Módulo 1: Introducción a Vectores

1. Introducción al Módulo: Vectores - La Base de Todo

Descripción

Este es el primer módulo de AI Semantics Guide y el punto de partida para entender cómo funciona la búsqueda semántica y por qué RAG funciona. Aquí no vas a escribir código Python ni a implementar embeddings: vas a entender qué son los vectores conceptualmente y por qué son el corazón de la inteligencia artificial moderna.

Mucha gente habla de "embeddings", "vector databases" y "semantic search" sin tener claro qué es un vector ni por qué se usan. En las próximas cápsulas vas a construir esa base conceptual sólida: desde vectores 2D simples hasta vectores en dimensiones altísimas (1536D, 3072D), y entenderás por qué representar significado como números es la clave de todo.

El objetivo es que tengas claridad conceptual antes de implementar código. Sin esta base, cuando en Guía #6 (Embeddings Deep Dive) veas openai.embeddings.create(), solo estarás llamando una API sin entender qué hace por dentro. Con esta base, entenderás que estás convirtiendo texto en un vector de alta dimensión que captura significado, y podrás tomar mejores decisiones de diseño.

Este módulo está pensado para leerse en unas 2-2.5 horas (lectura + ejercicio final). No requiere programación ni matemáticas avanzadas; solo visualización espacial y razonamiento conceptual. Si después de este módulo alguien te pregunta "¿qué es un vector en AI?" o "¿por qué usamos vectores para representar texto?", podrás responder con precisión y sin recurrir a fórmulas.

Por qué este módulo es diferente a otros cursos: La mayoría de cursos sobre embeddings o semantic search hacen dos errores: (1) van directo al código sin explicar QUÉ son los vectores, o (2) requieren álgebra lineal avanzada. Este módulo está en el medio: te da la intuición geométrica y conceptual sin fórmulas complejas, preparándote para implementar técnicamente después sin quedarte en la superficie ni abrumarte con matemáticas.

Analogía: El mapa antes del viaje

Piensa en este módulo como el diccionario de un idioma nuevo. No puedes hablar el idioma sin conocer las palabras básicas. En AI moderna, "vector" es la palabra más fundamental: embeddings son vectores, semantic search compara vectores, vector databases almacenan vectores, RAG busca vectores similares. Si no sabes qué es un vector, todos esos términos son cajas negras.

Este módulo te da el diccionario: qué es un vector (geometría básica), cómo se visualizan (2D, 3D), qué pasa en alta dimensión (100D, 1536D), qué operaciones básicas existen (suma, resta, escalar), y por qué AI los usa para representar significado (palabras, frases, documentos). Con este diccionario, cuando en módulos posteriores leas "espacio vectorial" o "similaridad coseno", no serán términos abstractos sino conceptos que ya visualizaste.

Contexto: ¿Dónde estamos en la guía?

Esta guía tiene 8 módulos en 3 fases. Cada fase tiene un objetivo claro:

Fase 1 — Fundamentos de Vectores (Módulos 1-4): Aquí estás. En esta fase construyes la base: vectores (Módulo 1), espacios vectoriales (Módulo 2), similaridad y distancia (Módulo 3), búsqueda por proximidad (Módulo 4). Todo conceptual, sin código. El objetivo es que cuando en Fase 2 hablemos de "semantic search" o en Guía #6 de "embeddings", no sean palabras sueltas sino conceptos que ya tienes ubicados en tu mapa mental.
Fase 2 — Semantic Search (Módulos 5-6): Keyword search vs semantic search, y arquitectura de sistemas de búsqueda semántica. Aquí aplicas lo que aprendiste en Fase 1: los vectores (Módulo 1) se usan para representar documentos y queries, la similaridad (Módulo 3) se usa para encontrar documentos relevantes, la búsqueda por proximidad (Módulo 4) se usa para escalar a millones de documentos.
Fase 3 — Aplicación a AI Engineering (Módulos 7-8): Conexión con RAG y casos de uso reales. Aquí cierras el círculo: entiendes por qué RAG funciona (usa semantic search para retrieval), y diseñas sistemas completos aplicando todo lo anterior.

El Módulo 1 es la puerta de entrada. No asume que sepas álgebra lineal ni programación avanzada; solo que quieras entender los fundamentos antes de implementar. Si ya tienes algo de contexto (por ejemplo, has usado ChatGPT o has oído hablar de "embeddings"), mejor; pero no es obligatorio.

Por qué importa la estructura en 3 fases: La Fase 1 (donde estás) te da los bloques de construcción: vectores, espacios, similaridad, búsqueda. Sin eso, la Fase 2 (semantic search) sería una lista de herramientas sin fundamento. La Fase 2 te da el "cómo se usa" (comparar keyword vs semantic, diseñar arquitecturas); sin eso, la Fase 3 (RAG, casos de uso) sería abstracta. La Fase 3 conecta todo con aplicaciones reales: qué hace un AI Engineer con vectores y semantic search. Cada fase construye sobre la anterior; por eso este primer módulo es fundamental.

