Quiz: Profundización en Embeddings
Ponga a prueba su conocimiento sobre embeddings, modelos de embedding y criterios de selección.
30 preguntas - Haga clic en cada pregunta para revelar la respuesta correcta.
Pregunta 1
¿Qué son los embeddings en el contexto de PLN?
a) Elementos HTML incrustados en páginas
b) Representaciones vectoriales densas de texto
c) Índices de bases de datos
d) Claves de cifrado
Mostrar respuesta
Respuesta correcta: b
Los embeddings son representaciones vectoriales densas de texto que capturan el significado semántico, permitiendo a las computadoras comparar textos por su significado.
Pregunta 2
¿Qué mide la similitud coseno?
a) La longitud de los vectores
b) El ángulo entre dos vectores
c) El color del texto
d) El tamaño del archivo
Mostrar respuesta
Respuesta correcta: b
La similitud coseno mide el coseno del ángulo entre dos vectores, indicando cuán similares son sus direcciones (y por tanto, su similitud semántica).
Pregunta 3
¿Cuál es el rango típico de dimensiones para los modelos de embedding modernos?
a) 1-10
b) 50-100
c) 384-3072
d) 10000+
Mostrar respuesta
Respuesta correcta: c
Los modelos de embedding modernos suelen producir vectores con entre 384 y 3072 dimensiones.
Pregunta 4
¿Qué modelo de OpenAI ofrece la mejor calidad de embedding?
a) text-embedding-ada-002
b) text-embedding-3-small
c) text-embedding-3-large
d) GPT-4
Mostrar respuesta
Respuesta correcta: c
text-embedding-3-large ofrece los embeddings de mayor calidad de OpenAI con 3072 dimensiones.
Pregunta 5
¿Qué significa MTEB?
a) Machine Text Embedding Benchmark
b) Massive Text Embedding Benchmark
c) Multi-Task Embedding Base
d) Model Training Evaluation Benchmark
Mostrar respuesta
Respuesta correcta: b
MTEB significa Massive Text Embedding Benchmark, el estándar para comparar modelos de embedding.
Pregunta 6
¿Cuál es el rango de la similitud coseno?
a) 0 a 1
b) -1 a 1
c) 0 a 100
d) -100 a 100
Mostrar respuesta
Respuesta correcta: b
La similitud coseno varía de -1 (opuesto) a 1 (idéntico), siendo 0 ortogonal/no relacionado.
Pregunta 7
¿Cuál NO es un beneficio de alojar modelos de embedding por cuenta propia?
a) Sin costo por token
b) Menor latencia
c) Actualizaciones automáticas
d) Los datos permanecen internos
Mostrar respuesta
Respuesta correcta: c
Los modelos autoalojados requieren actualizaciones manuales. Los servicios API proporcionan actualizaciones automáticas a los modelos más recientes.
Pregunta 8
¿Qué característica especial ofrece Cohere embed-v3?
a) Uso ilimitado gratuito
b) Diferentes tipos de entrada para documentos y consultas
c) 10000 dimensiones
d) Traducción incorporada
Mostrar respuesta
Respuesta correcta: b
Cohere embed-v3 tiene opciones de input_type diferentes (search_document vs search_query) optimizadas para cada uso.
Pregunta 9
¿Cuánto cuesta text-embedding-3-small por millón de tokens?
a) $0.002
b) $0.02
c) $0.20
d) $2.00
Mostrar respuesta
Respuesta correcta: b
text-embedding-3-small cuesta $0.02 por millón de tokens, lo que lo hace muy rentable.
Pregunta 10
¿Qué familia de modelos open-source es de BAAI?
a) Sentence Transformers
b) E5
c) BGE
d) BERT
Mostrar respuesta
Respuesta correcta: c
Los modelos BGE (Beijing Academy of Artificial Intelligence General Embedding) son de BAAI.
