6. Cuándo Usar Cada Método de Búsqueda

Descripción

Esta es la cápsula más práctica del módulo: una guía de decisión clara para elegir entre keyword, semantic, o híbrido según tu caso de uso.

---

Matriz de decisión

Caso de uso	Método recomendado	Justificación
Búsqueda de código/IDs	Keyword	Necesitas coincidencia exacta
Búsqueda conceptual	Semantic	Intención > palabras exactas
Documentación técnica	Híbrido	Términos técnicos exactos + conceptos
E-commerce	Híbrido	Nombre producto exacto + descripción
Soporte/tickets	Híbrido	IDs exactos + descripciones similares
Investigación académica	Semantic	Conceptos, no necesariamente keywords
Legal/compliance	Keyword	Precisión crítica
Chat/RAG general	Semantic	Intención del usuario

---

Flujo de decisión

┌─ ¿Necesitas coincidencias EXACTAS?
│  └─ SÍ → Keyword
│  └─ NO → Siguiente pregunta
│
├─ ¿Query es conceptual/pregunta?
│  └─ SÍ → Semantic
│  └─ NO → Siguiente pregunta
│
├─ ¿Queries mixtas (algunas exactas, otras conceptuales)?
│  └─ SÍ → Híbrido
│  └─ NO → Semantic (más cobertura)
│
└─ ¿Presupuesto muy limitado?
   └─ SÍ → Keyword (más barato)
   └─ NO → Semantic o híbrido

---

Ejemplos concretos

Caso 1: Buscador de blog personal

Contexto: 500 artículos sobre tecnología

Queries típicas:

• "tutorial de React"
• "cómo aprender Python"
• "mejores prácticas de testing"

Decisión: Semantic search

Justificación:

• Queries conceptuales (intención)
• Dataset pequeño (embeddings baratos)
• Usuarios esperan resultados relevantes, no exactos

---

Caso 2: Sistema de soporte técnico

Contexto: 100K tickets históricos

Queries típicas:

• "Ticket #12345" (exacto)
• "problema con login" (conceptual)
• "error en pago con tarjeta" (conceptual)

Decisión: Híbrido (filtro keyword + ranking semantic)

Justificación:

• Queries mixtas (IDs exactos + descripciones)
• Keyword para IDs → Garantiza exactitud
• Semantic para descripciones → Encuentra tickets similares

---

Caso 3: E-commerce con 1M productos

Contexto: Catálogo grande

Queries típicas:

• "iPhone 15 Pro" (nombre exacto)
• "celular con buena cámara" (descriptivo)
• "laptop para gaming" (categoría)

Decisión: Híbrido (fusión de rankings)

Justificación:

• Queries mixtas
• Nombres exactos → Keyword
• Descripciones → Semantic
• Fusión → Balance automático

---

Caso 4: Base de conocimiento legal

Contexto: Documentos legales

Queries típicas:

• "artículo 42 de la ley X"
• "casos sobre negligencia médica"

Decisión: Keyword para exactos, semantic para conceptuales

Justificación:

• Precisión crítica para artículos específicos
• Semantic útil para encontrar casos relacionados
• Separar por tipo de query

---

Señales de que necesitas cambiar

Señal 1: Usuarios reformulan queries múltiples veces

Síntoma: Usuario busca "auto", no encuentra, busca "carro", no encuentra, busca "automóvil"

Solución: Migrar a semantic search (entiende sinónimos)

---

Señal 2: Resultados irrelevantes en semantic

Síntoma: Query "Python 3.11" retorna docs sobre "serpientes pitón"

Solución: Agregar filtro keyword ("Python" debe aparecer)

---

Señal 3: No encuentras por palabra exacta

Síntoma: Buscas "error E404" pero semantic retorna errores generales

Solución: Usar keyword para códigos/IDs exactos

---

Resumen

Puntos clave:

• Keyword: Precisión para exactas
• Semantic: Cobertura para conceptuales
• Híbrido: Balance para queries mixtas
• Decisión: Según tipo de queries y requisitos

---

Próxima cápsula: 07-capstone-exercise-5.md — 10 queries → Decidir método.