Por qué este módulo es la base (ejemplos concretos): Cuando en Módulo 3 leas "similaridad coseno", ya tendrás claro qué es un vector y cómo visualizarlo; sin este módulo, "coseno" sería solo una fórmula sin intuición. Cuando en Módulo 5 leas "semantic search usa vectores para representar significado", ya habrás visto en este módulo POR QUÉ vectores capturan relaciones semánticas (palabras cercanas en significado → vectores cercanos en espacio). Cuando en Módulo 7 leas "RAG usa retrieval vectorial", ya tendrás claro el flujo completo: documento → vector (embedding) → comparación con query vector → resultados similares. Sin este módulo, todo eso sería magia; con él, es lógica clara.

Objetivo del módulo

Al terminar este módulo vas a poder:

Definir con precisión qué es un vector geométricamente (dirección, magnitud) y conceptualmente (representación numérica). En la práctica: cuando alguien diga "embeddings", entenderás que son vectores de alta dimensión; cuando veas [0.5, -0.3, 0.8], reconocerás que es un vector 3D y podrás visualizarlo mentalmente.
Visualizar vectores en 2D y 3D y entender cómo se extiende a alta dimensión (100D, 1536D, 3072D). En la práctica: podrás dibujar en papel vectores 2D/3D representando conceptos ("perro", "gato"), y aunque no puedas dibujar 1536D, entenderás que las mismas ideas de "cercanía" y "dirección" aplican.
Entender operaciones básicas (suma, resta, multiplicación escalar) conceptualmente, sin fórmulas complejas. En la práctica: cuando leas que "embeddings se pueden sumar" (ej: vector("rey") - vector("hombre") + vector("mujer") ≈ vector("reina")), entenderás qué significa geométricamente y por qué funciona.
Explicar por qué vectores en AI — por qué representar palabras, frases o documentos como vectores es la base de semantic search y RAG. En la práctica: podrás justificar decisiones de diseño ("usamos embeddings porque capturan relaciones semánticas mejor que keyword matching") sin recurrir a buzzwords.
Dibujar y analizar vectores conceptualmente en ejercicio final. En la práctica: completarás un ejercicio donde mapeas 5 conceptos a vectores 2D, analizas cuáles están cerca/lejos, y reflexionas sobre cómo eso se relaciona con semantic search.

Todo eso es conceptual. No hay código Python ni álgebra lineal compleja; sí hay visualizaciones, diagramas mentales y ejercicios de análisis que refuerzan las ideas. Si tu objetivo es implementar embeddings o vector databases, eso viene en Guías #6 y #7; aquí solo sentamos las bases para que no implementes a ciegas.

Prerequisitos

Para este módulo basta con:

AI Fundamentals Guide completada (o al menos Módulos 1-2: qué es AI, qué es ML, qué es un LLM). No hace falta que sepas cómo funcionan los Transformers en detalle; solo que sepas que existen modelos de lenguaje y que "aprenden de datos".
Geometría básica intuitiva: Entender que un punto en un plano 2D tiene coordenadas (x, y), y que un punto en espacio 3D tiene coordenadas (x, y, z). No hace falta que recuerdes teorema de Pitágoras o trigonometría; solo visualización espacial básica.
Ganas de dibujar y visualizar: Este módulo es altamente visual. Tendrás que imaginar (o mejor, dibujar en papel) vectores, espacios, y relaciones. Si prefieres aprender leyendo solo texto sin diagramas mentales, este módulo te costará más.
Opcional: Papel y lápiz para hacer diagramas. Muchos conceptos se fijan mejor dibujando vectores a mano que solo leyendo.

No necesitas:

Álgebra lineal avanzada: No hay matrices, determinantes, ni espacios vectoriales formales. Todo se explica con geometría intuitiva.
Programación en Python: Este módulo no tiene código. Los ejemplos son conceptuales o pseudocódigo ilustrativo. El código viene en Guía #6 (Embeddings Deep Dive).
Conocimiento de embeddings o vector databases: Empezamos desde cero. Si ya conoces estos temas, este módulo te ayudará a solidificar la intuición conceptual que quizás te falta.
Haber usado APIs de AI: No hace falta que hayas llamado openai.embeddings.create() ni que hayas visto un embedding real. Los ejemplos del texto son suficientes.

Si ya tienes formación en matemáticas, física o ingeniería, este módulo te resultará muy rápido (podrás leerlo en 1-1.5 horas). Si vienes de perfiles no técnicos (producto, negocio, diseño), el módulo está diseñado para ti: sin fórmulas, con analogías del mundo real.

Si tienes X, mejor (pero no obligatorio): Si ya jugaste con ChatGPT o Claude, tendrás intuición de que "entienden significado" más allá de palabras exactas; eso ayuda en la cápsula 06 (por qué vectores en AI). Si ya dibujaste gráficos 2D o jugaste con herramientas de visualización (Excel, Matplotlib, Tableau), visualizar vectores te será más natural. Si ya oíste hablar de "embeddings" o "vector databases", este módulo ordenará conceptos que quizás tenías mezclados.