Pregunta 11
¿Qué sucede con los textos semánticamente similares al ser embebidos?
a) Producen vectores muy diferentes
b) Producen vectores similares (cercanos en el espacio)
c) Producen vectores idénticos
d) No pueden ser embebidos
Mostrar respuesta
Respuesta correcta: b
Los textos semánticamente similares producen vectores que están cerca unos de otros en el espacio de embedding.
Pregunta 12
¿Cuál es el límite máximo de tokens para los modelos de embedding de OpenAI?
a) 512
b) 2048
c) 8191
d) 32000
Mostrar respuesta
Respuesta correcta: c
Los modelos text-embedding-3 de OpenAI admiten hasta 8191 tokens por entrada.
Pregunta 13
¿Por qué podría reducirse la cantidad de dimensiones de un embedding?
a) Para mejorar la calidad
b) Para reducir almacenamiento y mejorar la velocidad de búsqueda
c) Para agregar más idiomas
d) Para cifrar los vectores
Mostrar respuesta
Respuesta correcta: b
Reducir las dimensiones disminuye los requisitos de almacenamiento y acelera las búsquedas de similitud, con una pérdida de calidad aceptable.
Pregunta 14
¿Qué biblioteca provee los modelos Sentence Transformers?
a) TensorFlow
b) Solo PyTorch
c) HuggingFace / sentence-transformers
d) OpenAI
Mostrar respuesta
Respuesta correcta: c
Sentence Transformers están disponibles a través de la biblioteca sentence-transformers y HuggingFace.
Pregunta 15
¿Cuál es una ventaja clave de los embeddings basados en API?
a) Uso gratuito
b) No requiere internet
c) Sin mantenimiento de infraestructura
d) Dimensiones ilimitadas
Mostrar respuesta
Respuesta correcta: c
Los embeddings basados en API no requieren configuración ni mantenimiento de infraestructura: solo debe llamar a la API.
Pregunta 16
¿Qué prefijo recomienda BGE para las consultas?
a) No se necesita prefijo
b) "query: "
c) "Represent this sentence for searching: "
d) "Question: "
Mostrar respuesta
Respuesta correcta: c
Los modelos BGE recomiendan usar prefijos de instrucción como "Represent this sentence for searching:" para mejores resultados.
Pregunta 17
¿Cuántas dimensiones produce all-MiniLM-L6-v2?
a) 128
b) 384
c) 768
d) 1024
Mostrar respuesta
Respuesta correcta: b
all-MiniLM-L6-v2 produce embeddings de 384 dimensiones, lo que lo hace compacto y rápido.
Pregunta 18
¿Cuál es la principal desventaja de los embeddings de mayor dimensión?
a) Menor calidad
b) Mayor almacenamiento y búsquedas más lentas
c) Menos idiomas soportados
d) Menos preciso
Mostrar respuesta
Respuesta correcta: b
Las dimensiones más altas ofrecen mejor calidad pero requieren más almacenamiento y búsquedas de similitud más lentas.
Pregunta 19
¿Qué modelo de embedding se recomienda para un MVP de startup?
a) Modelo entrenado a medida
b) text-embedding-3-large
c) text-embedding-3-small
d) BGE autoalojado
Mostrar respuesta
Respuesta correcta: c
text-embedding-3-small ofrece un buen equilibrio entre calidad y costo para startups y MVPs.
Pregunta 20
¿Para qué es útil el embedding por lotes?
a) Reducir calidad
b) Procesar muchos textos eficientemente
c) Cifrar datos
d) Reducir dimensiones
Mostrar respuesta
Respuesta correcta: b
El embedding por lotes procesa múltiples textos en una sola llamada a la API, reduciendo la sobrecarga y mejorando la eficiencia.
Pregunta 21
¿Qué métrica se prefiere cuando los vectores están normalizados?
a) Solo distancia euclidiana
b) Producto punto (equivalente a coseno)
c) Distancia Manhattan
d) Distancia Hamming
Mostrar respuesta
Respuesta correcta: b
Para vectores normalizados, el producto punto es equivalente a la similitud coseno y puede ser más rápido de calcular.
