Técnica de búsqueda donde un LLM genera primero una respuesta hipotética ficticia a la pregunta del usuario, utilizándola como vector de búsqueda para encontrar los documentos reales.
Explicación y Contexto Conceptual
HyDE (Hypothetical Document Embeddings), introducida por Gao et al. en 2022, es una técnica de búsqueda semántica sumamente ingeniosa diseñada para cerrar la brecha semántica entre preguntas y respuestas. En la búsqueda vectorial clásica, comparar el vector de una pregunta breve ('¿Por qué mis campañas de Facebook tienen un CTR bajo?') contra el vector de un artículo técnico detallado a menudo genera baja similitud porque las preguntas y las respuestas utilizan estructuras gramaticales completamente distintas.
HyDE sortea este obstáculo en tres pasos:
1. Le pide a un LLM que redacte un documento hipotético que responda a la pregunta (incluso si contiene datos inventados o imprecisos).
2. Convierte ese documento hipotético en un vector de embeddings.
3. Utiliza ese vector para buscar en la base de datos documental.
Dado que el documento hipotético comparte la misma estructura de vocabulario, tono expositivo y densidad semántica que los documentos reales almacenados en la base de datos, la tasa de recuperación de respuestas exactas se incrementa espectacularmente.
Ejemplo en la Práctica
Al buscar "solución al código de error F40 en calderas", la IA genera un manual ficticio que contiene la estructura típica de solución de averías, encontrando el PDF técnico real en el primer intento.