La similitud del coseno es, sin duda, una de las métricas más utilizadas en sistemas de recuperación de información, recomendación, procesamiento de lenguaje natural y visión por computadora. Su popularidad se debe a que elimina la escala radial, es computacionalmente eficiente y se alinea bien con los objetivos de entrenamiento de embeddings normalizados. Sin embargo, esta misma simplicidad esconde limitaciones importantes que pueden degradar el rendimiento en aplicaciones reales. En este artículo exploramos cuándo y por qué falla la similitud del coseno, y proponemos alternativas prácticas desde una perspectiva técnica y empresarial, con especial atención a cómo Q2BSTUDIO aborda estos desafíos en sus desarrollos de software a medida.
El problema fundamental es que la normalización que aplica la similitud del coseno descarta toda la información contenida en la magnitud de los vectores. En muchos contextos, la norma del embedding codifica información relevante: por ejemplo, en sistemas de recomendación, un producto con un vector de alta norma puede representar un ítem muy popular, mientras que uno con norma baja podría ser un artículo nicho. Al normalizar, perdemos esa señal de confianza o relevancia. Esto no es un fallo teórico menor: en aplicaciones empresariales de inteligencia artificial (IA), como la detección de fraudes o la segmentación de clientes, la magnitud puede ser un indicador crítico. Ignorarla puede llevar a falsos positivos o a agrupar entidades que en realidad son muy diferentes en intensidad.
Otro límite bien documentado es la compresión del contraste angular en representaciones anisotrópicas. Cuando los embeddings están concentrados en un cono estrecho del espacio —algo común en modelos de lenguaje como BERT sin normalización— las diferencias angulares se vuelven muy pequeñas. La similitud del coseno pierde capacidad discriminativa y todos los pares parecen igualmente similares. Esto es especialmente problemático en tareas de búsqueda semántica o clustering. En Q2BSTUDIO, al diseñar sistemas de búsqueda para clientes con grandes volúmenes de datos no estructurados, aplicamos técnicas de post-procesado como la reducción de dimensionalidad o la re-escala de vectores para recuperar el contraste perdido.
El fenómeno de los hubs es otra patología conocida. En espacios de alta dimensión, algunos puntos se convierten en vecinos cercanos de muchos otros, distorsionando cualquier métrica basada en distancia o similitud. La similitud del coseno no es inmune: ciertos vectores se vuelven 'hubs' que aparecen como similares a una fracción desproporcionada del conjunto. Esto afecta a sistemas de recomendación donde un producto puede ser recomendado a casi todos los usuarios, arruinando la personalización. Para mitigarlo, en nuestros proyectos de agentes IA y sistemas de recomendación, implementamos estrategias de hubness-aware como la normalización centrada o la transformación de similitud basada en ranking local.
Además, la similitud del coseno es una métrica simétrica y no calibrada. En relaciones asimétricas —por ejemplo, la relevancia de un documento para una consulta o la pertenencia de un ítem a una categoría— usar una puntuación simétrica puede ser inapropiado. Un documento largo puede contener información relevante sobre un concepto corto, pero el coseno no captura esa direccionalidad. En entornos empresariales, donde se usan modelos de matching en catálogos de productos o en chatbots, esta falta de calibración obliga a introducir umbrales empíricos o a entrenar puntuadores adicionales. Aquí, la experiencia de Q2BSTUDIO en cloud AWS/Azure permite escalar soluciones de aprendizaje que aprenden funciones de similitud asimétricas, personalizadas para cada caso de uso.
Frente a estos límites, existen varias alternativas. La primera son las métricas geometry-aware, como la similitud coseno tras una transformación de Whitening o una normalización por componentes principales, que redistribuyen la varianza y mejoran el contraste. Otra línea son las métricas norm-aware, que incorporan la magnitud como factor ponderado, como la similitud coseno con sesgo de norma o la distancia de Mahalanobis. También están las métricas hubness-aware, que ajustan la similitud según la densidad local o la frecuencia de vecindad. En Q2BSTUDIO, para proyectos de Business Intelligence (BI) y Power BI, a menudo combinamos estas técnicas con modelos de embedding entrenados específicamente para el dominio del cliente, usando aprendizaje supervisado para calibrar la puntuación final.
Por último, en lugar de forzar una métrica predefinida, cada vez más sistemas aprenden la propia función de similitud. Desde redes siamesas hasta arquitecturas de doble codificador con pérdida contrastiva, el modelo puede optimizar la similitud directamente para la tarea objetivo. Esto requiere datos etiquetados y potencia de cómputo, pero ofrece resultados muy superiores. En Q2BSTUDIO integramos estos enfoques como parte de nuestros servicios de aplicaciones a medida, asegurando que la métrica se alinee con la decisión downstream, ya sea clasificación, recomendación o búsqueda.
En conclusión, la similitud del coseno no es intrínsecamente buena o mala; su utilidad depende del contexto: de cómo se entrenaron las representaciones, de su normalización, de la simetría de la relación y de la tarea final. En Q2BSTUDIO sabemos que no existe una métrica universal. Por eso, al desarrollar soluciones de IA, ciberseguridad o automatización, analizamos primero las propiedades del espacio de embeddings y elegimos o diseñamos la métrica más adecuada. Combinamos cloud AWS/Azure para escalar, y técnicas avanzadas de BI para visualizar y validar el comportamiento. El mensaje central: entender cuándo la similitud del coseno falla es el primer paso para construir sistemas más robustos y precisos.