Si no tienes Y, no importa: No necesitas saber qué es un "embedding" (lo explicamos aquí y profundizamos en Guía #6). No necesitas haber usado nunca una vector database (eso es Guía #7). No necesitas saber cómo funciona "cosine similarity" (eso es Módulo 3). Este módulo solo cubre vectores básicos; todo lo demás viene después.

Roadmap del módulo: las 7 cápsulas

A continuación tienes el mapa de las 7 cápsulas, qué verás en cada una y qué ganarás al terminarla.

#	Cápsula	Qué verás	Qué ganarás	Duración aprox.
01	Introducción al módulo	Contexto de la guía, objetivo del módulo, roadmap, límites	Claridad sobre qué cubre este módulo y cómo encaja en la guía completa	15 min
02	¿Qué es un vector?	Definición geométrica: dirección, magnitud, representación numérica	Intuición clara de qué es un vector; podrás explicarlo sin fórmulas	20 min
03	Vectores en 2D y 3D	Visualización, coordenadas cartesianas, diagramas	Capacidad de dibujar y visualizar vectores 2D/3D en papel	25 min
04	Vectores en alta dimensión	4D, 100D, 1536D: qué cambia y qué se mantiene	Entender que alta dimensión es extensión de 2D/3D, no magia	20 min
05	Operaciones básicas	Suma, resta, escalar (conceptual, sin álgebra)	Entender qué significa "sumar vectores" geométricamente	20 min
06	¿Por qué vectores en AI?	Representación numérica de significado; palabras → vectores	Justificación de por qué embeddings funcionan	25 min
07	Ejercicio integrador	Dibujar y analizar vectores conceptualmente	Aplicación práctica: mapear conceptos a vectores, analizar cercanía	30 min

Total módulo: ~2-2.5 horas (lectura + ejercicio). Si quieres profundizar con los recursos adicionales de cada cápsula, puedes sumar 30-60 minutos más.

Cómo medir tu propio ritmo: Las duraciones de la tabla son orientativas (lectura a ritmo medio, sin pausas largas). Si lees más lento o quieres dibujar todos los diagramas en papel, puede ser 3 horas. Si ya tienes contexto matemático y solo repasas conceptos, puede ser 1.5 horas. Lo importante no es la velocidad sino que al terminar puedas cumplir la "Evidencia de éxito" que verás más abajo.

Tiempo estimado por cápsula (detalle): La cápsula 01 (esta) suele llevar 15-20 minutos si lees con calma. La 02 (¿qué es un vector?) es corta pero densa; 20-25 minutos. La 03 (2D y 3D) tiene diagramas; si los dibujas en papel, 30 minutos; si solo lees, 20 minutos. La 04 (alta dimensión) es conceptual; 15-20 minutos. La 05 (operaciones) es corta; 15-20 minutos. La 06 (por qué en AI) conecta todo; 25-30 minutos. La 07 (ejercicio) depende de ti: dibujar 5 conceptos como vectores y analizarlos puede llevar 30-40 minutos. En total, 2-2.5 horas es un buen rango para la primera vez.

Por qué este orden de cápsulas

Las cápsulas están ordenadas de forma deliberada:

Definición (02) antes que visualización (03): Para visualizar vectores necesitas saber QUÉ estás visualizando. Si saltas directo a coordenadas (x, y, z) sin entender que un vector tiene dirección y magnitud, los números no tienen sentido.
2D/3D (03) antes que alta dimensión (04): La intuición geométrica viene de espacios visualizables. Una vez que puedes imaginar un vector 3D, extender a 100D o 1536D es "más de lo mismo" conceptualmente. Sin la intuición 2D/3D, alta dimensión parece magia.
Visualización (03) antes que operaciones (04-05): Para entender qué significa "sumar dos vectores", necesitas poder visualizarlos primero. Si lees las operaciones sin visualización previa, se quedan como reglas abstractas.
Operaciones (05) antes que aplicación AI (06): En AI, se usan operaciones como "vector(rey) - vector(hombre) + vector(mujer)" para manipular significado. Para entender eso, necesitas saber qué es suma y resta de vectores geométricamente. Sin la cápsula 05, la 06 puede parecer que "todo es posible" sin fundamento.
Teoría (02-06) antes del ejercicio (07): En el ejercicio vas a mapear conceptos reales (palabras, productos) a vectores 2D y analizarlos. Eso requiere haber visto qué es un vector, cómo visualizarlo, y por qué funciona en AI. Sin las cápsulas 02-06, el ejercicio 07 se queda en "dibujar puntos" sin conexión con semantic search o RAG.

Si ya tienes experiencia con geometría o álgebra lineal y quieres ir directo a "por qué vectores en AI" (cápsula 06), puedes saltar; pero la primera vez se recomienda leer en orden para construir la intuición gradualmente.