Pregunta 22
¿Qué significa E5?
a) Embedding 5
b) EmbEddings from bidirEctional Encoder rEpresentations
c) Enterprise Embedding 5
d) Efficient Embedding Engine 5
Mostrar respuesta
Respuesta correcta: b
E5 significa EmbEddings from bidirEctional Encoder rEpresentations (Microsoft).
Pregunta 23
¿Cuándo debería considerar alojar embeddings por cuenta propia?
a) Nunca
b) Al procesar más de 10M de documentos mensuales
c) Solo para prototipos
d) Cuando la calidad no importa
Mostrar respuesta
Respuesta correcta: b
El autoalojamiento se vuelve rentable a gran volumen (>10M documentos) o cuando la privacidad de los datos es crítica.
Pregunta 24
¿Qué permite el soporte de embeddings multilingües?
a) Traducción
b) Búsqueda semántica entre idiomas
c) Corrección gramatical
d) Generación de texto
Mostrar respuesta
Respuesta correcta: b
Los embeddings multilingües permiten buscar entre idiomas: una consulta en inglés puede encontrar documentos relevantes en francés.
Pregunta 25
¿Cuál es la latencia típica de la API para la generación de embeddings?
a) 1-5ms
b) 50-150ms
c) 1-5 segundos
d) 30+ segundos
Mostrar respuesta
Respuesta correcta: b
Los embeddings basados en API suelen tener una latencia de 50-150ms, en comparación con 10-30ms para inferencia en GPU autoalojada.
Pregunta 26
¿Qué factor es MÁS importante para aplicaciones en tiempo real?
a) Puntuación MTEB
b) Latencia
c) Dimensiones
d) Precio
Mostrar respuesta
Respuesta correcta: b
Para aplicaciones en tiempo real, la latencia es el factor más crítico: los usuarios esperan respuestas rápidas.
Pregunta 27
¿Cómo se pueden reducir las dimensiones de text-embedding-3-large?
a) No se puede reducir
b) Usando el parámetro dimensions en la API
c) Solo post-procesamiento
d) Se requiere reentrenamiento
Mostrar respuesta
Respuesta correcta: b
text-embedding-3-large admite un parámetro dimensions (256, 1024, etc.) para reducir el tamaño de salida.
Pregunta 28
¿Qué sucede si usa diferentes modelos de embedding para indexar y consultar?
a) Funciona bien
b) La recuperación fallará o será deficiente
c) Los resultados se duplican
d) La velocidad mejora
Mostrar respuesta
Respuesta correcta: b
Debe usar el mismo modelo de embedding para indexar y consultar: diferentes modelos producen espacios vectoriales incompatibles.
Pregunta 29
¿Cuál es el mejor modelo para despliegue en edge/offline?
a) text-embedding-3-large
b) Cohere embed-v3
c) all-MiniLM-L6-v2
d) GPT-4
Mostrar respuesta
Respuesta correcta: c
all-MiniLM-L6-v2 es compacto (384 dims, ~80MB) y rápido, ideal para despliegues en edge y offline.
Pregunta 30
¿Cuál es el propósito principal de los embeddings en RAG?
a) Generación de texto
b) Permitir búsqueda semántica por similitud
c) Compresión de datos
d) Cifrado
Mostrar respuesta
Respuesta correcta: b
Los embeddings permiten la búsqueda semántica por similitud: encontrar documentos por significado en lugar de palabras clave exactas.
Resultados
| Puntaje | Nivel |
|---|---|
| 27-30 | Excelente - Sólido entendimiento de embeddings |
| 21-26 | Bueno - Se recomienda repasar algunos temas |
| 15-20 | Promedio - Revise los capítulos nuevamente |
| Menos de 15 | Requiere repaso integral |