AI-Powered Search

Tratado exhaustivo y de referencia técnica publicado por Manning, en el que Trey Grainger, Doug Turnbull y Max Irwin abordan la modernización de los sistemas de recuperación de información mediante la integración de inteligencia artificial, grafos de conocimiento y modelos de lenguaje de gran escala (LLMs). Está dirigido a ingenieros de búsqueda, científicos de datos y desarrolladores de software con nivel intermedio que posean experiencia previa en Python y en motores de indexación basados en Lucene como Apache Solr, Elasticsearch u OpenSearch.

La obra enseña a combinar modelos de relevancia léxica con procesamiento de lenguaje natural y machine learning empleando Python, PyTorch, PySpark y Hugging Face Transformers. Entre sus materias centrales destacan el diseño de grafos de conocimiento semántico (Semantic Knowledge Graphs), el análisis e interpretación de intención en consultas (query intent parsing), la recolección de señales de usuario con modelos de clics y la implementación de Learning to Rank (LTR) con aprendizaje activo para mitigar sesgos de posicionamiento. Además, profundiza en la búsqueda vectorial densa mediante embeddings, la búsqueda híbrida que balancea relevancia léxica (BM25) y semántica, y la arquitectura de generación aumentada por recuperación (RAG) combinada con el ajuste fino de transformers para respuesta a preguntas.

El aprendizaje se articula a través de laboratorios reproducibles en cuadernos de Jupyter orquestados con Docker Compose, donde se construye un motor de búsqueda semántica híbrida de escala empresarial y un sistema RAG de preguntas y respuestas. La obra aporta una visión arquitectónica rigurosa y actualizada que eleva radicalmente la precisión de los motores de búsqueda modernos. Requiere una base firme en Python y comprensión previa de la indexación invertida, constituyendo un texto avanzado indispensable para la ingeniería de búsqueda contemporánea.