Glosario de inteligencia artificial

Sistema en el que un modelo de lenguaje no solo responde, sino que planifica, usa herramientas y realiza acciones en varios pasos para cumplir un objetivo.

Conjunto de pasos ordenados y bien definidos que se siguen para resolver un problema o realizar una tarea.

Campo que busca que los sistemas de IA hagan lo que las personas realmente quieren y valoran, y no solo lo que se les pidió literalmente.

Cuando un modelo de IA genera información falsa o inventada pero la presenta con total seguridad y apariencia de verdad.

Rama de la IA en la que un sistema aprende a hacer una tarea a partir de ejemplos, en lugar de seguir reglas escritas una a una por un programador.

Tipo de aprendizaje automático en el que el modelo busca estructura en datos sin etiquetas, por ejemplo agrupando elementos parecidos.

Tipo de aprendizaje automático en el que un agente aprende por ensayo y error, recibiendo recompensas cuando actúa bien y penalizaciones cuando actúa mal.

Tipo de aprendizaje automático que usa redes neuronales con muchas capas para descubrir por sí mismo patrones complejos en los datos.

Tipo de aprendizaje automático en el que el modelo aprende a partir de ejemplos que ya incluyen la respuesta correcta (la etiqueta).

Base de datos especializada en guardar embeddings y encontrar rápidamente los más parecidos a uno dado.

Tarea de aprendizaje supervisado en la que un modelo asigna una o varias categorías a un ejemplo.

Información que se incorpora a las representaciones de una secuencia para que un transformer pueda distinguir el orden o la posición de sus elementos.

Colección organizada de ejemplos (textos, imágenes, tablas, audios) que se usa para entrenar, validar y probar modelos de IA.

Técnica que reduce el tamaño y el coste de un modelo guardando sus parámetros con menos precisión numérica, con una pérdida de calidad pequeña.

Método para entrenar modelos que ajusta los parámetros paso a paso en la dirección que más reduce el error.

Técnica en la que un modelo pequeño (el alumno) aprende a imitar a uno grande (el maestro) para ofrecer un rendimiento parecido con mucho menos coste.

Separación de un conjunto de datos en partes para entrenar un modelo, tomar decisiones durante su desarrollo y evaluar su rendimiento final.

Representación de una palabra, frase, imagen u otro dato como una lista de números, de forma que los elementos con significado parecido quedan cerca entre sí.

Proceso en el que un modelo ajusta sus parámetros viendo muchos ejemplos, hasta que sus respuestas se parecen cada vez más a las correctas.

Ataque que altera o introduce datos de entrenamiento para degradar un modelo, sesgar su comportamiento o insertar una asociación no deseada.

Reentrenar un modelo ya entrenado con un conjunto de datos más pequeño y específico para que se especialice en una tarea, un estilo o un dominio.

División de documentos extensos en fragmentos más pequeños para indexarlos, recuperarlos y suministrarlos como contexto a un modelo.

Fórmula que mide cuánto se equivoca un modelo; entrenar consiste en ajustar el modelo para que ese valor sea lo más pequeño posible.

Capacidad de un modelo para mantener un buen rendimiento en ejemplos nuevos, no utilizados para ajustar sus parámetros.

Chip diseñado para hacer muchísimos cálculos sencillos a la vez, ideal para entrenar y ejecutar modelos de IA.

Ajustes que decide una persona antes de entrenar un modelo, como la velocidad de aprendizaje o el tamaño de la red, y que no se aprenden de los datos.

Tipo de inteligencia artificial que crea contenido nuevo (texto, imágenes, audio, vídeo o código) en lugar de limitarse a clasificar o predecir.

Uso de un modelo ya entrenado para producir una respuesta o predicción a partir de una entrada nueva.

Práctica de redactar y probar las instrucciones que se dan a un modelo para conseguir respuestas más útiles, precisas y consistentes.

Campo de la informática que crea sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como entender el lenguaje, reconocer imágenes o tomar decisiones.

Hipotético sistema de IA capaz de aprender y razonar en casi cualquier tarea intelectual al nivel de una persona o por encima, no solo en tareas concretas.

Ataque que intenta manipular un modelo mediante instrucciones maliciosas incluidas en el prompt o en contenido externo que el modelo procesa.

Biblioteca de Python para cálculo numérico y aprendizaje automático que combina transformación de funciones, diferenciación automática y compilación acelerada.

Algoritmo de aprendizaje no supervisado que agrupa observaciones en k grupos asignándolas al centroide más cercano.

Capacidad de un modelo de lenguaje de pedir que se ejecute una herramienta o función externa, como buscar en la web o consultar una base de datos, y usar el resultado.

Método de ajuste fino que, en lugar de modificar todo el modelo, entrena solo unas pequeñas matrices añadidas, lo que ahorra memoria, tiempo y dinero.

