Editor
Ordenar información es sencillo cuando ya está estructurada: clientes por facturación, productos por margen o incidencias por tiempo de resolución. El problema aparece cuando lo importante está en un texto, una imagen, una conversación o una reseña.
¿Cómo agrupamos comentarios escritos de formas diferentes? ¿Cómo descubrimos que dos imágenes pertenecen a una misma familia? En Tesselia Labs lo hemos explorado sobre un conjunto de 5 millones de vídeos y 100.000 canales de YouTube. La primera demo permite navegar y agrupar los canales; el mismo enfoque se aplica a los vídeos. YouTube es la demostración: el objetivo es trasladar el método a problemas de negocio.
Tres conclusiones
- Podemos comparar información que no viene expresada como números. Textos e imágenes pueden transformarse en vectores que representan parte de su significado y permiten buscar elementos similares.
- No siempre tenemos que definir todas las categorías previamente. Los algoritmos de clustering pueden descubrir agrupaciones presentes en los datos y mostrarnos segmentos que quizá no habíamos considerado.
- La inteligencia artificial acelera la clasificación, pero el negocio decide si es útil. Un modelo puede proponer grupos y nombres; una persona debe revisar ejemplos, interpretar fronteras y convertir el resultado en acciones.
Convertir significado en algo comparable
Un texto o una imagen no se pueden ordenar directamente como una cifra. Para compararlos utilizamos embeddings: representaciones numéricas generadas por modelos de inteligencia artificial.
Un embedding transforma cada elemento en una lista de valores. Textos con significados parecidos tienden a quedar próximos aunque utilicen palabras diferentes. “El pedido llegó tarde” y “la entrega se demoró demasiado” expresan una situación similar. También podemos relacionar imágenes que comparten contenido o estilo visual.
El experimento con YouTube
Transformamos el contenido y las imágenes en vectores numéricos que recogen similitudes de significado y apariencia. En la demo, cada canal queda representado por un vector de 768 dimensiones. Sobre este espacio buscamos vecinos y agrupamos la colección.
El algoritmo K-means distribuye los canales en K grupos intentando que los miembros de cada grupo estén próximos a un centro común. Los grupos se calculan matemáticamente; la representación visual del mapa solo ayuda a explorarlos.
Con K=5 obtenemos cinco segmentos amplios. Cuando lleguemos a K=25, algunos de esos bloques se convertirán en categorías más específicas. Un gran grupo relacionado con entretenimiento, por ejemplo, podría separarse en videojuegos, música, humor o contenidos infantiles. El número K no descubre una única verdad: controla el nivel de detalle con el que observamos la colección.
También la compararemos con una clasificación jerárquica. En K-means independiente, todos los grupos pueden reorganizarse al cambiar K. En la variante jerárquica, un grupo se divide progresivamente. Una busca una buena partición para cada K; la otra permite seguir la evolución de las categorías.
Del grupo matemático a una etiqueta comprensible
El algoritmo devuelve “grupo 0”, “grupo 1” o “grupo 4”. Para una persona, esos identificadores aportan poco.
Por eso mostramos canales representativos de cada grupo a un modelo de lenguaje. El LLM propone un nombre y una descripción, pero no decide qué canales están juntos. Las etiquetas evolucionan con K: un nombre general válido con cinco grupos puede dejar de serlo con veinticinco. Una persona debe revisar siempre si los ejemplos sostienen la etiqueta.
Qué aporta a un negocio
El mismo proceso puede aplicarse a información habitual de una empresa:
- Leads. Agrupar contactos por necesidades, lenguaje, sector o similitud con oportunidades anteriores.
- Reseñas y encuestas. Descubrir temas recurrentes como entrega, precio, atención o calidad sin preparar una lista cerrada de palabras.
- Soporte. Reunir consultas similares, detectar problemas emergentes y sugerir un equipo responsable.
- Catálogos. Relacionar artículos mediante textos e imágenes, encontrar duplicados y proponer familias.
- Documentación. Agrupar contratos, informes, correos o procedimientos y facilitar su búsqueda semántica.
La ventaja no consiste solamente en ahorrar clasificación manual. También podemos descubrir estructuras que no habíamos definido de antemano.
Prueba el experimento
La aplicación permite buscar canales, navegar por similitud y explorar sus agrupaciones. El prototipo seguirá evolucionando con más niveles de detalle y con la clasificación de los vídeos.
Si la demostración no aparece dentro de la página, puedes abrir el experimento en una pestaña nueva.
Del experimento a una solución útil
La clasificación automática no elimina la necesidad de conocer el negocio: cambia dónde aplicamos ese conocimiento. En vez de etiquetar miles de elementos desde cero, podemos revisar una propuesta, validar muestras y concentrarnos en qué segmentos son accionables.
El valor aparece cuando la clasificación conduce a una acción: dirigir un lead al equipo adecuado, detectar un problema repetido, mejorar un catálogo, encontrar documentación o comprender mejor la experiencia del cliente.
Ese es el propósito del experimento de Tesselia Labs: comprobar con datos reales cómo la inteligencia artificial puede convertir información desordenada en una estructura que una empresa pueda explorar, revisar y utilizar.