Algoritmo de grafos multicapa de última generación utilizado por las bases de datos vectoriales para ejecutar búsquedas de vecinos más cercanos ultraveloces con baja latencia.
Explicación y Contexto Conceptual
HNSW (Hierarchical Navigable Small World) es el algoritmo de indexación vectorial más popular y ampliamente adoptado en la industria moderna de bases de datos vectoriales (Pinecone, Qdrant, Milvus, Weaviate). Resuelve el problema matemático de cómo encontrar los vectores más similares entre millones de registros sin tener que comparar la consulta contra cada uno de ellos de forma exhaustiva (fuerza bruta).
Inspirado en la teoría de redes de 'mundo pequeño' (los famosos seis grados de separación) y las listas de salto (skip lists), HNSW construye una jerarquía de capas de grafos interconectados:
- La **capa superior** tiene pocos nodos con conexiones muy largas (permite dar 'saltos gigantes' a través del espacio semántico para situarse en la región correcta en microsegundos).
- Conforme el algoritmo desciende a las **capas inferiores**, los nodos se densifican con conexiones locales más cortas, permitiendo un ajuste fino milimétrico hasta encontrar los vecinos más cercanos exactos.
HNSW garantiza búsquedas semánticas estables de menos de 10 milisegundos incluso sobre índices con decenas de millones de productos.
Ejemplo en la Práctica
Al consultar una base de datos con 10 millones de perfiles de clientes, el índice HNSW localiza las 20 audiencias más similares en 8 milisegundos.