Glosario de Inteligencia Artificial

Para estar actualizados con los términos relacionados con la Inteligencia Artificial un glosario con términos básicos:

• A2A (Agent-to-Agent): Agente a Agente, son los mecanismos que permiten a los agentes comunicarse y colaborar entre sí.
• AGI (Artificial General Intelligence): Inteligencia Artificial que tendría capacidades similares a la humana en múltiples dominios.
• AI (Artificial Intelligence): Inteligencia Artificial. Término general que abarca sistemas que realizan tareas aplicando inteligencia.
• AI Agent: Agente IA. Es un componente de software especializado capaz de razonar, planificar, usar herramientas y ejecutar tareas en nombre de un usuario o sistema.
• ANN (Artificial Neural Network): Red Neuronal Artificial, es un modelo computacional de inteligencia artificial inspirado en el cerebro humano. Utiliza nodos interconectados (neuronas artificiales) organizados en capas para procesar información, reconocer patrones y aprender de datos históricos.
• Backpropagation: Es una técnica de entrenamiento utilizada para ajustar los pesos de las entradas de una red neuronal en función de los errores en la salida.
• Bias: Sesgos o tendencias sistemáticas o distorsiones en el comportamiento de la IA causadas por los datos de entrenamiento, el diseño del modelo o las decisiones de optimización.
• CNN (Convolutional Neural Network): Las Red Convulcional Neuronal es una arquitectura de red neuronal especialmente eficaz para el procesamiento de imágenes y visión.
• Context Window: (ventana de contexto) Se refiere a la cantidad de información que un modelo de IA puede considerar simultáneamente durante el procesamiento.
• CoPilot: es un sistema de IA diseñado para asistir a los humanos de forma interactiva durante tareas como la programación, la escritura o el diseño, un copiloto.
• Chain of Thought (Cadena de Pensamiento): Técnica que fuerza a la IA a desglosar su razonamiento paso a paso antes de dar una respuesta final, mejorando su precisión en lógica y matemáticas.
• CUDA: (Compute Unified Device Architecture) es una plataforma y modelo de programación creado por NVIDIA que permite utilizar tarjetas gráficas (GPU) para realizar cálculos matemáticos complejos de propósito general.
• Data Center: Centros de datos, son una instalación con infinidad de servidores, aceleradores, redes, almacenamiento.
• Deep Learning (DL): El Aprendizaje Profundo es una rama de la inteligencia artificial y del machine learning basada en grandes redes neuronales multicapa. Utiliza algoritmos llamados redes neuronales artificiales.
• Diffusion Model: Un modelo de IA generativa que transforma progresivamente el ruido aleatorio en contenido significativo. Utilizado en la generación de imágenes o video.
• DSP (Digital Signal Processor): Procesador de señales digitales: microprocesador especializado y altamente optimizado para ejecutar operaciones matemáticas y de manipulación de datos en tiempo real.
• Edge AI: IA que se ejecuta cerca del lugar donde se generan los datos, en lugar de hacerlo en centros de datos remotos en la nube. Por ejemplo en cámaras de inspección
• Embedding: Incrustaciones, que realmente son vectores que mediante una técnica de inteligencia artificial, convierte datos complejos (como palabras, imágenes o audios) en largas listas de números, o sea vectores.
• Enhancive AI: IA diseñada para mejorar o perfeccionar contenido o datos existentes.
• Few-Shot / Zero-Shot Learning (Aprendizaje con pocos ejemplos / sin ejemplos): Técnicas de inferencia donde un modelo de IA realiza una tarea específica habiendo recibido solo unos pocos ejemplos de referencia (few-shot) o ninguno (zero-shot) dentro de la instrucción (prompt), demostrando su capacidad de generalización gracias a su conocimiento previo.
• Fine-Tuning: Refinamiento o ajuste fino es el entrenamiento adicional utilizado para adaptar un modelo fundacional a tareas ajustadas para un propósito específico.
