Glosario de Inteligencia Artificial
Domina los conceptos de inteligencia artificial sin tecnicismos. Entiende cómo piensan las máquinas y no te quedes atrás.
A
- Atención (Attention)
- Mecanismo que pondera qué partes de la entrada son más relevantes para producir la salida; base de los modelos Transformer.
- Ajuste fino (Fine-tuning)
- Entrenamiento adicional de un modelo preentrenado en un conjunto de datos más específico para una tarea o estilo.
- Autoregresivo
- Modelo que genera el siguiente token condicionado a los previos, uno a uno, hasta completar la secuencia.
B
- Backpropagation (retropropagación)
- Algoritmo para actualizar pesos calculando gradientes de la pérdida desde la salida hacia capas anteriores.
- Batch (lote)
- Conjunto de ejemplos procesados juntos en una iteración de entrenamiento o inferencia.
- Benchmark
- Prueba comparativa estandarizada para medir y contrastar el desempeño de modelos o técnicas.
C
- Cadena de pensamiento (Chain-of-Thought)
- Estrategia de prompting que solicita pasos intermedios de razonamiento para mejorar la exactitud en tareas complejas.
- Clasificación
- Tarea supervisada que asigna una etiqueta a una entrada entre un conjunto finito de clases.
- Contexto
- Información de apoyo incluida en el prompt (instrucciones, ejemplos, datos) que guía la salida del modelo.
- Codificador (Encoder)
- Parte de un modelo que convierte entradas en representaciones (embeddings) útiles para tareas posteriores.
D
- Dataset (conjunto de datos)
- Colección estructurada de ejemplos usada para entrenar, validar o evaluar modelos.
- Decodificador (Decoder)
- Componente que, a partir de representaciones internas y atención, genera secuencias de salida.
- Difusión (Diffusion)
- Familia de modelos generativos que aprenden a revertir un proceso de ruido progresivo para sintetizar datos.
- Dropout
- Técnica de regularización que desactiva aleatoriamente neuronas durante entrenamiento para reducir sobreajuste.
E
- Embedding (vectorización)
- Representación numérica densa de palabras, frases o documentos en un espacio vectorial.
- Época (Epoch)
- Recorrido completo del modelo sobre todos los ejemplos del conjunto de entrenamiento.
- Evaluación
- Medición sistemática del desempeño con métricas acordes a la tarea (precisión, F1, BLEU, etc.).
F
- Few-shot
- Estilo de prompting que incluye pocos ejemplos para inducir el comportamiento deseado sin reentrenar el modelo.
- Función de activación
- Transformación no lineal (p.ej., ReLU, GELU) que permite a las redes aproximar funciones complejas.
G
- Gradiente
- Vector de derivadas parciales que indica cómo cambiar los parámetros para reducir la pérdida.
- Generalización
- Capacidad del modelo para rendir bien en datos no vistos, no solo en el entrenamiento.
- Generative Pretrained Transformer (GPT)
- Familia de LLM autoregresivos preentrenados con arquitectura Transformer.
H
- Hiperparámetro
- Valor externo al aprendizaje (p.ej., tasa de aprendizaje, batch size) que se ajusta para optimizar desempeño.
- Heurística
- Regla práctica que guía decisiones (p.ej., elección de temperatura o top-p en generación).
I
- Inferencia
- Uso del modelo ya entrenado para generar o predecir salidas a partir de nuevas entradas.
- Ingeniería de prompts (Prompt engineering)
- Diseño sistemático de instrucciones, contexto y formato para obtener respuestas útiles, seguras y consistentes.
- In-context learning (aprendizaje en contexto)
- Capacidad de un LLM para aprender patrones a partir de ejemplos incluidos solo en el prompt.
- Instrucción del sistema (System prompt)
- Mensaje raíz que establece el rol, límites y estilo que debe seguir el modelo durante la conversación.
J
- JSON
- Formato de intercambio de datos estructurados, frecuente como salida controlada en prompts y evaluaciones.
L
- LLM (modelo de lenguaje grande)
- Modelo con miles de millones de parámetros entrenado para predecir el próximo token en grandes corpus de texto.
- Learning rate (tasa de aprendizaje)
- Escala el tamaño de los pasos de actualización de parámetros durante el entrenamiento.
- Loss (función de pérdida)
- Métrica objetivo que el entrenamiento busca minimizar; cuantifica el error del modelo.
