← Volver al blog Datos y Arquitectura SAP

Encontrar por significado no basta: búsqueda vectorial con contexto en SAP HANA Cloud

La similitud semántica encuentra textos relacionados, pero una aplicación empresarial necesita vigencia, permisos y referencias exactas. Un patrón práctico para combinar vectores y condiciones de negocio en SAP HANA Cloud.

Ruta magenta que atraviesa marcos de selección y conecta un paisaje de bloques azules y turquesas con un grupo de resultados destacados.

Un técnico busca cómo resolver una avería. El sistema encuentra un procedimiento cuya descripción encaja perfectamente con la consulta. Solo hay un problema: corresponde a una versión del equipo retirada hace tres años. El parecido entre las palabras ha funcionado; la respuesta sigue siendo inadecuada.

La búsqueda vectorial ayuda a encontrar información por significado, incluso cuando la pregunta y el documento utilizan expresiones diferentes. En una empresa, esa capacidad debe convivir con condiciones más estrictas: qué producto está instalado, qué documento está vigente y qué puede consultar cada persona.

La cuestión arquitectónica consiste en reunir esas dos formas de precisión. Este artículo propone un patrón para recuperar contexto en SAP HANA Cloud antes de entregarlo a una aplicación de IA, con un ejemplo SQL ilustrativo y criterios para decidir cuándo incorporar índices y búsquedas complementarias.

Qué ofrece el motor vectorial y qué sigue siendo trabajo de la aplicación

La guía oficial del motor vectorial de SAP HANA Cloud, consultada el 16 de noviembre de 2026, documenta tipos vectoriales y funciones de similitud. El motor permite trabajar con representaciones numéricas del contenido dentro de la base de datos. Eso facilita combinar datos relacionales y búsqueda semántica en una arquitectura común.

Un embedding representa un objeto en un espacio numérico construido por un modelo. Comparar vectores puede recuperar textos relacionados, pero el resultado no prueba que un procedimiento sea aplicable ni que sus instrucciones sean correctas. Tampoco concede permisos sobre el documento.

La propuesta siguiente es un diseño de aplicación, no una función automática que SAP active al crear una columna vectorial. Necesita preparar datos, definir criterios de acceso y comprobar qué capacidades y versiones están disponibles en la instancia concreta.

Empezar por un contrato de recuperación

Para un piloto, acota el problema: localizar instrucciones de mantenimiento para una familia de equipos. Cada fragmento debería conservar identificador del documento, versión, idioma, producto, vigencia, ubicación en el original y las referencias necesarias para aplicar autorizaciones.

Añade modelo y versión del embedding, fecha de generación y huella del contenido procesado. Si cambias el texto sin actualizar el vector, una consulta puede encontrar una representación de algo que el documento ya no dice. Si cambias de modelo, planifica la regeneración y la comparación antes de mezclar resultados.

Dos vectores con la misma dimensión no son necesariamente compatibles: también deben proceder de un espacio de representación coherente. La igualdad de longitud evita un problema de forma, pero no demuestra equivalencia semántica entre modelos.

Define además qué significa no encontrar respuesta. Si no existe contenido autorizado y vigente para un equipo, el sistema debe devolver esa ausencia. Sustituirla por el documento más parecido de otra familia puede ser un fallo de negocio serio.

Arquitectura de referencia: seleccionar, ordenar y devolver evidencia

1. Preparar fragmentos que conserven su contexto

Segmenta por unidades comprensibles, como una operación con sus requisitos y advertencias. Evita separar una instrucción de las condiciones que limitan su uso. Conserva el enlace al documento y a su sección; para PDF complejos, aplica los criterios de nuestra guía de IA multimodal y evidencia documental.

2. Resolver identidad y condiciones de negocio

La aplicación obtiene la identidad desde su sesión autenticada y resuelve el ámbito permitido en el servidor. El usuario puede indicar un equipo, pero no debe poder atribuirse otra organización o ampliar sus permisos enviando un identificador en la pregunta.

Usa fuentes fiables para versión instalada y vigencia. Un modelo puede ayudar a interpretar la petición, pero la autorización se decide mediante controles deterministas. El conjunto permitido debe limitar lo que puede llegar al modelo generativo.

3. Recuperar y ordenar candidatos

Calcula el embedding de la consulta con el modelo y modo apropiados para el corpus. Ejecuta la recuperación bajo las condiciones acordadas y devuelve candidatos con su puntuación y metadatos. La implementación física de filtros e índices debe revisarse con el plan de ejecución y pruebas sobre datos reales.

4. Construir la respuesta con trazabilidad

Entrega al generador únicamente contenido autorizado. Conserva los identificadores de los fragmentos que sustentan cada respuesta y ofrece acceso al original sujeto a los mismos permisos. Una lista de documentos similares es útil por sí misma; no todos los casos necesitan añadir generación de texto.

Un ejemplo SQL deliberadamente pequeño

Este ejemplo utiliza vectores sintéticos de tres dimensiones para mostrar la forma de una consulta. No son embeddings lingüísticos y sus valores no permiten medir la calidad de un modelo. Presupone una tabla de demostración con los campos indicados.