Conexión con el resto de la guía

Lo que aprendes en este módulo se usa así en los siguientes:

Módulo 2 (Espacios Vectoriales): Cuando hablemos de "espacio vectorial" como "universo de significado", ya tendrás claro que un vector es un punto en ese universo con coordenadas. Eso evita la confusión típica de pensar que "espacio vectorial" es algo místico; es solo el conjunto de todos los vectores posibles en N dimensiones.
Módulo 3 (Similaridad y Distancia): Para medir "cercanía" entre vectores (similaridad coseno, distancia euclidiana), necesitas saber qué es un vector y cómo visualizarlo. Sin este módulo, "coseno" sería solo una fórmula sin intuición; con él, entenderás que mide el "ángulo" entre dos vectores (direcciones similares = significado similar).
Módulo 4 (Búsqueda por Proximidad): Cuando hablemos de k-Nearest Neighbors (k-NN) o índices como HNSW, ya tendrás claro que estamos buscando vectores cercanos en el espacio. Las operaciones de este módulo (suma, resta) ayudan a entender cómo se construyen estructuras de datos para buscar eficientemente.
Módulos 5-6 (Semantic Search): Cuando veamos que semantic search usa vectores para representar documentos y queries, ya tendrás claro POR QUÉ: vectores capturan relaciones semánticas (cápsula 06) y permiten comparaciones matemáticas (Módulo 3). Sin este módulo, "embeddings" serían una caja negra.
Módulo 7 (RAG): Entenderás que RAG usa vectores en el paso de retrieval: documento → embedding (vector) → comparación con query vector → top K resultados. Las operaciones y visualizaciones de este módulo fundamentan todo ese flujo.
Guías #6, #7, #8 (Implementación técnica): Cuando en Guía #6 llames openai.embeddings.create() y recibas un array de 1536 números, sabrás que es un vector en 1536D que captura significado del texto (cápsula 04 y 06). Cuando en Guía #7 uses ChromaDB o Pinecone, entenderás que almacenan vectores y buscan vecinos cercanos (Módulo 4). Cuando en Guía #8 construyas RAG, el flujo completo de vectores te será transparente.

En resumen: si alguien te pregunta "¿qué es un vector en el contexto de AI?" o "¿por qué usamos vectores para representar texto?", después de este módulo podrás responder con claridad. Y cuando en módulos posteriores leas "embedding", "vector database" o "similaridad coseno", tendrás la base conceptual para entender de qué se habla.

Resumen de conexión (tabla de referencia):

Cuando en un módulo posterior...	Usarás de este módulo...
Módulo 2: "espacio vectorial", "dimensiones"	Definición de vector, visualización 2D/3D, alta dimensión
Módulo 3: "similaridad coseno", "distancia euclidiana"	Vectores como direcciones, operaciones (suma, resta)
Módulo 4: "k-NN", "búsqueda por proximidad"	Vectores en espacios, cercanía geométrica
Módulo 5-6: "semantic search", "embeddings"	Por qué vectores representan significado (cápsula 06)
Módulo 7: "RAG", "retrieval vectorial"	Flujo completo: texto → vector → comparación → resultados
Guía #6: `openai.embeddings.create()`	Entender que devuelve un vector de alta dimensión (cápsula 04)

Límites: qué NO hace este módulo

Para que no esperes algo que no vamos a dar, aquí va lo que este módulo no cubre y, cuando aplica, dónde sí se cubre:

No entra en álgebra lineal formal (espacios vectoriales, bases, independencia lineal, transformaciones lineales). Mantenemos todo geométrico e intuitivo. Si en el futuro quieres profundizar en la matemática formal, hay cursos de álgebra lineal dedicados; este módulo se queda en la intuición.
No implementa código (Python, NumPy, embeddings). Eso viene en Guía #6 (Embeddings Deep Dive) donde verás openai.embeddings.create(), y en Guía #7 (Vector Databases) donde usarás ChromaDB o Pinecone. Aquí solo conceptos.
No explica cómo se entrenan embeddings (Word2Vec, GloVe, BERT, Sentence-BERT). Eso es Guía #6. Aquí solo decimos que "los modelos aprenden a convertir texto en vectores que capturan significado"; el cómo se entrena es tema aparte.
No compara modelos de embeddings (OpenAI vs Cohere vs open-source). Eso es Guía #6 (comparación técnica) y Módulo 6 de esta guía (ecosistema de APIs). Aquí solo sentamos las bases: qué es un vector y por qué funciona para representar significado.
No profundiza en similaridad coseno ni distancias más allá de mencionar que existen. Eso es Módulo 3 de esta guía. Aquí solo vemos operaciones básicas (suma, resta) y dejamos la comparación de vectores para después.
No cubre vector databases (ChromaDB, Pinecone, Weaviate). Eso es Guía #7. Aquí solo explicamos que "vectores se pueden almacenar y buscar"; la implementación técnica viene después.

Este módulo solo cubre vectores conceptuales. El "cómo se generan" (embeddings), "cómo se comparan" (similaridad), "cómo se almacenan" (vector DBs) y "cómo se usan" (semantic search, RAG) vienen en módulos y guías posteriores.

