Quiz: Bases de Datos Vectoriales
Ponga a prueba sus conocimientos sobre bases de datos vectoriales, algoritmos de indexación y selección de bases de datos.
30 preguntas - Haga clic en cada pregunta para revelar la respuesta correcta.
Pregunta 1
¿Cuál es el propósito principal de una base de datos vectorial?
a) Almacenar datos relacionales
b) Búsqueda eficiente por similitud en vectores de alta dimensión
c) Procesamiento de texto
d) Almacenamiento de archivos
Mostrar respuesta
Respuesta correcta: b
Las bases de datos vectoriales están optimizadas para almacenar y buscar eficientemente vectores de alta dimensión usando métricas de similitud.
Pregunta 2
¿Qué algoritmo de indexación se usa más comúnmente en bases de datos vectoriales en producción?
a) B-Tree
b) Hash Index
c) HNSW
d) Binary Search
Mostrar respuesta
Respuesta correcta: c
HNSW (Hierarchical Navigable Small World) es el algoritmo más popular debido a su excelente equilibrio entre velocidad y precisión.
Pregunta 3
¿Qué significan las siglas HNSW?
a) High-speed Navigable Search Web
b) Hierarchical Navigable Small World
c) Hybrid Neural Search Wrapper
d) Hash-based Neighbor Search Width
Mostrar respuesta
Respuesta correcta: b
HNSW significa Hierarchical Navigable Small World, un algoritmo basado en grafos para búsqueda aproximada de vecinos más cercanos.
Pregunta 4
¿Qué base de datos vectorial es completamente gestionada (solo en la nube)?
a) Chroma
b) Milvus
c) Pinecone
d) FAISS
Mostrar respuesta
Respuesta correcta: c
Pinecone es un servicio de base de datos vectorial completamente gestionado y solo disponible en la nube.
Pregunta 5
¿Para qué es más adecuado Chroma?
a) Producción empresarial
b) Desarrollo local y prototipado
c) Despliegue multirregional
d) Datos a escala de petabytes
Mostrar respuesta
Respuesta correcta: b
Chroma es ligero y está mejor orientado al desarrollo local, prototipado y producción a pequeña escala.
Pregunta 6
¿Cuál es la desventaja del índice Flat?
a) Rápido pero inexacto
b) Lento pero 100% preciso
c) Rápido y preciso
d) Requiere entrenamiento
Mostrar respuesta
Respuesta correcta: b
El índice Flat realiza una búsqueda exacta por fuerza bruta: es el más lento pero garantiza una precisión del 100%.
Pregunta 7
¿Qué es el filtrado por metadatos en bases de datos vectoriales?
a) Eliminar vectores duplicados
b) Filtrar resultados de búsqueda por atributos no vectoriales
c) Comprimir vectores
d) Eliminar datos antiguos
Mostrar respuesta
Respuesta correcta: b
El filtrado por metadatos permite filtrar los resultados de búsqueda por similitud según atributos como fuente, fecha o categoría.
Pregunta 8
¿Qué base de datos de código abierto está escrita en Rust?
a) Milvus
b) Chroma
c) Qdrant
d) Pinecone
Mostrar respuesta
Respuesta correcta: c
Qdrant es una base de datos vectorial moderna y de alto rendimiento escrita en Rust.
Pregunta 9
¿Qué habilita pgvector?
a) Bases de datos de grafos en PostgreSQL
b) Búsqueda por similitud vectorial en PostgreSQL
c) Datos de series temporales en PostgreSQL
d) NoSQL en PostgreSQL
Mostrar respuesta
Respuesta correcta: b
pgvector es una extensión de PostgreSQL que permite la búsqueda por similitud vectorial dentro de su base de datos PostgreSQL existente.
Pregunta 10
¿Para qué es más adecuado FAISS?
a) Despliegue en la nube
b) Búsqueda en memoria de alta velocidad
c) Aplicaciones multiusuario
d) Almacenamiento a largo plazo
Mostrar respuesta
Respuesta correcta: b
FAISS (Facebook AI Similarity Search) destaca en búsquedas por similitud en memoria de alta velocidad.