Técnica que permite a un modelo decidir qué partes de la información de entrada son más relevantes para cada parte de la salida.

Medidas que resumen el rendimiento de un modelo en datos de evaluación y ayudan a comparar resultados según una tarea y un uso concretos.

Arquitectura en la que un modelo se compone de muchos bloques especializados y, para cada token, solo se activan unos pocos, de modo que es grande pero barato de ejecutar.

Resultado del entrenamiento: el programa o conjunto de números ajustados que recibe una entrada y produce una predicción o una respuesta.

Modelo generativo que aprende a crear imágenes, audio o vídeo partiendo de ruido aleatorio y eliminándolo poco a poco hasta obtener un resultado nítido.

Modelo de IA entrenado con grandes colecciones de datos que aprende patrones del lenguaje y genera texto prediciendo, paso a paso, el siguiente token.

Modelo de IA capaz de procesar o generar varios tipos de información a la vez, como texto, imágenes, audio y vídeo.

Técnica que normaliza las activaciones de una red usando estadísticas de un lote de entrenamiento y aprende una escala y un desplazamiento.

Proceso de ajustar los parámetros de un modelo para minimizar una función objetivo, normalmente una función de pérdida medida sobre datos.

Los números internos de un modelo (sus pesos) que se ajustan durante el entrenamiento y que contienen todo lo que ha aprendido.

Rama de la IA que enseña a las máquinas a leer, entender y producir lenguaje humano, tanto escrito como hablado.

Texto (o imagen, o audio) que le das a un modelo de IA para indicarle qué quieres que haga.

Estándar abierto que define una forma común de conectar modelos de IA con herramientas, fuentes de datos y aplicaciones externas.

Algoritmo de aprendizaje por refuerzo que estima el valor de cada acción en un estado para aprender una política sin conocer de antemano el modelo del entorno.

Generación aumentada por recuperación: técnica en la que el modelo busca primero documentos relevantes y luego responde apoyándose en ellos.

Técnica en la que el modelo escribe los pasos intermedios de un problema antes de dar la respuesta final, lo que mejora su acierto en tareas complejas.

Sistema de dos redes neuronales que compiten entre sí: una crea falsificaciones y la otra intenta detectarlas, hasta que las falsificaciones resultan convincentes.

Modelo matemático formado por capas de unidades sencillas conectadas entre sí, inspirado de forma muy libre en el cerebro, que aprende ajustando la fuerza de sus conexiones.

Tipo de red neuronal que aplica filtros convolucionales para detectar patrones locales y reutilizar esos filtros en distintas posiciones de una entrada.

Práctica de probar un sistema de IA de forma adversarial y estructurada para descubrir fallos, riesgos y formas de abuso antes y después de desplegarlo.

Tarea de aprendizaje supervisado en la que un modelo estima un valor numérico a partir de ejemplos con resultados conocidos.

Reordenación de documentos recuperados según su relevancia para una consulta, normalmente después de una búsqueda inicial más rápida.

Algoritmo que calcula cuánto contribuyó cada parámetro de una red neuronal al error final, para poder corregirlos todos a la vez de forma eficiente.

Aprendizaje por refuerzo con retroalimentación humana: técnica que ajusta un modelo según las preferencias de personas para que sus respuestas sean más útiles y seguras.

Tendencia de un sistema de IA a producir resultados sistemáticamente injustos o desequilibrados para ciertos grupos de personas, normalmente heredados de los datos o del diseño.

Fallo en el que un modelo memoriza los ejemplos de entrenamiento, incluido su ruido, y por eso rinde mal con datos nuevos.

Ajuste que controla cuánta aleatoriedad usa un modelo al elegir cada palabra: baja da respuestas más predecibles, alta más variadas y creativas.

Fragmento de texto (una palabra, parte de una palabra o un signo) en el que un modelo de lenguaje divide lo que lee y escribe.

Arquitectura de red neuronal basada en el mecanismo de atención que es la base de casi todos los modelos de lenguaje actuales.

Arquitectura de red neuronal con una ruta de compresión y otra de expansión, conectadas por atajos, muy utilizada para segmentar imágenes.

Cantidad máxima de texto (medida en tokens) que un modelo puede tener en cuenta a la vez, sumando lo que le das y lo que responde.

Rama de la IA que permite a las máquinas interpretar imágenes y vídeos: reconocer objetos, personas, texto o escenas.

Familia de métodos que aprende vectores para palabras a partir de los contextos en que aparecen en un corpus de texto.

Implementación optimizada de gradient boosting con árboles de decisión, diseñada para entrenar modelos predictivos de forma eficiente.

Familia de detectores de objetos que predicen clases y ubicaciones de objetos en una imagen mediante una red neuronal de una sola etapa.

Capacidad de un modelo para realizar una tarea o reconocer una categoría sin ejemplos etiquetados específicos de esa tarea durante su adaptación.