Dónde sí se cubre cada tema (referencia rápida):

Lo que este módulo NO cubre	Dónde sí se cubre
Álgebra lineal formal (espacios, bases, transformaciones)	Cursos de matemáticas; aquí mantenemos intuición geométrica
Código Python (NumPy, embeddings)	Guía #6: Embeddings Deep Dive (implementación técnica)
Cómo se entrenan embeddings (Word2Vec, BERT)	Guía #6: Embeddings Deep Dive (entrenamiento conceptual + código)
Comparación de modelos (OpenAI vs Cohere)	Guía #6 (técnico) y Módulo 6 de esta guía (ecosistema)
Similaridad coseno, distancias (fórmulas, comparaciones)	Módulo 3: Similaridad y Distancia (próximo en esta guía)
Vector databases (ChromaDB, Pinecone, código)	Guía #7: Vector Databases Comparison (implementación)

Evidencia de éxito: cómo sabes que estás listo

Sabes que has aprovechado bien el módulo cuando:

Puedes explicar en 2-3 frases qué es un vector geométricamente (dirección + magnitud) y conceptualmente (representación numérica de un punto en espacio N-dimensional).
Puedes dibujar en papel un vector 2D con coordenadas (x, y) y un vector 3D con coordenadas (x, y, z), y explicar qué significan esas coordenadas.
Entiendes que alta dimensión (100D, 1536D) es una extensión de 2D/3D, no algo cualitativamente diferente. No puedes visualizarlo directamente, pero las ideas de "cercanía" y "dirección" se mantienen.
Puedes explicar qué significa "sumar dos vectores" geométricamente (desplazamiento, combinación de direcciones) sin recurrir a fórmulas.
Puedes justificar por qué vectores en AI: porque capturan relaciones semánticas (palabras similares → vectores cercanos) y permiten operaciones matemáticas (comparar, buscar, sumar).
Has completado el ejercicio de la cápsula 07: al menos 5 conceptos mapeados a vectores 2D, análisis de cuáles están cerca/lejos, y reflexión sobre cómo eso se relaciona con semantic search.

Si alguna de estas cosas aún no la tienes clara, vuelve a la cápsula correspondiente (02 definición, 03 visualización, 04 alta dimensión, 05 operaciones, 06 por qué en AI, 07 ejercicio) y repasa. No hace falta memorizar coordenadas exactas ni fórmulas; lo importante es tener la intuición geométrica clara.

Checklist antes de pasar al Módulo 2: Antes de seguir con Espacios Vectoriales (Módulo 2), comprueba que puedes hacer esto sin mirar las cápsulas: (1) Dibujar un vector 2D en papel con coordenadas (3, 2) y explicar qué significa. (2) Explicar qué es un vector en 1536D conceptualmente (aunque no puedas dibujarlo). (3) Explicar qué significa sumar dos vectores geométricamente. (4) Justificar en 2 frases por qué vectores se usan en AI para representar texto. (5) Haber completado el ejercicio 07 con al menos 5 conceptos mapeados. Si fallas en (1) o (2), repasa cápsulas 02-04. Si fallas en (3), repasa cápsula 05. Si fallas en (4), repasa cápsula 06. Si no has hecho (5), hazlo antes de seguir; es lo que cierra el círculo del módulo.

✓ Checklist rápido visual antes de Módulo 2:

Puedo explicar qué es un vector (dirección + magnitud + representación numérica)
Puedo dibujar vectores 2D y 3D en papel con coordenadas
Entiendo que 1536D es extensión de 2D/3D (no magia)
Puedo explicar qué significa sumar vectores geométricamente
Puedo justificar por qué vectores se usan en AI (capturan significado)
Completé el ejercicio 07 con al menos 5 conceptos analizados

Si marcaste las 6, estás listo para el Módulo 2. Si falta alguna, repasa la cápsula correspondiente.

Cómo usar este módulo

Si es tu primera vez con vectores: Lee las cápsulas 02 a 06 en orden; luego haz la 07 con calma. No te saltes la 07: el ejercicio obliga a visualizar y analizar vectores conceptualmente, y eso fija mucho mejor las ideas que solo leer.
Si ya tienes algo de contexto matemático (por ejemplo, geometría analítica o física básica): Puedes leer por encima la 02 y la 03 (ya sabes qué son coordenadas), y profundizar en 04 (alta dimensión), 05 (operaciones conceptuales sin álgebra) y 06 (por qué en AI). Aun así, no te saltes la 07: el ejercicio de mapear conceptos a vectores conecta geometría con AI de forma que no es obvia.
Si vas a hacer Guía #6 (Embeddings Deep Dive) después: Este módulo es la base recomendada. Tenerlo hecho antes ahorra confusión cuando veas embeddings de 1536D o cuando leas sobre "vectores cercanos capturan significado similar". Si no tienes tiempo de hacer todo el módulo, al menos lee cápsulas 02 (qué es un vector), 04 (alta dimensión) y 06 (por qué en AI), y haz una versión corta del ejercicio 07 (3 conceptos en lugar de 5).
Si te atascas en una cápsula: La cápsula 03 (visualización 2D/3D) es la más importante para intuición. Si no puedes visualizar mentalmente vectores, dibuja en papel: eje X horizontal, eje Y vertical, eje Z saliendo del papel (o usa un lápiz para representarlo). La cápsula 04 (alta dimensión) puede ser abstracta; si te cuesta, quédate con esta idea: "1536D es como 3D pero con 1536 ejes en lugar de 3; no puedo dibujarlo, pero las ideas de cercanía y dirección funcionan igual". Para la 06 (por qué en AI), si no ves la conexión, piensa: "si dos palabras significan algo parecido, sus vectores deberían estar cerca; si son opuestas, deberían estar lejos; eso es lo que los modelos aprenden". Para la 07, si no se te ocurren 5 conceptos, empieza con productos simples: frutas (manzana, plátano, naranja), animales (perro, gato, pez), o emociones (felicidad, tristeza, ira).