SELECT TOP 5
    ID,
    DOCUMENTO_ID,
    CONTENIDO,
    COSINE_SIMILARITY(
        EMB,
        TO_REAL_VECTOR('[0.2, 0.8, 0.1]')
    ) AS SIMILITUD
FROM FRAGMENTOS_DEMO
WHERE ORGANIZACION_ID = 'DEMO'
  AND PRODUCTO = 'EQUIPO_A'
  AND ESTADO = 'VIGENTE'
ORDER BY SIMILITUD DESC;

La documentación de medidas de similitud de SAP describe COSINE_SIMILARITY y L2DISTANCE. La ordenación depende de la medida: una similitud coseno mayor se ordena antes; una distancia menor indica mayor cercanía según esa distancia.

En producción, utiliza parámetros enlazados y valida su origen. El literal DEMO no representa un mecanismo completo de autorización. Puede ser necesario unir tablas de permisos o aplicar otras restricciones verificadas en la base de datos. Revisa también vectores nulos o degenerados y su tratamiento en la consulta.

Qué hacer con códigos que deben coincidir exactamente

Una pregunta puede mezclar lenguaje natural y referencias: «fallo de arranque en el equipo ZX-184». La parte descriptiva se beneficia de la similitud; el código exige una interpretación exacta. No des por supuesto que el embedding mantendrá la diferencia entre ZX-184 y ZX-148.

Como patrón propuesto, separa identificadores reconocidos de la parte descriptiva. Contrasta los códigos con un catálogo y decide si deben convertirse en filtros obligatorios. Cuando la búsqueda exacta no resuelve la intención, puedes recuperar también candidatos semánticos y combinar resultados en una capa explícita de la aplicación.

Conserva la procedencia de cada candidato y elimina duplicados por identidad estable. No sumes directamente puntuaciones de buscadores diferentes sin estudiar sus escalas. Si incorporas un reordenador, mide su coste, su latencia y su tendencia a privilegiar textos convincentes sobre documentos aplicables.

Este diseño no presupone una función nativa de fusión concreta en SAP HANA Cloud. Su implementación y el servicio de búsqueda complementario se eligen según los requisitos y capacidades disponibles.

Cuándo introducir un índice vectorial

Una búsqueda inicial sobre un corpus pequeño ayuda a establecer una referencia de calidad y rendimiento. Cuando crece el volumen, estudia el índice. La referencia SQL de SAP documenta la creación de índices vectoriales HNSW y sus opciones de construcción y búsqueda.

No copies parámetros de un ejemplo como si fueran una configuración óptima. El comportamiento depende del volumen, la distribución de los vectores, la medida elegida y la consulta. Compara resultados y tiempos con una referencia sin índice; SAP publica ejemplos de consultas con y sin uso del índice vectorial.

Planifica además la construcción del índice: SAP recomienda estudiar la opción ONLINE para evitar el bloqueo exclusivo de la tabla durante ese trabajo. Verifica los privilegios necesarios y el impacto en las cargas concurrentes antes de ejecutarlo. Incluye filtros restrictivos y casos con pocos resultados válidos. Pedir cinco candidatos no garantiza que existan cinco documentos útiles. Mide además memoria, tiempo de construcción y mantenimiento del índice, junto con el coste de generar o actualizar embeddings.

Una prueba de aceptación que mida recuperación

Prepara preguntas con documentos relevantes identificados por expertos. Separa consultas descriptivas, códigos exactos, idiomas y versiones. Introduce preguntas para las que no deba recuperarse ningún documento, así como usuarios con ámbitos de acceso distintos.

Una matriz mínima puede distinguir estos resultados:

CasoResultado esperado
Paráfrasis de una operación conocidaRecuperar el procedimiento aplicable
Referencia parecida a otraConservar la coincidencia exacta validada
Manual antiguo muy similarExcluirlo cuando no sea vigente para el caso
Documento fuera del ámbito del usuarioNo exponer contenido ni fragmentos
Ausencia de evidencia suficienteInformar que no hay resultado aplicable

Mide cobertura de documentos relevantes entre los primeros candidatos y proporción de resultados aplicables. Analiza por separado cualquier exposición fuera de permisos. Después evalúa la respuesta generada, si existe: recuperar bien y responder bien son dos pruebas distintas. Nuestra guía de evaluación de IA generativa explica cómo organizar esa comparación.

Las decisiones que debe cerrar el equipo

Antes de ampliar el piloto, acuerda quién mantiene la vigencia documental, cómo llegan los cambios de permisos y cuánto tarda una actualización en reflejarse en los resultados. Diseña la retirada de documentos también para índices, cachés y copias derivadas.

El trabajo reúne conocimiento funcional SAP, ingeniería de datos, desarrollo de aplicaciones e ingeniería de IA. Si estás preparando un proyecto de recuperación semántica o RAG, puedes solicitar a Sapindex perfiles adecuados para construir y validar esas piezas.

La búsqueda empresarial madura cuando puede explicar algo más que por qué dos textos se parecen. Debe mostrar por qué ese documento pertenece a ese contexto, sigue vigente y puede entregarse a esa persona. Ahí empieza la diferencia entre una demostración atractiva y una herramienta en la que se puede trabajar.

Fuentes oficiales

Documentación contrastada el 16 de noviembre de 2026. La arquitectura y la prueba de aceptación son propuestas de implementación. El SQL es ilustrativo y no se ha ejecutado contra una instancia SAP HANA Cloud.

  • SAP HANA Cloud
  • vector engine
  • búsqueda semántica
  • RAG
  • embeddings
  • ingeniería de datos
  • arquitectura SAP
  • talento IA