Matrices y mapas hash: cómo la IA almacena y recupera datos

word_counts = {
  "hello": 42,
  "world": 37,
  "AI": 156
}

¿Necesita el recuento de "IA"? El mapa hash utiliza una función hash para convertir la clave en un índice detrás de escena. ¿El resultado? O(1) tiempo de búsqueda promedio, igual que las matrices, pero usando nombres en lugar de números.

Usos reales de la IA para mapas hash

• Mapeo de vocabulario: convertir palabras como "brillante" en el token ID 8921 para un modelo de lenguaje.
• Recuento de frecuencia: ¿Con qué frecuencia aparece cada palabra en un conjunto de datos? Los mapas hash responden a esto de una sola vez.
• Resultados del almacenamiento en caché: si una IA ya ha calculado una predicción para la entrada X, guárdela para no volver a calcularla nunca.

Complejidad del tiempo simplificada

| Operación | Matriz | Mapa hash | |-----------|-------|----------| | Acceso por índice | O(1) ⚡ | N/A | | Acceso por clave | O(n) 🐢 | O(1) ⚡ | | Insertar al final | O(1) ⚡ | O(1) ⚡ | | Insertar en el medio | O(n) 🐢 | N/A | | Buscar valor | O(n) 🐢 | O(1) ⚡ |

Piense en O(1) como "instantáneo, sin importar el tamaño" y en O(n) como "más lento cuanto más grandes sean los datos".

Patrón común: conteo de frecuencia

Uno de los patrones más útiles tanto en las entrevistas como en la IA es contar los sucesos. Aquí está la idea en pseudocódigo:

counts = {}
for each word in text:
    if word in counts:
        counts[word] = counts[word] + 1
    else:
        counts[word] = 1

Este único paso por el texto le proporciona la frecuencia de cada palabra. Los modelos de lenguaje utilizan exactamente este enfoque (a gran escala) para comprender qué palabras son más importantes.

Patrón común: el problema de las dos sumas

Dada una serie de números y un objetivo, encuentre dos números que sumen el objetivo. El enfoque ingenuo comprueba cada par: O(n²). El enfoque inteligente utiliza un mapa hash:

seen = {}
for each number in array:
    complement = target - number
    if complement in seen:
        return [seen[complement], current_index]
    seen[number] = current_index

Una pasada, O(n) vez. El mapa hash recuerda lo que ya has visto.

Cuándo elegir cuál

• Utilice matrices cuando el orden sea importante, acceda a elementos por posición o necesite procesar todo de forma secuencial (como los píxeles de una imagen).
• Utilice mapas hash cuando necesite búsquedas rápidas mediante una clave, quiera contar ocurrencias o necesite verificar si algo existe rápidamente.

Conclusiones clave

• Las matrices dan acceso O(1) por índice y son la columna vertebral de la IA numérica (imágenes, incrustaciones, tensores).
• Mapas hash brindan acceso O(1) por clave y son esenciales para búsquedas, conteos y almacenamiento en caché.
• Elegir la estructura correcta puede convertir un algoritmo O(n²) en uno O(n), una diferencia que importa al procesar millones de puntos de datos.
• En la práctica, la mayoría de los canales de IA utilizan ambos: matrices para cálculo numérico y mapas hash para búsquedas de metadatos.

¿Qué sigue?

Ya conoces las dos herramientas básicas del manejo de datos en IA. A continuación, en Cadenas y procesamiento de texto, veremos cómo la IA convierte texto en bruto en algo que un modelo puede leer de verdad: el primer paso detrás de cada chatbot y cada buscador que usas.