En SymfonyCon 2025 se presentó una demostración que une visión por computadora y búsqueda semántica: un emparejador de objetos arqueológicos que encuentra el artefacto más parecido en los fondos históricos de Ámsterdam utilizando embeddings multimodales. Esta pieza explica cómo construir una aplicación similar usando embeddings multimodales de Voyage AI, almacenamiento y búsqueda vectorial en MongoDB Atlas y la integración con SymfonyAI, y además muestra cómo empresas tecnológicas como Q2BSTUDIO pueden ofrecer soluciones a medida que incluyen inteligencia artificial y ciberseguridad.

Contexto y datos de ejemplo: durante las obras del metro de Ámsterdam se recuperaron cientos de miles de objetos. Muchos de ellos están catalogados y disponibles en un CSV público y en galerías online. Al combinar la descripción textual del CSV con las imágenes asociadas podemos crear embeddings multimodales que capturan tanto rasgos visuales como atributos descriptivos tales como función, material y periodo cronológico. Esto permite búsquedas por similitud mucho más ricas que usar solo texto o solo imagen.

Qué es la búsqueda vectorial: un modelo de embedding transforma datos en un vector numérico de alta dimensión que representa múltiples atributos del dato. Al comparar vectores mediante medidas de similitud matemática podemos recuperar registros que sean conceptualmente cercanos. En una búsqueda multimodal la entrada puede ser una foto y un texto simultáneamente, lo que mejora la precisión para casos como identificar herramientas antiguas, ornamentos o fragmentos cerámicos.

Arquitectura general de la solución: la aplicación se divide en dos fases principales, indexación y consulta. En la indexación se extraen descripciones y fotos, se generan embeddings con un modelo multimodal y se almacenan en MongoDB Atlas con índices de búsqueda vectorial. En la fase de consulta el usuario sube una imagen y/o escribe un texto; si hay imagen se puede generar primero una descripción enfocada en el objeto con un modelo de lenguaje para eliminar ruido de fondo; a continuación se crea un embedding multimodal que sirve como vector de consulta y se ejecuta la búsqueda vectorial retornando los candidatos más similares ordenados por score.

Pasos prácticos resumidos: cargar datos y normalizarlos, concatenar campos textuales relevantes para que el embedding capture función y procedencia, preparar una o dos imágenes por objeto para la parte visual, enviar lotes al servicio de embeddings multimodal y guardar las incrustaciones en MongoDB Atlas donde se han creado índices vectoriales optimizados. Para la generación de descripciones desde imágenes se puede usar un modelo de lenguaje que reciba instrucciones claras para centrar la atención en el objeto y en atributos que coincidan con el catálogo.

Detalles técnicos clave: la calidad de la búsqueda depende del modelo de embeddings elegido y de cómo se combinan texto e imagen en la entrada. Es recomendable experimentar con prompts y con ponderaciones para dar más importancia a atributos como función, material o periodo. En el lado de la base de datos, MongoDB permite crear índices de búsqueda vectorial y ejecutar agregaciones que devuelven los mejores matches con sus puntuaciones, lo cual facilita presentar al usuario resultados ordenados y filtrables.

Privacidad y rendimiento: la aplicación puede diseñarse para no almacenar las imágenes de consulta, procesándolas temporalmente para generar el embedding y descartándolas. Además, es importante planificar la escalabilidad y el coste de las llamadas a la API de embedders y al almacenamiento vectorial, así como reforzar la seguridad de las claves y accesos con prácticas de ciberseguridad.

Por qué elegir una solución a medida: en Q2BSTUDIO ofrecemos desarrollo de aplicaciones a medida y software a medida que integran modelos de IA, infraestructura cloud y buenas prácticas de seguridad. Podemos adaptar la solución a tus necesidades, desde servicios cloud aws y azure para desplegar la plataforma hasta optimizaciones en la capa de búsqueda y experiencia de usuario. Si buscas potenciar tus datos con IA para empresas o construir agentes IA especializados, nuestro equipo aporta experiencia tanto en inteligencia de negocio como en despliegues seguros.

Casos de uso empresariales y servicios complementarios: además de proyectos de búsqueda multimodal para patrimonio o eCommerce, las mismas técnicas se aplican a clasificación automática, recomendaciones visuales y enriquecimiento de catálogos. Combinando inteligencia artificial con servicios de inteligencia de negocio y Power BI se pueden generar paneles que unan resultados cualitativos con métricas operativas, facilitando la toma de decisiones. Para proyectos que requieren auditoría y pruebas, también incorporamos servicios de ciberseguridad y pentesting para garantizar integridad y confidencialidad.

Si quieres explorar una solución similar adaptada a tu organización o necesitas una aplicación con capacidades de búsqueda vectorial y agentes IA personalizados, en Q2BSTUDIO podemos ayudarte a diseñarla y desplegarla. Conoce nuestras propuestas de inteligencia artificial y cómo pueden integrarse en tu empresa en la landing de Inteligencia Artificial de Q2BSTUDIO o consulta nuestros servicios de desarrollo para aplicaciones a medida en la página de desarrollo de aplicaciones y software a medida. También ofrecemos consultoría en arquitectura cloud, servicios cloud aws y azure, y soluciones de inteligencia de negocio como Power BI para complementar cualquier proyecto de IA.

Conclusión y próximos pasos: la combinación de embeddings multimodales, almacenamiento y búsqueda vectorial y una capa de IA para procesar entradas permite construir emparejadores arqueológicos u otras aplicaciones avanzadas. Experimenta con distintos modelos, afina las instrucciones de generación de descripciones y considera un enfoque a medida para maximizar valor. En Q2BSTUDIO unimos experiencia en inteligencia artificial, ciberseguridad, servicios cloud y business intelligence para convertir ideas en productos robustos y escalables.