Aprende IA
Ejemplos Embeddings vectoriales Simulador de tokens Evaluaciones web

Visualización 3D de Embeddings

Ejemplo teórico: Hombre, Mujer, Hijo, Hija, Rey, Reina, Príncipe y Princesa

¿Qué estamos viendo?

Cada palabra se representa como un punto en un espacio de tres dimensiones. No es un modelo entrenado con millones de textos: es una maqueta didáctica para entender cómo funcionan los embeddings. Un embedding convierte una palabra en un vector numérico; palabras relacionadas quedan cerca y las relaciones semánticas se observan como direcciones en el espacio.

Eje X — Género

0 = masculino, 1 = femenino

Eje Y — Generación

0 = adulto, 1 = joven

Eje Z — Realeza

0 = común, 1 = real

Cargando gráfico 3D interactivo...

Las líneas continuas muestran relaciones entre palabras. Las líneas punteadas desde Hombre resaltan los tres vectores base del espacio. Puedes rotar y acercar el gráfico con el ratón.

Embedding Projector de Google

Esta demo usa solo 3 dimensiones inventadas para explicar la idea. El Embedding Projector de TensorFlow te permite explorar embeddings reales con cientos de dimensiones, reducidos visualmente a 2D o 3D. Puedes buscar palabras, ver vecinos cercanos y comprobar analogías aprendidas por modelos como Word2Vec sobre corpus grandes.

Úsalo como complemento: aquí entiendes el concepto; en el projector ves cómo se comporta un espacio vectorial entrenado con datos reales.

Abrir Embedding Projector

Coordenadas de cada palabra

Cada palabra es un vector [género, generación, realeza]. Las ocho palabras forman las esquinas de un cubo 2×2×2.

Palabra Género Generación Realeza Vector
Cargando tabla...

Los tres vectores base

Desde Hombre [0, 0, 0] se definen tres direcciones que se repiten en todo el cubo:

Analogías vectoriales

Si una misma dirección funciona en distintos contextos, obtenemos una analogía. Esa es la idea detrás de expresiones famosas en NLP como rey − hombre + mujer ≈ reina.

Cómo leer el ejemplo en clase

  1. Observa que Hombre está en el origen del cubo.
  2. Identifica las tres flechas punteadas: género, generación y realeza.
  3. Comprueba que el mismo tipo de flecha aparece en distintos niveles del cubo.
  4. Lee las analogías y verifica que sumar/restar vectores lleva a la palabra esperada.
En los modelos reales (Word2Vec, transformers, etc.), los embeddings tienen cientos o miles de dimensiones y se aprenden a partir de grandes cantidades de texto. Aquí usamos solo tres dimensiones elegidas a mano para que puedas ver las relaciones. Este ejemplo no predice texto ni refleja un corpus real.