Glosario de Términos Clave en Inteligencia Artificial

Desbloqueando el Vocabulario de la IA

La Inteligencia Artificial es un campo en constante expansión que impulsa la innovación a nivel mundial. Para entender cómo funcionan los sistemas de IA y para participar en esta conversación tecnológica, es fundamental dominar su vocabulario.

A continuación, se presenta un glosario conciso de los términos más importantes en IA, Machine Learning y Deep Learning.

Glosario de Inteligencia Artificial (IA)

Accelerator Una clase de microprocesador diseñado para acelerar las aplicaciones de IA.

Agents (Agentes) Entidades de IA autónomas o semi-autónomas que pueden realizar tareas, tomar decisiones y utilizar herramientas o APIs basándose en objetivos.

AGI (Artificial General Intelligence / Inteligencia Artificial General) Artificial intelligence que es tan capaz como un humano en cualquier tarea intelectual.

AI Ethics (Ética de la IA) Principios destinados a evitar que la IA cause daño a los humanos.

Algorithm (Algoritmo) Un conjunto de instrucciones o reglas a seguir para completar una tarea específica.

Alignment (Alineación) El proceso de ajustar una IA para que produzca mejor el resultado deseado, lo que puede incluir moderar contenido o mantener interacciones positivas con humanos.

Anthropomorphism (Antropomorfismo) La tendencia de asignar cualidades humanas a los sistemas de IA, como sentimientos o conciencia, a pesar de que la IA no las posee.

Attention (Mecanismo de Atención) Mecanismos en el contexto de las redes neuronales que ayudan al modelo a enfocarse en las partes relevantes del input al producir un output.

Back Propagation (Retropropagación) Un algoritmo usado en el entrenamiento de redes neuronales, que calcula el gradiente de la función de pérdida con respecto a los pesos en la red.

Bias (Sesgo) Errores en los outputs del modelo causados por datos de entrenamiento sesgados (skewed training data).

Chain of Thought Prompting (Prompting de Cadena de Pensamiento) Una técnica donde se escriben prompts para animar al modelo de IA a razonar paso a paso antes de dar una respuesta, mejorando la precisión y la aplicabilidad del output.

Chatbot Un programa informático diseñado para simular una conversación humana a través de interacciones de texto o voz.

Compute (Cómputo) Los recursos computacionales (como el tiempo de CPU o GPU) utilizados en el entrenamiento o la ejecución de modelos de IA.

Convolutional Neural Network (CNN / Red Neuronal Convolucional) Un tipo de modelo de deep learning que procesa datos con una topología de cuadrícula (como una imagen) aplicando una serie de filtros, a menudo utilizado para tareas de reconocimiento de imágenes.

Data Augmentation (Aumento de Datos) El proceso de incrementar la cantidad y diversidad de datos utilizados para entrenar un modelo, añadiendo copias ligeramente modificadas de datos existentes.

Deep Learning (Aprendizaje Profundo) Un subcampo de Machine Learning que enfoca en entrenar redes neuronales con muchas capas; sus algoritmos pueden mejorar resultados incorrectos a través de la repetición sin intervención humana.

Diffusion Model (Modelo de Difusión) Un tipo de modelo generativo en el cual una red neuronal se entrena para predecir el proceso inverso al añadir ruido aleatorio a los datos, utilizado para generar nuevas muestras de datos similares a los datos de entrenamiento.

Embedding La representación de datos en una nueva forma, a menudo un espacio vectorial, donde puntos de datos similares tienen embeddings más similares.

Emergent Behavior (Comportamiento Emergente) Un comportamiento complejo que surge de reglas o interacciones simples. También se refiere a capacidades inesperadas que solo ocurren cuando las partes individuales interactúan como un todo más amplio.

Expert Systems (Sistemas Expertos) Una aplicación de tecnologías de inteligencia artificial que proporciona soluciones a problemas complejos dentro de un dominio específico.

Explainable AI (XAI / IA Explicable) Un subcampo de la IA centrado en crear modelos transparentes que proporcionen explicaciones claras y comprensibles de sus decisiones.

Fine-tuning (Ajuste Fino) El proceso de tomar un modelo de machine learning preentrenado y adaptarlo para una tarea ligeramente diferente o un dominio específico, ajustando sus parámetros con un conjunto de datos más pequeño y específico.

Foundation Model (Modelo de Fundación) Grandes modelos de IA entrenados con datos amplios, destinados a ser adaptados para tareas específicas.

GAN (General Adversarial Network / Red Generativa Antagónica) Un tipo de modelo de machine learning que genera nuevos datos similares a los existentes, enfrentando a dos redes neuronales (un “generador” y un “discriminador”).

Generative AI (IA Generativa) Una rama de la IA enfocada en crear modelos que pueden generar contenido nuevo y original, como imágenes, música, o texto, basándose en patrones y ejemplos de datos existentes.

GPU (Graphics Processing Unit / Unidad de Procesamiento Gráfico) Un tipo especializado de microprocesador altamente eficiente para realizar los cálculos necesarios para entrenar y ejecutar redes neuronales.

Gradient Descent (Descenso de Gradiente) Un método de optimización que ajusta gradualmente los parámetros de un modelo basándose en la dirección de mayor mejora en su función de pérdida.

Hallucination (Alucinación) El fenómeno en el que un modelo de IA genera contenido que no se basa en datos reales o que es significativamente diferente de la realidad.

