La base de datos Actian VectorAI ya es compatible con la indexación IVF y la cuantificación vectorial

La base de datos Actian VectorAI ya es compatible con la indexación HNSW (mundo pequeño jerárquico navegable), que sigue siendo la opción predeterminada más adecuada cuando lo más importante es la recuperación con baja latencia y la memoria no supone una limitación.

Pero la memoria suele serlo. Por eso, Actian VectorAI DB ahora admite la indexación de archivos invertidos (IVF) y la cuantificación vectorial junto con HNSW, lo que ayuda a los usuarios a sortear las limitaciones de memoria. Tú eliges el perfil de memoria, recuperación y latencia que mejor se adapte a cada entorno de implementación, en lugar de utilizar un único perfil en todas partes.

La IVF reduce el tamaño del índice y abarata las actualizaciones; la cuantificación comprime aún más cada vector y, juntas, permiten que la búsqueda de vectores en producción se ejecute en hardware en el que un índice de grafos no funcionaría. Ya se trate de un índice de búsqueda semántica en un dispositivo móvil o una pasarela industrial, un catálogo de comercio electrónico que cambia con frecuencia o una colección que ha superado su presupuesto de memoria: tú eliges el perfil de memoria, recuperación y latencia para cada destino de implementación, en lugar de aplicar un único perfil en todas partes.

Por qué la FIV y la cuantificación de productos, juntas, son más importantes que cada una por separado

La cuantificación controla el espacio que ocupa cada vector. La IVF controla la parte del índice que debe buscar una consulta y la parte que hay que reconstruir cuando cambian los datos. Al utilizarlas conjuntamente, abordan tanto el espacio ocupado como el consumo de recursos por consulta en el mismo motor.

Esa combinación modifica los casos de uso viables:

Implementaciones con limitaciones de memoria y en el borde: Un índice más pequeño por vector es lo que permite que la búsqueda semántica o la generación aumentada por recuperación se ejecuten en un dispositivo móvil, una pasarela industrial o un sensor de IoT con una capacidad de memoria limitada. Es posible que un índice de grafos de la misma colección ni siquiera quepa en el dispositivo.

Datos que requieren muchas operaciones de escritura y se actualizan con frecuencia: Las asignaciones de clústeres resultan más económicas de reconstruir o actualizar parcialmente que un grafo. Los catálogos de comercio electrónico con una rotación constante de existencias y la detección de anomalías a gran escala se benefician de ello.

Coste de la infraestructura a gran escala: Un índice más pequeño para el mismo conjunto de datos implica un número menor de nodos o nodos más pequeños. Con cientos de millones de vectores, la memoria por vector se convierte en una cuestión de número de nodos y, por lo tanto, en una cuestión de presupuesto.

Elegir entre la HNSW y la FIV

Utiliza HNSW cuando la prioridad sea la recuperación con baja latencia y la memoria no sea una limitación. Opta por IVF cuando el índice tenga que ocupar menos espacio, cuando los datos cambien constantemente o cuando el conjunto de datos crezca más allá de la capacidad de la memoria.

Elijas lo que elijas, evalúalo con tus propios datos. Una base de datos vectorial no puede calcular por sí sola el índice de recuperación, ya que no tiene forma de conocer los resultados correctos de una consulta. Necesitas datos de referencia, es decir, un conjunto de pruebas de consultas con respuestas correctas conocidas, y una puntuación de recuperación calculada como media de cientos de ellas. Los puntos de referencia del sector son un punto de partida razonable para la comparación, pero solo tus propios patrones de consulta te dirán cómo funciona un sistema con tu carga de trabajo.

Indexación existente en la base de datos de VectorAI

Hasta esta versión de octubre de 2026, VectorAI DB solo ofrecía HNSW. HNSW es un grafo multicapa en el que cada vector es un nodo conectado a sus vecinos más cercanos. Las búsquedas comienzan con grandes saltos a través de una capa superior dispersa y se van refinando hacia abajo hasta que solo queda un pequeño número de candidatos que comparar. Esto proporciona una alta tasa de recuperación con baja latencia, algo necesario para los sistemas de recomendación, la generación aumentada por recuperación sobre un conjunto de documentos y la búsqueda semántica en un catálogo.

La sobrecarga que supone la indexación de HNSW es el propio gráfico. HNSW almacena las conexiones sobre los vectores sin procesar, por lo que el índice es considerablemente más grande que los vectores por sí solos. Además, establecer esas conexiones también lleva bastante tiempo.

En las bases de datos vectoriales gestionadas en la nube, el servicio absorbe esa sobrecarga de memoria. Sin embargo, en entornos locales o en el perímetro, no existe la elasticidad necesaria para absorberla. La sobrecarga se convierte en una limitación.

¿Qué es la FIV?

El método IVF divide los vectores en clústeres en lugar de construir un grafo. Cada clúster tiene un «centroide», un punto sintético situado en la posición media de los vectores que se le han asignado. Cada vector se asigna al clúster cuyo centroide es el más cercano.

