Python y la Inteligencia Artificial: Usos Empresariales de la Similitud de Vectores

La similitud de vectores es una técnica ampliamente utilizada en aplicaciones empresariales para resolver problemas prácticos relacionados con datos no estructurados, como texto, imágenes y audio. Al representar estos datos como vectores en un espacio vectorial, las empresas pueden medir la similitud entre elementos y utilizar esta información para mejorar la toma de decisiones, optimizar procesos y ofrecer servicios personalizados.

A continuación, exploramos algunos de los usos empresariales más comunes de la similitud de vectores:

1. Sistemas de Recomendación 

Los sistemas de recomendación son uno de los casos de uso más populares de la similitud de vectores. Estos sistemas analizan el comportamiento del usuario y recomiendan productos, servicios o contenido basándose en patrones de similitud.

• Ejemplo:
  • Una plataforma de streaming (como Netflix o Spotify) puede usar embeddings para representar películas, canciones o usuarios.
  • La similitud de vectores permite encontrar contenido similar al que el usuario ha consumido previamente.

# Ejemplo simplificado: Sistema de recomendación basado en similitud del coseno
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# Embeddings de productos (por ejemplo, películas)
product_embeddings = np.array([
    [0.1, 0.2, 0.3],
    [0.4, 0.5, 0.6],
    [0.7, 0.8, 0.9]
])

# Embedding del usuario
user_embedding = np.array([0.2, 0.3, 0.4])

# Calcular similitud con cada producto
similarities = cosine_similarity([user_embedding], product_embeddings)

# Recomendar el producto con mayor similitud
recommended_product = np.argmax(similarities)
print(f"Producto recomendado: {recommended_product}")

2. Búsqueda Semántica 

La búsqueda semántica utiliza embeddings para entender el significado detrás de las consultas de los usuarios y devolver resultados relevantes, incluso si no hay una coincidencia exacta de palabras clave.

• Ejemplo:
  • Un motor de búsqueda interno en una empresa puede usar embeddings de documentos para encontrar archivos relacionados con una consulta específica.
  • Esto es especialmente útil cuando los empleados buscan información en bases de datos extensas o sistemas de gestión de documentos.

# Ejemplo: Búsqueda semántica en documentos
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# Embeddings de documentos
document_embeddings = np.array([
    [0.1, 0.2, 0.3],  # Documento 1
    [0.4, 0.5, 0.6],  # Documento 2
    [0.7, 0.8, 0.9]   # Documento 3
])

# Consulta del usuario
query_embedding = np.array([0.2, 0.3, 0.4])

# Calcular similitud con cada documento
similarities = cosine_similarity([query_embedding], document_embeddings)

# Encontrar el documento más relevante
most_relevant_document = np.argmax(similarities)
print(f"Documento más relevante: {most_relevant_document}")

3. Clasificación Automática de Documentos 

Las empresas suelen manejar grandes volúmenes de documentos (facturas, contratos, correos electrónicos). La similitud de vectores puede ayudar a clasificar automáticamente estos documentos en categorías predefinidas.

• Ejemplo:
  • Usar embeddings para comparar un nuevo documento con ejemplos previamente etiquetados y asignarlo a la categoría más similar.

# Ejemplo: Clasificación automática de documentos
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# Embeddings de categorías de referencia
category_embeddings = {
    "Factura": np.array([0.1, 0.2, 0.3]),
    "Contrato": np.array([0.4, 0.5, 0.6]),
    "Correo": np.array([0.7, 0.8, 0.9])
}

# Nuevo documento
new_document_embedding = np.array([0.2, 0.3, 0.4])

# Calcular similitud con cada categoría
similarities = {category: cosine_similarity([new_document_embedding], [embedding])[0][0]
                for category, embedding in category_embeddings.items()}

# Asignar la categoría con mayor similitud
assigned_category = max(similarities, key=similarities.get)
print(f"Categoría asignada: {assigned_category}")

4. Detección de Fraude 

La similitud de vectores puede identificar patrones sospechosos en transacciones financieras o actividades de usuarios.

