Star Wars Atlas: comprobar el mapa contra los vectores

La entrada contiene quince descripciones escritas para personajes. Incluyen facción, función, sensibilidad a la Fuerza, época y relaciones. Ese texto es el conjunto de datos: el vector representa la redacción, no toda la historia del personaje verificada de forma independiente.

La comparación publicada probó nueve modelos. MiniLM destacó la familia Skywalker; E5-large-v2 logró la mejor separación general de grupos en esa comparación. Elegir E5 sobre las mismas descripciones convierte el ejercicio en exploración, no en una evaluación con datos reservados.

15 descripciones → prefijo passage → E5-large-v2 → vectores unitarios
    → matriz de cosenos 15 × 15 → grafo con umbral
    → reducción de dimensiones → mapa con etiquetas

E5 usa passage: y embeddings normalizados. El producto punto de vectores unitarios equivale al coseno. Existen 15 × 14 / 2 = 105 pares distintos sin contar cada personaje consigo mismo. Ese denominador permite interpretar la densidad del grafo.

Con umbral 0.87 sobreviven 17 pares, aproximadamente 16.2%. Reutilizar el 0.45 de MiniLM conectaría todos los pares de E5. Los valores de E5 quedan en una banda de aproximadamente 0.80 a 0.94. El umbral depende del modelo y del conjunto; no define universalmente qué significa estar relacionado.

Los promedios no respaldan dos grupos claramente separados de Jedi y Sith. La descripción de Mace Windu menciona su enfrentamiento con Palpatine. Cinco descripciones contienen "Master" y esos personajes comparten una región. Conviene revisar las palabras antes de inventar una explicación para el grupo.

Al retirar relaciones con nombres propios, el análisis publicado reporta 0.898 para Sith con Sith, 0.874 para Jedi con Sith y 0.910 para Vader con Palpatine. Esos valores pertenecen a entradas modificadas y deben conservarse aparte de la matriz original.

La configuración UMAP ilustrada usa dos componentes, cinco vecinos, distancia mínima 0.3, distancia coseno y semilla 42. Los colores de facción son etiquetas del autor, no categorías descubiertas por el modelo.

Una disposición bidimensional pierde relaciones entre vectores de 1,024 dimensiones. El artículo indica que dos ejes PCA conservan alrededor de 27% de la varianza; esa cifra no mide la varianza retenida por UMAP. Selecciona pares en el mapa y consulta el coseno y sus descripciones. La distancia en pantalla no valida por sí sola la geometría original.

El artículo técnico presenta el experimento; la versión inglesa incluye las descripciones y el análisis numérico corregido de E5 usados aquí. Conserva texto exacto, prefijos, modelo, normalización y configuración. Comprueba normas unitarias, simetría y diagonal antes de contar pares.

Recalcula los 105 cosenos y las 17 aristas. Después elimina frases de relaciones y conserva ambas matrices. Cambiar modelo y texto al mismo tiempo impide atribuir la diferencia.

El recorrido grabado demuestra la interfaz, no una nueva réplica de la comparación. Un estudio mayor necesitaría descripciones nuevas, varias semillas y sensibilidad a la redacción. En este conjunto, las relaciones y el rango explican similitudes mejor que la división esperada entre luz y oscuridad.