras que un motor de búsqueda estándar se basa por completo en coincidencias exactas de palabras clave (lo que se conoce como búsqueda léxica) y los motores de búsqueda vectorial se basan únicamente en la similitud semántica, un motor de búsqueda híbrida combina estos dos enfoques para ofrecer resultados muy precisos y sensibles al contexto.

Cómo funciona#

Una canalización de búsqueda híbrida típica ejecuta simultáneamente dos métodos de recuperación distintos y combina sus resultados en una única clasificación optimizada:

• Búsqueda léxica (dispersa): utiliza algoritmos como BM25 para puntuar las coincidencias exactas de palabras clave según la frecuencia de los términos. Esto es fundamental 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 dimensionalidad mediante modelos de IA para comprender el significado más profundo y el contexto de una consulta. Esto permite al sistema encontrar resultados relevantes aunque las palabras exactas no aparezcan en la consulta de búsqueda.

Cuando ambos métodos han recuperado sus resultados candidatos, un algoritmo de fusión, normalmente fusión de rangos recíprocos (RRF), combina las listas. RRF calcula una nueva puntuación según la posición de cada elemento en los respectivos conjuntos de resultados dispersos y densos. Así, los documentos que ocupan posiciones altas en una de las búsquedas o en ambas aparecen en los primeros puestos, equilibrando las coincidencias contextuales amplias con la precisión de las palabras clave.

Aplicaciones reales de IA y aprendizaje automático#

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

• RAG híbrida (generación aumentada por recuperación): en los sistemas de conocimiento empresariales, proporcionar al modelo de lenguaje grande (LLM) el contexto más relevante es fundamental para evitar las alucinaciones. Una configuración de RAG híbrida garantiza que el modelo recupere documentos que cumplan restricciones técnicas exactas y, al mismo tiempo, incorpore párrafos relacionados semánticamente.
• Comercio electrónico y descubrimiento visual de productos: los minoristas utilizan la búsqueda híbrida para potenciar sus catálogos de productos. Un usuario podría buscar «zapatillas rojas para correr». El motor léxico encuentra las palabras clave exactas de la marca o la categoría, mientras que un modelo de IA de visión utiliza incrustaciones de imágenes para mostrar artículos visualmente similares.

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

Generación de metadatos para la búsqueda híbrida#

En las canalizaciones de visión artificial, puedes extraer palabras clave significativas de las imágenes para crear el componente disperso de un índice híbrido. Con Ultralytics YOLO26, puedes realizar automáticamente la detección de objetos en una imagen y utilizar esos nombres de clase como etiquetas de metadatos. Después, estas etiquetas de palabras clave se pueden combinar con las incrustaciones vectoriales densas de la imagen para crear un índice completo.

from ultralytics import YOLO

# Carga el modelo de detección de objetos recomendado de Ultralytics YOLO26
model = YOLO("yolo26n.pt")

# Ejecuta la inferencia para detectar objetos en una imagen
results = model("store_aisle.jpg")

# Extrae los nombres de las clases predichas para indexarlos como metadatos de palabras clave (datos dispersos)
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

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