Referencia

Glosario

Definiciones en lenguaje claro de términos comunes de IA, para lectores y motores de respuestas.

AI agent: Un sistema que usa un modelo para planificar y ejecutar tareas de varios pasos, a menudo llamando a herramientas.
Alignment: El esfuerzo por hacer que los sistemas de IA se comporten según las intenciones y los valores humanos.
Attention: Un mecanismo que permite a un modelo ponderar qué partes de la entrada importan más para cada salida.
Chain-of-thought: Un enfoque de prompting o entrenamiento en el que un modelo desarrolla pasos intermedios de razonamiento antes de responder.
Context window: La cantidad máxima de texto, medida en tokens, que un modelo puede considerar a la vez.
Diffusion model: Un modelo generativo que produce imágenes u otros medios eliminando de forma iterativa el ruido de una señal aleatoria.
Distillation: Entrenar un modelo más pequeño para imitar a uno más grande, conservando gran parte de su capacidad a menor costo.
Embedding: Una representación vectorial numérica de texto u otros datos que captura aspectos de su significado.
Few-shot learning: Guiar a un modelo con unos pocos ejemplos en el prompt en lugar de reentrenarlo.
Fine-tuning: Entrenamiento adicional de un modelo preentrenado con un conjunto de datos más específico para adaptarlo a una tarea o dominio concretos.
Foundation model: Un modelo grande entrenado con datos amplios que puede adaptarse a muchas tareas posteriores.
Hallucination: Cuando un modelo genera texto fluido pero incorrecto o sin fundamento fáctico.
Inference: Ejecutar un modelo ya entrenado para producir salidas, a diferencia de entrenarlo.
Large language model (LLM): Una red neuronal entrenada con grandes cantidades de texto para predecir y generar lenguaje.
Mixture of experts (MoE): Una arquitectura de modelo que dirige cada entrada a un subconjunto de subredes especializadas para ahorrar computación.
Multimodal: Describe un modelo que puede procesar o generar más de un tipo de dato, como texto e imágenes.
Open weights: Parámetros de un modelo que se publican para que otros puedan ejecutarlo o adaptarlo.
Prompt: El texto u otra entrada que se da a un modelo para instruirlo o provocar una respuesta.
Prompt engineering: La práctica de diseñar y refinar prompts para obtener salidas del modelo más fiables o útiles.
Quantization: Reducir la precisión numérica de los pesos de un modelo para que funcione más rápido y use menos memoria.
Reasoning model: Un modelo entrenado para dedicar computación adicional a razonar un problema paso a paso antes de responder.
Red-teaming: Poner a prueba deliberadamente un sistema de IA en busca de comportamientos dañinos, inseguros o no deseados antes y después de su lanzamiento.
Reinforcement learning from human feedback (RLHF): Un método de entrenamiento que usa juicios de preferencia humanos para orientar a un modelo hacia un comportamiento más útil.
Retrieval-augmented generation (RAG): Una técnica que recupera documentos relevantes y los proporciona a un modelo para fundamentar sus respuestas.
Speech recognition (ASR): Convertir automáticamente audio hablado en texto escrito.
System prompt: Una instrucción oculta que establece el rol, las reglas y el comportamiento de un modelo antes de la entrada del usuario.
Temperature: Un ajuste de muestreo que controla cuán aleatorias o predecibles son las salidas de un modelo.
Text-to-image: Generar imágenes a partir de descripciones escritas mediante un modelo generativo.
Token: Una unidad de texto, como una palabra o parte de palabra, que un modelo de lenguaje lee y genera.
Tool use (function calling): La capacidad de un modelo de llamar a funciones externas, API o aplicaciones para completar una tarea.
Transformer: Una arquitectura de red neuronal basada en la atención que sustenta la mayoría de los modelos de lenguaje y multimodales actuales.
Vector database: Una base de datos que almacena embeddings y encuentra elementos por similitud, usada a menudo para la recuperación en aplicaciones de IA.