Módulo 2: Espacios Vectoriales
5. Normalización y Transformaciones
Descripción de la cápsula
En esta cápsula vas a entender normalización (por qué hacer que todos los vectores tengan magnitud 1) y transformaciones del espacio (rotaciones, traslaciones). Estas operaciones son fundamentales en semantic search: la normalización es la base de la similaridad coseno.
Normalización: Magnitud = 1
Normalizar un vector es escalarlo para que su magnitud sea exactamente 1:
Vector normalizado = Vector / Magnitud(Vector)
Ejemplo en 2D:
Vector original: [3, 4]
Magnitud: √(9+16) = 5
Vector normalizado: [3/5, 4/5] = [0.6, 0.8]
Magnitud del normalizado: √(0.36+0.64) = 1 ✅
¿Por qué normalizar en AI?
Razón 1: Eliminar ruido de magnitud
En embeddings, la magnitud puede capturar:
- Frecuencia de palabras en el corpus de entrenamiento
- Longitud del texto (documentos largos → vectores grandes)
Eso es ruido si solo importa el "tipo de concepto".
Normalizar elimina ese ruido:
[3, 4](magnitud 5) y[6, 8](magnitud 10) tienen la misma dirección- Normalizados: ambos
[0.6, 0.8]→ idénticos
Razón 2: Habilita similaridad coseno
La similaridad coseno mide el ángulo entre vectores:
cos(A, B) = (A · B) / (||A|| × ||B||)
Si A y B están normalizados (magnitud = 1):
cos(A, B) = A · B (producto punto simple)
Resultado: Cálculo más eficiente, solo importa la dirección.
Razón 3: Estabilidad numérica
Con millones de vectores, mantener magnitudes consistentes (todas = 1) evita problemas de overflow/underflow.
Transformaciones del espacio
1. Traslación (mover el origen)
NO es una transformación válida en espacios vectoriales (no preserva el origen).
En embeddings, el origen tiene significado (vector cero = ausencia de concepto). Trasladar cambiaría ese significado.
2. Rotación (cambiar orientación de ejes)
Rotar el espacio NO cambia las distancias ni los ángulos entre vectores.
Uso en AI: Algunos modelos rotan el embedding space internamente durante fine-tuning. Las relaciones geométricas se preservan.
3. Escalado (ampliar/reducir uniformemente)
Multiplicar todos los vectores por la misma constante:
Nuevo espacio: k × Vector para todo vector
Preserva: Ángulos, proporciones de distancias
Cambia: Magnitudes absolutas
Uso: Normalización es un caso especial (escalar a magnitud = 1).
Qué operaciones preservan significado
| Operación | Preserva distancias | Preserva ángulos | Uso en AI |
|---|---|---|---|
| Normalización | No | Sí | Similaridad coseno |
| Rotación | Sí | Sí | Fine-tuning, alignment |
| Escalado uniforme | No (absolutas) | Sí | Normalización |
| Traslación | — | — | No usado (rompe origen) |
Resumen
Puntos clave:
- Normalización: Escalar vectores a magnitud = 1
- Por qué: Elimina ruido de magnitud, habilita coseno, estabilidad numérica
- Rotación: Preserva distancias y ángulos (usado en fine-tuning)
- Escalado: Cambia magnitud pero preserva ángulos
- Traslación: No usado (rompe significado del origen)
Próxima cápsula: 06-semantic-spaces-in-ai.md — Cómo LLMs organizan significado geométricamente.