Si te atascas: dónde buscar ayuda: (1) En la cápsula 02, si no entiendes "dirección + magnitud", piensa en una flecha: la flecha apunta en una dirección (ej: noreste) y tiene un largo (magnitud). (2) En la cápsula 03, si no visualizas 3D, usa objetos físicos: un vaso en tu escritorio tiene posición (x, y en la mesa) y altura (z). (3) En la cápsula 04, si alta dimensión te abruma, acepta que no puedes dibujarla pero que matemáticamente funciona igual que 2D/3D. (4) En la cápsula 05, si las operaciones son confusas, visualiza suma de vectores como "caminar": vector A te lleva de origen a punto A, vector B te lleva de A a punto B; A + B te lleva directo de origen a B. (5) En la 06, si no ves por qué vectores capturan significado, lee la cápsula 06 completa y los recursos adicionales (artículos sobre Word2Vec o embeddings conceptuales). (6) En la 07, si el ejercicio te parece vago, usa el ejemplo de respuesta completa (si lo incluimos) como plantilla.

Cada cápsula termina con un breve resumen y con recursos adicionales para profundizar. Los ejercicios conceptuales tienen guías de respuesta o ejemplos. Usa todo eso para contrastar tu reflexión y para comprobar que estás aplicando los conceptos de forma coherente.

Preguntas frecuentes

¿Tengo que saber álgebra lineal para este módulo?
No. Todo se explica con geometría intuitiva y visualización. Si ya sabes álgebra lineal, mejor; pero no es necesario.

¿Este módulo sirve para alguien que no quiere programar?
Sí. Está pensado para cualquiera que quiera entender los fundamentos de semantic search y RAG conceptualmente. Si tu rol es producto, negocio o diseño, este módulo te da el vocabulario sin exigir código.

¿Puedo saltarme la cápsula 03 (visualización 2D/3D) si ya sé geometría?
Puedes, pero no se recomienda la primera vez. La cápsula 03 no solo repasa coordenadas; conecta la visualización con AI (cómo representar conceptos como vectores). Sin eso, las cápsulas 04-06 pueden parecer abstractas.

¿El ejercicio 07 es obligatorio?
Para aprovechar bien el módulo, sí. Mapear conceptos reales a vectores y analizarlos es lo que cierra el círculo: pasas de "leer sobre vectores" a "usarlos para pensar sobre significado". Si tienes muy poco tiempo, haz una versión corta (3 conceptos en lugar de 5) en lugar de saltártelo por completo.

¿Qué hago si un recurso adicional (link) está roto o en otro idioma?
Los recursos están en inglés en su mayoría (papers, blogs técnicos). Si un link está roto, busca el título del recurso en Google; suelen estar actualizados en otra URL. Si prefieres solo material en español, el texto de las cápsulas tiene suficiente contenido; los recursos adicionales son opcionales para profundizar.

¿Puedo hacer el módulo en varios días?
Sí. Puedes hacer las cápsulas 01-03 un día (fundamentos), 04-05 otro día (operaciones), y 06-07 otro (aplicación AI). Lo ideal es no dejar demasiado tiempo entre la 02 (definición) y la 07 (ejercicio), porque el ejercicio aplica esas definiciones; si pasan muchas semanas, repasa la 02-03 antes de la 07.

¿Este módulo tiene certificado o evaluación?
Esta guía no emite certificado; la evaluación es la tuya (Evidencia de éxito, Checklist antes de pasar al Módulo 2, ejercicio 07). Si estás haciendo el AI Engineering Bootcamp, este módulo es material de apoyo; la evaluación del bootcamp es independiente.