M
- Muestra (sample)
- Elemento individual del conjunto de datos; en generación, también un resultado concreto del muestreo.
- Métrica
- Medida cuantitativa de desempeño (p.ej., exactitud, F1, ROUGE) usada en validación y pruebas.
- Multimodal
- Modelos o prompts que manejan múltiples tipos de datos (texto, imagen, audio, video) de forma integrada.
N
- N-grama
- Secuencia contigua de N tokens usada para modelar dependencias locales en texto.
- NLP (procesamiento del lenguaje natural)
- Campo que estudia métodos computacionales para comprender y generar lenguaje humano.
- Normalización
- Transformación que ajusta escalas de datos o activaciones para estabilizar entrenamiento (p.ej., LayerNorm).
O
- Optimización
- Proceso de ajustar parámetros para minimizar la pérdida (p.ej., Adam, SGD).
- Overfitting (sobreajuste)
- Cuando el modelo memoriza el entrenamiento y rinde mal en datos nuevos.
P
- Parámetro
- Valor interno aprendido por el modelo (peso o sesgo) que determina su comportamiento.
- Penalización por frecuencia / presencia
- Parámetros de decodificación que desincentivan repeticiones y fomentan diversidad en generación.
- Preentrenamiento
- Fase de entrenamiento general en grandes corpus antes de adaptar el modelo a tareas específicas.
- Prompt
- Entrada estructurada (rol, instrucciones, contexto, formato de salida) que guía la respuesta del modelo.
- Positional encoding (codificación posicional)
- Mecanismo para inyectar el orden de tokens en la arquitectura Transformer.
Q
- Q-Learning
- Método de aprendizaje por refuerzo que estima el valor de acciones en estados para maximizar recompensa.
- Query (consulta)
- Vector que interroga claves/valores en mecanismos de atención; en RAG, también la búsqueda sobre el índice.
R
- RAG (Recuperación aumentada por recuperación)
- Enfoque que integra recuperación de información verificable en modelos de lenguaje de gran tamaño, aumentando su precisión y relevancia sin reentrenamiento, para ofrecer respuestas fundamentadas y útiles en dominios concretos.
- Regularización
- Técnicas para mejorar generalización (L2, dropout, early stopping) evitando sobreajuste.
- ReLU
- Función de activación rectificada; acelera entrenamiento y mitiga gradientes desvanecidos.
- Reproducibilidad
- Capacidad de obtener resultados consistentes controlando semillas, versiones y datos.
S
- Sampling (muestreo)
- Proceso estocástico para elegir el siguiente token según la distribución de probabilidad (p.ej., top-p, top-k).
- Sesgo (bias)
- Diferencias sistemáticas que afectan datos, modelos o resultados; requiere mitigaciones éticas y técnicas.
- Softmax
- Función que convierte logits en distribuciones de probabilidad normalizadas.
- Sistema / Usuario / Asistente (roles)
- Estructura de mensajes típica: el sistema define reglas; el usuario solicita; el asistente responde.
T
- Temperature (temperatura)
- Escala la aleatoriedad en el muestreo: valores altos aumentan diversidad; bajos, determinismo.
- Token
- Unidad mínima de entrada/salida (subpalabra/símbolo) usada por el modelo.
- Tokenización
- Proceso de segmentar texto en tokens según el vocabulario del modelo.
- Top-p (nucleus sampling)
- Restringe la elección al menor conjunto de tokens cuya probabilidad acumulada supera p.
- Top-k
- Restringe la elección a los k tokens más probables antes de muestrear.
U
- Underfitting (subajuste)
- Modelo demasiado simple que no captura patrones clave del conjunto de datos.
- Umbral
- Valor de corte para decidir clases, filtrar similitudes o activar reglas en pipelines.
- Unsupervised (no supervisado)
- Aprendizaje sin etiquetas explícitas; busca patrones o estructuras latentes en los datos.
V
- Validación cruzada (k-fold)
- Método de evaluación que reparte datos en k particiones alternando entrenamiento y validación.
- Vector
- Arreglo numérico que representa magnitudes y direcciones; base de embeddings y similitud.
- Ventana de contexto
- Cantidad máxima de tokens que el modelo puede considerar de forma simultánea en entradas y salidas.
Z
- Zero-shot
- Resolución de tareas sin ejemplos en el prompt, basándose en el conocimiento general del modelo.
