La búsqueda híbrida es un método de recuperación que ejecuta dos tipos de búsqueda sobre la misma consulta, una que busca coincidencias de palabras exactas y otra que busca coincidencias de significado, y luego fusiona los resultados en una única lista ordenada. Existe porque cada método pasa por alto cosas que el otro detecta. Muchos sistemas de búsqueda con IA y herramientas de recuperación usan alguna forma de ella para elegir los pasajes que un modelo de lenguaje lee antes de escribir una respuesta.
¿Cuáles son las dos mitades de la búsqueda híbrida?
La primera mitad es la búsqueda por palabras clave, también llamada búsqueda léxica. Busca documentos que contengan las palabras de la consulta y los puntúa según la frecuencia con la que aparecen esas palabras y lo raras que son en toda la colección. Una fórmula de puntuación habitual para esto es BM25, que da más peso a los términos poco comunes y deja de premiar una palabra después de que haya aparecido unas cuantas veces.
La segunda mitad es la búsqueda vectorial. Un modelo convierte la consulta y cada pasaje almacenado en una incrustación (embedding), una lista de números que codifica el significado. El sistema devuelve los pasajes cuyos embeddings están más cerca del de la consulta. Este es el mecanismo detrás de la búsqueda semántica, y puede emparejar "cómo arreglar un grifo que gotea" con un pasaje sobre reparar una llave que pierde agua aunque casi no compartan palabras.
| Búsqueda por palabras clave | Búsqueda vectorial | |
|---|---|---|
| Coincide por | Palabras exactas y su frecuencia | Cercanía de significado |
| Fuerte con | Nombres de productos, números de modelo, códigos de error, términos raros | Paráfrasis, sinónimos, preguntas vagas o conversacionales |
| Débil con | Distinta redacción para la misma idea | Identificadores exactos, términos nuevos o poco comunes que el modelo de embeddings maneja mal |
| Tipo de índice | Índice invertido de palabras | Índice vectorial de embeddings |
¿Por qué combinar la búsqueda por palabras clave y la vectorial?
Cada método falla de formas predecibles. La búsqueda vectorial puede devolver un pasaje sobre un producto similar cuando el usuario escribió un número de modelo concreto, porque los embeddings de dos productos relacionados están muy cerca. La búsqueda por palabras clave, en cambio, puede pasar por alto un pasaje perfectamente relevante porque usa "coste" donde la consulta dice "precio".
Ejecutar ambas y fusionar las listas cubre más de estos casos. Un pasaje que ocupa una buena posición en ambas listas suele ser una coincidencia sólida, y un pasaje que ocupa una buena posición solo en una todavía tiene la oportunidad de aparecer. En la práctica, la recuperación híbrida tiende a devolver un mejor conjunto de candidatos que cualquiera de los dos métodos por separado. Eso importa porque todo lo que ocurre después en el proceso solo puede trabajar con lo que devolvió la recuperación.
¿Cómo fusiona los resultados la búsqueda híbrida?
Las dos búsquedas producen puntuaciones en escalas distintas. Una puntuación BM25 puede ser cualquier número positivo, mientras que la similitud vectorial suele estar en un rango estrecho. El sistema necesita una forma de combinarlas, y hay dos enfoques habituales.
Fusión por rango recíproco
La fusión por rango recíproco ignora las puntuaciones brutas y usa solo las posiciones. Cada pasaje recibe un valor igual a uno dividido entre una constante más su posición en cada lista, y se suman los valores de ambas listas. Según la constante, un pasaje que ocupa el tercer puesto en una lista y el quinto en la otra termina por encima de un pasaje que ocupa el primer puesto en una lista y no aparece en la otra. Como el método es sencillo y no requiere ajustar escalas de puntuación, se usa ampliamente.
Combinación ponderada de puntuaciones
El otro enfoque normaliza ambos conjuntos de puntuaciones al mismo rango y luego los suma con pesos. Un sistema podría dar más peso a las puntuaciones de palabras clave en una búsqueda de compras llena de códigos de producto y más peso a las puntuaciones vectoriales en preguntas abiertas. Esto da un control más fino, aunque los pesos tienen que elegirse mediante pruebas.
Algunos sistemas usan una tercera forma llamada recuperación dispersa más densa, en la que un modelo entrenado produce un vector disperso de términos ponderados junto al embedding denso. Se comporta como una búsqueda por palabras clave con cierta comprensión de las palabras relacionadas, y sus resultados se fusionan con los resultados densos de la misma manera.
¿Dónde encaja la búsqueda híbrida en una respuesta de IA?
La búsqueda híbrida es un paso de recuperación. En la generación aumentada por recuperación, el sistema primero recupera pasajes candidatos y luego los pasa a un modelo que escribe la respuesta. La búsqueda híbrida suele producir la primera lista de candidatos, a menudo unas pocas decenas o unos pocos cientos de pasajes.
Después de la fusión, muchos sistemas ejecutan un reordenador (reranker). Es un modelo que lee la consulta y cada pasaje candidato juntos y da una puntuación de relevancia más precisa. Es más lento que el primer paso de recuperación, así que solo se ejecuta sobre la lista corta. Los pasajes mejor situados tras el reordenamiento son los que se colocan en la entrada del modelo de lenguaje. Cómo elige la búsqueda con IA qué fuentes citar describe las etapas posteriores con más detalle.
La configuración exacta varía según el producto y rara vez se publica. Algunas herramientas de búsqueda con IA consultan un motor de búsqueda web que ya combina muchas señales y luego aplican su propia clasificación de pasajes, mientras que otras mantienen su propio índice. En todas ellas, el patrón general de combinar la coincidencia léxica y la semántica y luego reordenar es habitual.
¿Qué significa la búsqueda híbrida para un sitio web?
Como la recuperación híbrida tiene en cuenta tanto las palabras como el significado, a una página le conviene servir a ambas mitades. La parte de palabras clave premia los términos literales que la gente escribe, como nombres de productos, nombres de marcas, números de modelo, términos estándar del sector y la forma de expresarse de los clientes. Si una página describe un producto solo con jerga interna, la mitad de palabras clave puede no encontrarla para la consulta obvia.
En la parte vectorial, lo que cuenta es si el significado de un pasaje queda claro por sí solo. Un párrafo que explica qué es algo, para quién es o cómo funciona produce un embedding cercano a las preguntas que responde. Un pasaje que depende de los párrafos anteriores para tener sentido produce un embedding más vago y pierde frente a textos más claros de otros sitios.
En la práctica, esto significa:
- Usa los nombres exactos de productos, funciones y categorías en el texto donde se describen, además del lenguaje descriptivo.
- Escribe secciones que respondan a una pregunta cada una, con la respuesta cerca del principio.
- Mantén las tablas, especificaciones y definiciones en texto plano para que ambos índices puedan leerlas.
La recuperación decide qué pasajes puede citar un modelo, así que los cambios de redacción pueden traducirse en cambios en la frecuencia con la que se cita una marca. Solo puedes ver esos cambios si ejecutas las mismas instrucciones repetidamente a lo largo del tiempo y registras qué fuentes aparecen, que es lo que hace la medición de la visibilidad en IA.