La búsqueda se lleva a cabo en dos fases. En primer lugar, la consulta se compara con los centroides y se identifican los clústeres más prometedores. Esta fase es poco costosa, ya que hay muchos menos clústeres que vectores. A continuación, la consulta busca dentro de un subconjunto de ellos. El tamaño de este subconjunto es configurable: se controla mediante un parámetro. Los valores bajos, que buscan en un subconjunto más pequeño, devuelven resultados más rápidamente, mientras que la búsqueda en un subconjunto más grande aumenta la recuperación a costa de la latencia.

De esa estructura se derivan tres propiedades:

• El índice es más pequeño, ya que contiene vectores y asignaciones de clústeres en lugar de un grafo.
• La recuperación (precisión) se puede ajustar en el momento de la consulta, por lo que puedes adaptarla a un objetivo de latencia específico sin necesidad de reconstruir nada.
• La estructura del clúster mantiene su rendimiento frente al almacenamiento en disco, por lo que el índice no se ve limitado por la memoria disponible.

La contrapartida es el esfuerzo que supone el ajuste. Para igualar la recuperación de HNSW, IVF tiene que buscar en más clústeres, lo que aumenta la latencia. Los cambios en los parámetros de IVF también afectan a la recuperación, por lo que ajustarlos requiere pruebas más minuciosas que con los valores predeterminados de HNSW.

¿Qué es la cuantificación vectorial?

La cuantificación comprime cada vector en una representación más pequeña, sacrificando parte de la precisión numérica a cambio de un menor volumen de datos. Un vector de precisión completa almacena cada dimensión con su ancho completo. Un vector cuantificado lo aproxima ocupando solo una fracción del espacio.

VectorAI DB admite tres variantes de FIV:

• Formato plano: Vectores sin comprimir agrupados en clústeres, sin cuantificación aplicada. Este enfoque ofrece la mayor precisión, pero también ocupa todo el espacio de almacenamiento del vector.
• Cuantificación de productos: Cada vector se divide en subvectores y se codifica según un libro de códigos aprendido, lo que permite la mayor reducción de espacio posible.
• Cuantización escalar: Se reduce la precisión de cada dimensión, lo que suele preservar una mayor exactitud, pero ofrece una menor reducción de memoria que la cuantificación por producto.

La cuantificación resuelve directamente el problema de que «nuestro índice es demasiado grande para caber en la memoria», a cambio de sacrificar el tamaño del índice en favor de la velocidad de recuperación. Tú eliges el equilibrio seleccionando el nivel de compresión que cumpla con los requisitos de precisión de tu caso de uso.

Realiza un tratamiento de FIV en cualquier lugar donde se pueda utilizar un contenedor

La elección del índice es un requisito imprescindible para una base de datos vectorial. VectorAI DB se distingue por la variedad de entornos en los que puede ejecutarse el índice.

Los sectores regulados, los mandatos soberanos en materia de IA, las instalaciones desconectadas y las aplicaciones en dispositivo que requieren un tratamiento especial de la privacidad necesitan una búsqueda vectorial dentro de un perímetro que ellos mismos controlen. Un índice de menor tamaño amplía la cantidad de carga de trabajo que puede permanecer allí. Esto es especialmente importante cuando se necesita inferencia local.

VectorAI DB es una base de datos vectorial que da prioridad al entorno local. Se implementa como un contenedor portátil o como un entorno de ejecución integrado en el borde, sin ningún servicio en la nube detrás y sin que los datos salgan de tu entorno. El mismo motor puede ejecutarse en un nodo en la nube, un servidor local, una pasarela industrial o dentro de una instalación aislada físicamente. Gracias a la IVF y a la cuantificación, VectorAI DB hace viables estos entornos más reducidos, reduciendo el índice a un tamaño que se adapta al hardware.

En otras soluciones, la implementación local suele implicar aceptar un rendimiento inferior. Sin embargo, VectorAI DB minimiza esta desventaja: según las pruebas de rendimiento, es 22 veces más rápido que el motor de código abierto más habitual.

Prueba el método IVF y la cuantificación con tus propios datos

Descarga la edición Community de Actian VectorAI DB y crea un índice de IVF de forma gratuita. Para los usuarios actuales de VectorAI DB, no hay nuevas dependencias ni es necesario realizar ninguna configuración. Realiza tu propia comparación de recuperación y latencia con HNSW y, cuando estés listo, ponte en contacto con Actian para hablar sobre un contrato de producción.

• Descarga VectorAI DB Community Edition de forma gratuita.
• Mira el partido entre HNSW e IVF: cómo elegir el índice vectorial adecuado.
• Únete a la comunidad de Actian en Discord.

Acerca del autor

Acerca de Matthew D. Groves

Matthew D. Groves es un desarrollador que convirtió su pasión por la tecnología en una carrera que abarca la ingeniería de software, la promoción de los desarrolladores y el marketing de productos. Su trayectoria profesional en la programación comenzó en la década de los 90, cuando creó una aplicación de punto de venta en QuickBASIC para la pizzería de sus padres. En la actualidad, Matthew es director de gestión de productos de bases de datos en Actian, donde contribuye a dar forma al futuro de la tecnología de bases de datos. Cuando no está pensando en bases de datos o escribiendo código, a Matthew le gusta pasar tiempo con su familia, salir de crucero, animar a los Cincinnati Reds y regentar una heladería en su ciudad natal, en Ohio.