• Ejemplo:
  • Comparar el comportamiento de un usuario actual con patrones históricos de fraude.
  • Si el vector de actividad actual es muy similar a un vector de fraude conocido, se puede activar una alerta.

# Ejemplo: Detección de fraude
from scipy.spatial.distance import euclidean

# Patrón de fraude conocido
fraud_pattern = np.array([0.1, 0.2, 0.3])

# Actividad del usuario actual
user_activity = np.array([0.15, 0.25, 0.35])

# Calcular distancia euclidiana
distance = euclidean(fraud_pattern, user_activity)

# Definir un umbral para detectar fraude
if distance < 0.1:
    print("Alerta de posible fraude")
else:
    print("Actividad normal")

5. Segmentación de Clientes 

La segmentación de clientes implica agrupar usuarios con comportamientos o preferencias similares. La similitud de vectores ayuda a identificar estos grupos.

• Ejemplo:
  • Representar a los clientes como vectores basados en sus hábitos de compra o interacción con la marca.
  • Usar métricas de similitud para agrupar clientes en segmentos específicos.

# Ejemplo: Segmentación de clientes
from sklearn.cluster import KMeans
import numpy as np

# Embeddings de clientes
customer_embeddings = np.array([
    [0.1, 0.2, 0.3],
    [0.4, 0.5, 0.6],
    [0.7, 0.8, 0.9],
    [0.1, 0.2, 0.3]  # Cliente similar al primero
])

# Aplicar clustering
kmeans = KMeans(n_clusters=2, random_state=0).fit(customer_embeddings)

# Asignar segmentos a los clientes
print("Segmentos de clientes:", kmeans.labels_)

6. Optimización de Inventarios 

En el sector minorista, la similitud de vectores puede ayudar a predecir qué productos son complementarios o sustitutos, optimizando así la gestión de inventarios.

• Ejemplo:
  • Usar embeddings para representar productos y calcular la similitud entre ellos.
  • Identificar productos que tienden a comprarse juntos (complementarios) o que compiten entre sí (sustitutos).

# Ejemplo: Optimización de inventarios
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# Embeddings de productos
product_embeddings = np.array([
    [0.1, 0.2, 0.3],  # Producto A
    [0.4, 0.5, 0.6],  # Producto B
    [0.7, 0.8, 0.9]   # Producto C
])

# Calcular similitud entre productos
similarities = cosine_similarity(product_embeddings)

print("Matriz de similitud entre productos:")
print(similarities)

7. Análisis de Sentimientos 

La similitud de vectores también se utiliza en el análisis de sentimientos para comparar textos con patrones de emociones positivas, negativas o neutrales.

• Ejemplo:
  • Representar comentarios de clientes como vectores y compararlos con embeddings de emociones predefinidas.

# Ejemplo: Análisis de sentimientos
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# Embeddings de emociones
emotion_embeddings = {
    "Positivo": np.array([0.1, 0.2, 0.3]),
    "Negativo": np.array([0.4, 0.5, 0.6]),
    "Neutral": np.array([0.7, 0.8, 0.9])
}

# Comentario del cliente
comment_embedding = np.array([0.2, 0.3, 0.4])

# Calcular similitud con cada emoción
similarities = {emotion: cosine_similarity([comment_embedding], [embedding])[0][0]
                for emotion, embedding in emotion_embeddings.items()}

# Determinar la emoción más cercana
predicted_emotion = max(similarities, key=similarities.get)
print(f"Sentimiento detectado: {predicted_emotion}")

La similitud de vectores tiene aplicaciones prácticas en una amplia gama de sectores empresariales, desde sistemas de recomendación y búsqueda semántica hasta detección de fraudes y segmentación de clientes. Al aprovechar embeddings y métricas de similitud, las empresas pueden tomar decisiones más informadas, optimizar procesos y ofrecer experiencias personalizadas a sus usuarios.