Pregunta 11
En la indexación IVF, ¿qué es 'nlist'?
a) Número de resultados de búsqueda
b) Número de dimensiones del vector
c) Número de clústeres
d) Número de vecinos
Mostrar respuesta
Respuesta correcta: c
En IVF (Inverted File Index), nlist es el número de clústeres en los que se particionan los vectores.
Pregunta 12
¿Qué es 'top-k' en la búsqueda vectorial?
a) Las k mejores bases de datos
b) Los k vecinos más cercanos a devolver
c) Los k vectores más grandes
d) Los k resultados más antiguos
Mostrar respuesta
Respuesta correcta: b
Top-k se refiere a devolver los k vectores más similares (vecinos más cercanos) a la consulta.
Pregunta 13
¿Qué métrica es la más común para embeddings de texto?
a) Distancia euclidiana
b) Distancia Manhattan
c) Similitud de coseno
d) Distancia de Hamming
Mostrar respuesta
Respuesta correcta: c
La similitud de coseno es la más utilizada para embeddings de texto, ya que mide la similitud direccional.
Pregunta 14
¿Qué es un namespace en Pinecone?
a) Un nombre de variable
b) Una forma de particionar datos dentro de un índice
c) Un tipo de índice
d) Un endpoint de API
Mostrar respuesta
Respuesta correcta: b
Los namespaces en Pinecone permiten particionar datos dentro de un solo índice para multi-tenencia u organización.
Pregunta 15
¿Qué funcionalidad incorporada ofrece Weaviate que otros no?
a) Indexación HNSW
b) Vectorización incorporada (text2vec)
c) Almacenamiento de metadatos
d) REST API
Mostrar respuesta
Respuesta correcta: b
Weaviate tiene módulos de vectorización incorporados que pueden generar embeddings automáticamente usando varios modelos.
Pregunta 16
¿Qué es el parámetro ef en HNSW?
a) Función de embedding
b) Factor de error
c) Exploration factor (compromiso calidad-velocidad)
d) Bandera de encriptación
Mostrar respuesta
Respuesta correcta: c
ef (exploration factor) controla el compromiso entre la calidad y la velocidad de búsqueda en HNSW.
Pregunta 17
¿Qué base de datos ofrece búsqueda híbrida (vector + palabra clave)?
a) Solo Pinecone
b) Solo FAISS
c) Weaviate, Qdrant
d) Ninguna lo soporta
Mostrar respuesta
Respuesta correcta: c
Varias bases de datos, incluyendo Weaviate y Qdrant, soportan búsqueda híbrida combinando búsqueda vectorial y por palabra clave.
Pregunta 18
¿Qué es upsert en bases de datos vectoriales?
a) Subir e insertar
b) Actualizar si existe, insertar si no
c) Configuración de usuario
d) Operación de deshacer
Mostrar respuesta
Respuesta correcta: b
Upsert significa actualizar el vector si el ID existe, de lo contrario insertarlo como un nuevo registro.
Pregunta 19
¿Por qué podría elegir pgvector sobre bases de datos vectoriales especializadas?
a) Mejor rendimiento
b) Ya usa PostgreSQL y quiere evitar nueva infraestructura
c) Más funcionalidades
d) Gratis para siempre
Mostrar respuesta
Respuesta correcta: b
pgvector es ideal para equipos que ya usan PostgreSQL y desean añadir búsqueda vectorial sin gestionar nueva infraestructura.
Pregunta 20
¿Qué es el parámetro M en HNSW?
a) Límite de memoria
b) Máximo de conexiones por nodo
c) Tipo de métrica
d) Resultados mínimos
Mostrar respuesta
Respuesta correcta: b
M controla el número máximo de conexiones que cada nodo puede tener en el grafo HNSW.