• Foundation Model: modelo fundacional es un sistema de inteligencia artificial (IA) de propósito general diseñado para dar soporte a muchas aplicaciones derivadas y ser una base versátil y adaptable para resolver múltiples tareas diferentes.
• Framework: Entorno de trabajo: software que proporciona herramientas y bloques de construcción para el desarrollo de IA u otros tipos de desarrollos de software.
• Frontier Model: Modelo de frontera es un modelo de IA de última generación y que opera en la vanguardia de las capacidades actuales.
• Generative AI (GenAI): IA Generativa es aquella capaz de crear contenido nuevo como texto, imágenes, audio, video o código.
• GPU (Graphics Processing Unit): Un procesador de datos en paralelo ampliamente utilizado para la aceleración de IA o generación de gráficos.
• Gradient: Una medida matemática utilizada durante el entrenamiento para determinar cómo se deben ajustar los pesos.
• Guardrails (Barandillas / Salvaguardas): Reglas de seguridad duras o filtros que se colocan antes y después de la IA para evitar que genere contenido dañino o rompa protocolos.
• Hallucination: Alucinación: es cuando un sistema de IA genera con total seguridad información incorrecta o ficticia.
• Inference: Inferencia: es el uso de un modelo de IA ya entrenado para realizar un trabajo útil.
• Inference Engine: Motor de Inferencia es un software optimizado para ejecutar de manera eficiente modelos de IA entrenados.
• LLM (Large Language Model): Grandes Modelos de Lenguaje, son redes neuronales basadas en transformers y entrenadas con cantidades enormes de datos de texto, tanto estructurado como no estructurado.
• LSTM (Long Short-Term Memory): Memoria a Corto y Largo Plazo (o Red de Memoria a Largo Corto Plazo). Son un tipo de red neuronal recurrente diseñada para gestionar de mejor manera las dependencias a largo plazo, evitando que la red "olvide" o pierda la información antigua durante su entrenamiento.
• Matrix: es una matriz bidimensional de valores numéricos organizada en filas y columnas.
• MCP (Model Context Protocol): Protocolo de Contexto del Modelo es un protocolo de comunicación que permite a los sistemas de IA (agentes) interactuar con herramientas externas y fuentes de información o servicios.
• Mixture of Experts (MoE): Una arquitectura de IA que utiliza subredes especializadas ("expertos") que se activan selectivamente para procesar diferentes tipos de datos o tokens, permitiendo escalar el tamaño del modelo sin aumentar drásticamente el costo computacional.
• ML (Machine Learning): Una rama de la IA en la que los sistemas learn patrones a partir de conjuntos de datos o datasets.
• Model: Modelo, es un sistema de IA entrenado capaz de realizar tareas de inferencia.
• Multimodal AI: IA multimodal es la que es capaz de procesar múltiples formas de datos, como texto, imágenes, audio y video.
• Neuromorphic Computing: Computación neuromórfica: son las arquitecturas de hardware inspiradas en el cerebro que intentan imitar aspectos de los sistemas nerviosos biológicos.
• NPU (Neural Processing Unit): Unidad de Proceso Neuronal es un procesador especializado diseñado específicamente para cargas de trabajo de IA.
• OpenClaw: Es un proyecto de trabajo de código abierto relacionado con agentes de IA y flujos de trabajo autónomos. Antes Molt
• Overfitting (Sobreajuste): Error que ocurre cuando un modelo memoriza tanto sus datos de entrenamiento que se vuelve incapaz de generalizar o funcionar bien con datos nuevos.
• Physical AI: IA Física son sistemas de IA capaces de interactuar directamente con el mundo físico a través de máquinas y dispositivos, como puede ser un robot clasificador en almacenes.
• Pretraining: Primera fase (pre-entrenamiento) en el desarrollo de un modelo de IA, en la que se le entrena con un volumen masivo de datos no etiquetados para que aprenda las estructuras, patrones y reglas generales del lenguaje o las imágenes. Este proceso genera una base de conocimiento general (modelo base) que luego puede ser ajustada (fine-tuning) para tareas específicas.
• Prompt: El texto de entrada, instrucción o petición suministrada a un sistema de IA generativa.