Qué esperar de cada cápsula (en detalle)

Para que sepas exactamente qué te llevas de cada una:

Cápsula 02 (¿Qué es un vector?): Saldrás con definición clara: un vector es una entidad geométrica con dirección y magnitud, representada por coordenadas numéricas. Verás ejemplos visuales (flechas, puntos) y entenderás que [3, 2] es un vector 2D. Incluye ejercicios de identificación (¿esto es un vector? sí/no, por qué).
Cápsula 03 (Vectores en 2D y 3D): Aprenderás a visualizar vectores en plano cartesiano (2D) y en espacio 3D. Verás cómo dibujarlos, cómo leer coordenadas, y cómo pensar en ellos como "flechas desde el origen" o como "puntos en el espacio". Incluye ejercicios de dibujo (dibuja vector [2, -1] en 2D).
Cápsula 04 (Vectores en alta dimensión): Entenderás que 4D, 100D, 1536D son extensiones matemáticas de 2D/3D. No puedes dibujarlo, pero las ideas de "cercanía" (vectores cercanos = similares) y "dirección" (vectores en direcciones opuestas = opuestos) se mantienen. Verás por qué embeddings tienen 1536D o 3072D (más dimensiones = más capacidad para capturar matices).
Cápsula 05 (Operaciones básicas): Aprenderás qué significa sumar vectores (desplazamiento combinado), restar vectores (diferencia de posición), y multiplicar por escalar (cambiar magnitud). Todo geométrico, sin álgebra compleja. Verás ejemplos visuales y entenderás que "vector(rey) - vector(hombre)" es restar posiciones en el espacio semántico.
Cápsula 06 (¿Por qué vectores en AI?): La cápsula que conecta todo. Entenderás que vectores capturan relaciones semánticas porque los modelos aprenden a poner palabras similares cerca en el espacio y palabras opuestas lejos. Verás ejemplos (vector("perro") cerca de vector("gato"), lejos de vector("auto")) y justificación de por qué esto funciona para semantic search (compara vectores en lugar de palabras exactas).
Cápsula 07 (Ejercicio integrador): Aplicarás todo lo anterior: elegirás 5 conceptos (palabras, productos, emociones), los mapearás a vectores 2D en papel, analizarás cuáles están cerca/lejos, y reflexionarás sobre qué significa eso para semantic search. Incluye guía de autoevaluación y ejemplo de respuesta completa.

Con esto tienes el mapa completo del módulo antes de empezar la cápsula 02.

Errores comunes al empezar este módulo

Creer que "vector" es solo un array de números: No. Un vector tiene interpretación geométrica (dirección, magnitud). [3, 2] no es solo "tres y dos"; es un punto a 3 unidades en X, 2 unidades en Y, con dirección desde origen y magnitud √(3²+2²). En la cápsula 02 lo verás con detalle; no te saltes esa cápsula.
Buscar código Python o ejemplos con NumPy: Este módulo es conceptual; no hay código. Los ejemplos son visuales o pseudocódigo ilustrativo. Si buscas implementar embeddings con código, eso viene en Guía #6 (Embeddings Deep Dive).
Pensar que "alta dimensión" es imposible de entender: No. Alta dimensión (1536D) no puedes dibujarla, pero conceptualmente funciona igual que 2D/3D: hay puntos, hay distancias, hay direcciones. En la cápsula 04 lo verás; no te frustres si no puedes visualizarlo, nadie puede; la intuición es suficiente.
Saltarse el ejercicio 07: El ejercicio obliga a aplicar los conceptos a ejemplos reales; sin eso, las definiciones se olvidan rápido. Aunque tengas prisa, haz al menos una versión corta (3 conceptos en lugar de 5).
Pensar que "vectores en AI" son diferentes de "vectores en matemáticas": No. Son los mismos. Los embeddings son vectores normales en espacios de alta dimensión; no hay magia especial. En la cápsula 06 lo verás: el "truco" es que los modelos aprenden a poner conceptos similares cerca en el espacio, pero el vector en sí es matemática estándar.

Resumen

Este es el Módulo 1 de AI Semantics Guide (Fase 1: Fundamentos de Vectores).
El objetivo es entender qué son vectores conceptualmente (geometría + visualización + operaciones + por qué en AI), sin código ni álgebra compleja.
Son 7 cápsulas: introducción (esta), definición, visualización 2D/3D, alta dimensión, operaciones, por qué en AI, ejercicio integrador.
Lo que aprendes aquí es la base para espacios vectoriales, similaridad, búsqueda, semantic search, embeddings, vector databases, y RAG en los módulos siguientes y en Guías #6-8.
No cubre álgebra lineal formal, código Python, entrenamiento de embeddings, ni implementación de vector databases; eso se ve en módulos posteriores o en guías técnicas.
Sabes que estás listo cuando puedes explicar qué es un vector, visualizar 2D/3D, entender alta dimensión, explicar operaciones, justificar por qué en AI, y has completado el ejercicio 07 con al menos 5 conceptos.
La estructura en 3 fases (Fundamentos → Semantic Search → Aplicación) construye progresivamente; este módulo es la puerta de entrada.
Antes de pasar al Módulo 2, comprueba que cumples la "Evidencia de éxito" y el "Checklist antes de pasar al Módulo 2" de esta cápsula.

Resumen de la guía completa (8 módulos)

Para que tengas la foto completa antes de empezar:

Módulos 1-4 (Fase 1): Vectores, espacios vectoriales, similaridad y distancia, búsqueda por proximidad. Sin código.
Módulos 5-6 (Fase 2): Keyword vs semantic search, arquitectura de semantic search. Cómo se usan vectores en sistemas reales.
Módulos 7-8 (Fase 3): Conexión con RAG, casos de uso reales, diseño de sistemas. Aplicación práctica de todo lo anterior.