Pregunta 21
¿Qué base de datos es mejor para despliegues a escala de petabytes?
a) Chroma
b) SQLite
c) Milvus
d) FAISS en memoria
Mostrar respuesta
Respuesta correcta: c
Milvus está diseñada para despliegues a gran escala y puede manejar miles de millones de vectores.
Pregunta 22
¿Qué interfaz de consulta utiliza Weaviate?
a) Solo SQL
b) GraphQL
c) Lenguaje de consulta de MongoDB
d) Sin interfaz de consulta
Mostrar respuesta
Respuesta correcta: b
Weaviate utiliza GraphQL como su interfaz principal de consulta.
Pregunta 23
¿Qué es una collection en la terminología de Milvus/Qdrant?
a) Un grupo de usuarios
b) Una estructura tipo tabla que contiene vectores
c) Un tipo de índice
d) Una copia de seguridad
Mostrar respuesta
Respuesta correcta: b
Una collection es similar a una tabla en bases de datos relacionales: contiene vectores y sus metadatos.
Pregunta 24
¿Qué requiere IVF antes de buscar?
a) Nada especial
b) Entrenamiento sobre los datos
c) GPU
d) Conexión a Internet
Mostrar respuesta
Respuesta correcta: b
IVF (Inverted File Index) requiere entrenamiento para agrupar los vectores antes de que sea posible una búsqueda eficiente.
Pregunta 25
¿Cuál es la principal desventaja de HNSW?
a) Búsqueda lenta
b) Alto consumo de memoria
c) Baja precisión
d) Sin soporte de filtrado
Mostrar respuesta
Respuesta correcta: b
HNSW requiere almacenar la estructura del grafo en memoria, lo que implica un alto consumo de memoria comparado con otros algoritmos.
Pregunta 26
¿Qué base de datos ofrece el mejor nivel gratuito para pruebas?
a) Pinecone (limitado)
b) Todas son igual de gratuitas
c) Chroma (totalmente gratis, autogestionada)
d) Ninguna tiene opciones gratuitas
Mostrar respuesta
Respuesta correcta: c
Chroma es completamente open-source y gratuita para autogestionar sin limitaciones.
Pregunta 27
¿Qué es sharding en bases de datos vectoriales?
a) Eliminar datos
b) Distribuir datos entre varios nodos
c) Comprimir vectores
d) Encriptar datos
Mostrar respuesta
Respuesta correcta: b
Sharding distribuye los datos entre varios nodos para escalabilidad horizontal.
Pregunta 28
¿Qué método de LangChain crea un retriever desde un vector store?
a) get_retriever()
b) as_retriever()
c) create_retriever()
d) to_retriever()
Mostrar respuesta
Respuesta correcta: b
El método as_retriever() crea una interfaz de retriever desde cualquier vector store de LangChain.
Pregunta 29
¿Qué es approximate nearest neighbor (ANN)?
a) Búsqueda exacta
b) Búsqueda que sacrifica algo de precisión por velocidad
c) Un tipo de base de datos
d) Un nombre de empresa
Mostrar respuesta
Respuesta correcta: b
Los algoritmos ANN encuentran vecinos aproximadamente más cercanos mucho más rápido que la búsqueda exacta, aceptando pequeños compromisos de precisión.
Pregunta 30
Para un sistema RAG en producción con datos sensibles, ¿cuál es la opción más adecuada?
a) Pinecone solo en la nube
b) Qdrant o Milvus autogestionados
c) FAISS en memoria
d) No se necesita base de datos
Mostrar respuesta
Respuesta correcta: b
Para datos sensibles, soluciones autogestionadas como Qdrant o Milvus mantienen los datos dentro de su propia infraestructura.
Resultados
| Puntaje | Nivel |
|---|---|
| 27-30 | Excelente - Sólido entendimiento de bases de datos vectoriales |
| 21-26 | Bueno - Se recomienda repasar algunos temas |
| 15-20 | Promedio - Revise nuevamente los capítulos |
| Menos de 15 | Requiere revisión integral |