Hyperparameter (Hiperparámetro) Un parámetro cuyo valor controla el proceso de aprendizaje, a diferencia de los parámetros del modelo, no se aprende de los datos.

Inference (Inferencia) El proceso de hacer predicciones con un modelo de machine learning entrenado.

Instruction Tuning (Ajuste por Instrucción) Una técnica donde los modelos se ajustan finamente basándose en instrucciones específicas dadas en el conjunto de datos.

Large Language Model (LLM / Modelo de Lenguaje Grande) Un tipo de modelo de IA entrenado en una amplia base de datos de texto. Puede generar texto similar al humano y utiliza la arquitectura transformer.

Latent Space (Espacio Latente) La representación comprimida de datos que crea un modelo, donde los puntos de datos similares están más cerca en el espacio latente.

Loss Function (Función de Pérdida / Función de Costo) Una función que un modelo de machine learning busca minimizar durante el entrenamiento y cuantifica qué tan lejos están las predicciones del modelo de los valores verdaderos.

Machine Learning (ML / Aprendizaje Automático) Un subconjunto de la IA que dota a los sistemas de la capacidad de aprender y mejorar automáticamente de la experiencia sin ser programados explícitamente.

Multimodal Se refiere a modelos que pueden entender y generar información a través de varios tipos de datos, como texto e imágenes.

Natural Language Processing (NLP / Procesamiento del Lenguaje Natural) Un subcampo de la IA enfocado en la interacción entre computadoras y humanos a través del lenguaje natural, buscando leer, descifrar, entender y dar sentido al lenguaje humano.

Neural Network (Red Neuronal) Un tipo de modelo de IA inspirado en el cerebro humano que consiste en unidades o nodos conectados (neuronas) organizados en capas.

Overfitting (Sobreajuste) Un error de modelado que ocurre cuando una función se ajusta demasiado o muy de cerca a un conjunto limitado de datos de entrenamiento, lo que resulta en un rendimiento predictivo deficiente cuando se aplica a datos no vistos.

Parameters (Parámetros) En machine learning, son las variables internas que el modelo utiliza para hacer predicciones y que se aprenden de los datos de entrenamiento durante el proceso de entrenamiento.

Pre-training (Preentrenamiento) La fase inicial donde el modelo aprende características generales, patrones y representaciones a partir de datos, sin conocimiento específico de la tarea que se le aplicará después.

Prompt (Instrucción) El contexto o la instrucción inicial que establece la tarea o consulta para el modelo.

Prompt Engineering (Ingeniería de Prompts) La práctica de diseñar prompts efectivos para guiar la salida de un modelo de IA, involucrando instrucciones detalladas.

Regularization (Regularización) Una técnica utilizada para prevenir el sobreajuste (overfitting) añadiendo un término de penalización a la función de pérdida del modelo.

Reinforcement Learning (RL / Aprendizaje por Refuerzo) Un tipo de machine learning donde un agente aprende a tomar decisiones interactuando con un entorno para maximizar alguna recompensa.

RLHF (Reinforcement Learning from Human Feedback / Aprendizaje por Refuerzo a partir de Retroalimentación Humana) Un método para entrenar un modelo de IA aprendiendo de la retroalimentación proporcionada por humanos sobre las salidas del modelo.

Singularity (Singularidad Tecnológica) Un punto futuro hipotético en el tiempo cuando el crecimiento tecnológico se vuelve incontrolable e irreversible.

Supervised Learning (Aprendizaje Supervisado) Un tipo de machine learning donde el modelo se entrena con datos etiquetados (labeled training data).

Synthetic Data (Datos Sintéticos) Datos creados por IA generativa que no provienen del mundo real pero que están entrenados con datos reales.

Temperature (Temperatura de la IA) Una configuración que controla cuán determinista o creativa es la salida de un modelo de IA. Valores más bajos resultan en respuestas más enfocadas y consistentes, mientras que valores más altos producen respuestas más variadas o imaginativas.

Token La unidad más pequeña de texto que un modelo de IA procesa y comprende, típicamente equivalente a cuatro caracteres en inglés o aproximadamente tres cuartos de una palabra.

Training Data (Datos de Entrenamiento) El conjunto de datos utilizado para entrenar un modelo de machine learning.

Transfer Learning (Aprendizaje por Transferencia) Un método donde un modelo preentrenado se utiliza en un nuevo problema.

Transformer Una arquitectura de red neuronal específica utilizada principalmente para procesar datos secuenciales, como el lenguaje natural, conocida por su mecanismo de “atención”.

Turing Test (Prueba de Turing) Una prueba ideada por Alan Turing para evaluar la capacidad de una máquina para exhibir un comportamiento inteligente que sea equivalente o indistinguible del de un humano.

Underfitting (Subajuste) Un error de modelado cuando un modelo estadístico o algoritmo no logra capturar adecuadamente la estructura subyacente de los datos (es demasiado simple).

Unsupervised Learning (Aprendizaje No Supervisado) Un tipo de machine learning donde el modelo no se proporciona con datos de entrenamiento etiquetados, y en su lugar debe identificar patrones en los datos por sí mismo.

Weak AI (AI Débil) / Narrow AI (AI Estrecha) IA que está enfocada en una tarea particular y no puede aprender más allá de su conjunto de habilidades.

Zero-shot Learning (Aprendizaje Cero) Un tipo de machine learning donde el modelo hace predicciones para condiciones no vistas durante el entrenamiento, sin ningún ajuste fino.

Background image by Igor Omilaev on Unsplash.