Este módulo (Módulo 1) es solo la primera pieza; los módulos 2-4 completan la Fase 1. No hace falta que memorices la lista de 8 módulos; con saber que hay 3 fases (fundamentos → semantic search → aplicación) te basta para no perderte.

Cómo usar esta introducción si tienes poco tiempo

Si tienes muy poco tiempo y quieres ir directo al contenido: lee al menos la sección "Objetivo del módulo" (qué vas a poder hacer al terminar), la tabla del "Roadmap del módulo" (qué verás en cada cápsula) y la sección "Límites" (qué no hace este módulo). Con eso tienes el mínimo para no esperar algo que no vamos a dar y para saber qué ganarás en cada cápsula. El resto de esta introducción (contexto, conexión con la guía, preguntas frecuentes, etc.) puedes leerlo cuando tengas más tiempo o cuando te surja una duda.

Si tienes tiempo normal (2-2.5 horas para el módulo completo): lee esta introducción entera una vez; te ayudará a no perder el hilo cuando llegues a la cápsula 02 y a saber por qué cada cápsula está en su lugar. Luego sigue en orden: 02 → 03 → 04 → 05 → 06 → 07.

Próximo paso

Cuando termines de leer esta introducción, pasa a la Cápsula 02: ¿Qué es un vector?. Ahí vas a construir la definición fundamental: qué es un vector geométricamente (dirección + magnitud) y cómo se representa numéricamente con coordenadas. Con eso tendrás el bloque de construcción básico que usarás en todo el resto del módulo y de la guía.

Cómo saber si estás listo para la cápsula 02:

Tienes claro cuál es el objetivo del Módulo 1 (entender vectores conceptualmente, sin código ni álgebra).
Sabes qué cubre cada cápsula (02 definición, 03 visualización 2D/3D, 04 alta dimensión, 05 operaciones, 06 por qué en AI, 07 ejercicio).
Entiendes que los módulos 1-4 son fundamentos conceptuales y que los módulos 5-8 construyen sobre ellos (semantic search, RAG, casos de uso).
Sabes qué NO cubre este módulo (álgebra formal, código Python, entrenamiento de embeddings, vector databases técnicas) y dónde se cubre cada cosa.

Si alguna de estas cosas aún no está clara, repasa la sección correspondiente de esta introducción antes de continuar.

Recursos adicionales

3Blue1Brown: "Vectors, what even are they?" — Video de 10 min con visualizaciones excelentes de vectores 2D/3D. Perfecto complemento para la cápsula 03. En inglés.
Khan Academy: "Introduction to Vectors" — Serie de videos cortos sobre vectores básicos. Útil si quieres reforzar geometría. En inglés con subtítulos.
Immersive Math: Linear Algebra — Libro interactivo visual (puedes rotar vectores 3D en el browser). Capítulo 1 es perfecto para este módulo. En inglés.
Understanding Word Vectors (blog post) — Explicación conceptual de por qué vectores representan significado, con visualizaciones. Complementa cápsula 06. En inglés.
Visualizing High-Dimensional Data (Jay Alammar) — Blog con diagramas sobre embeddings y vectores de alta dimensión. Para después de completar el módulo. En inglés.

Si algo no cuadra

Si no entiendes "dirección + magnitud": La cápsula 02 lo aclara con diagramas y analogías (flechas, desplazamientos). Un vector es como una flecha: apunta en una dirección y tiene un largo.
Si no puedes visualizar 3D: La cápsula 03 tiene diagramas. Si aun así te cuesta, usa objetos físicos: un vaso en tu escritorio tiene posición (x, y en la mesa) y altura (z). Eso es un "vector" 3D conceptualmente.
Si alta dimensión (1536D) te abruma: La cápsula 04 lo explica: no puedes dibujarla, pero funciona igual que 2D/3D. Acepta que matemáticamente existe y que las ideas de cercanía y dirección aplican; eso es suficiente para entender embeddings.
Si el ejercicio 07 te parece vago: Usa el ejemplo de respuesta (si lo incluimos) como plantilla. Elige 5 conceptos que conozcas (frutas, animales, emociones), ubícalos en un plano 2D según similitud, y analiza cuáles están cerca/lejos. No hay una única respuesta correcta; lo importante es usar los conceptos de forma coherente.

Con esto tienes todo lo necesario para empezar la cápsula 02. Cuando termines el módulo completo, vuelve a esta introducción si quieres repasar el mapa (objetivos, roadmap, conexión con la guía, límites).

En una frase: qué es un vector (chuleta para repasar): Un vector es una entidad geométrica con dirección y magnitud, representada por coordenadas numéricas (ej: [3, 2] en 2D, [1, 0, -2] en 3D, [...] en 1536D). En AI, vectores representan significado: palabras/frases/documentos se convierten en vectores donde cercanía geométrica = similitud semántica. Cuando termines la cápsula 02-03 y 06, esta chuleta te servirá para repasar antes del ejercicio 07.

Próxima cápsula: 02-what-is-a-vector.md

Siguiente →2. ¿Qué es un Vector?