• Prompt Engineering: Ingeniería de Prompts es la práctica de diseñar prompts para obtener mejores resultados de la IA con el menor número de tokens posible.
• Quantization: Cuantización es la técnica de optimización que consiste en reducir la precisión numérica de los pesos de un modelo de IA. Su objetivo es achicar drásticamente el tamaño del modelo y acelerar su velocidad de procesamiento, permitiendo que funcione con menos memoria y menor consumo de energía.
• RAG (Retrieval-Augmented Generation): Generación Aumentada por Recuperación, técnica por la cual se permite a los sistemas de IA recuperar información externa antes de generar respuestas.
• Reinforcement Learning (RL): Aprendizaje por refuerzo: es un enfoque de entrenamiento en el que los sistemas de IA aprenden por ensayo y error mediante recompensas y penalizaciones.
• RLHF (Reinforcement Learning from Human Feedback): Aprendizaje por Refuerzo a partir de la Retroalimentación Humana. Aquí el enfoque de entrenamiento que utiliza la retroalimentación humana para moldear el comportamiento de la IA.
• Self-Supervised Learning (Aprendizaje autosupervisado): Enfoque de entrenamiento en el que los sistemas de IA generan sus propias señales de supervisión a partir de datos brutos o no etiquetados, generalmente ocultando una parte de la información (como una palabra o un píxel) para aprender a predecirla.
• SLM (Small Language Model / Modelo de Lenguaje Pequeño): Modelo de lenguaje compacto optimizado para requerir menos potencia de cómputo, memoria y energía, permitiendo su ejecución de forma local y eficiente en dispositivos con recursos limitados.
• Supervised Learning: Aprendizaje Supervisado, es un enfoque de entrenamiento que utiliza ejemplos etiquetados con respuestas correctas conocidas.
• Synthetic Data (Datos Sintéticos): Datos generados de forma artificial por una IA para entrenar a otra IA, útiles cuando escasean los datos reales del mundo real.
• Tensor: Matriz multidimensional de valores numéricos que sirve como la estructura de datos fundamental en la IA para representar y procesar información compleja, como vectores (1D), matrices (2D) o volúmenes de datos de mayor dimensión.
• Token: Fragmento básico de datos (como letras, partes de palabras, palabras completas, signos de puntuación o código) procesado por un modelo de lenguaje. Sirve como la unidad de medida estándar para calcular la longitud del texto, la capacidad de memoria del modelo (context window) y los costos de procesamiento.
• TPU (Tensor Processing Unit): Unidad de Proceso de Tensores es la arquitectura de aceleradores de IA especializada de Google.
• Training: Entrenamiento es el proceso de enseñar a un modelo de IA ajustando sus parámetros mediante datos, retroalimentación o interacción con un entorno.
• Transformer: Arquitectura de red neuronal construida en torno a mecanismos de autoatención (self-attention) y procesamiento masivamente paralelo. Permite capturar relaciones complejas entre palabras sin importar su distancia en el texto, sirviendo como la tecnología base de la mayoría de los modelos de lenguaje modernos.
• Vector: Una colección ordenada unidimensional de valores numéricos. ¡Y Vector Esencial esta web!.
• VLM (Vision-Language Model / Modelo de Visión y Lenguaje): Sistema de IA multimodal que combina la visión por computadora y el procesamiento del lenguaje natural. Permite al modelo analizar y comprender imágenes o videos para luego razonar, responder preguntas o generar texto basado en ese contenido visual.
• Unsupervised Learning (Aprendizaje no supervisado): Enfoque de entrenamiento en el que los sistemas de IA analizan datos no etiquetados para descubrir patrones ocultos, agrupaciones (clustering) o estructuras internas de forma autónoma, sin necesidad de intervención humana que guíe el proceso.
• Weight (Peso): Coeficiente numérico entrenable dentro de una red neuronal que determina la importancia o fuerza de la conexión entre dos neuronas artificiales. Estos valores cambian durante el entrenamiento para que el modelo aprenda a realizar predicciones correctas.