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 perseguir un objetivo en varios pasos, decide qué hacer a continuación y a menudo llama a herramientas externas como búsqueda, ejecución de código o una API interna antes de dar un resultado. Ejemplo: un agente que lee un informe de error, abre el repositorio, edita un archivo y ejecuta las pruebas. No debe confundirse con un chatbot ni con un clasificador de un solo turno, que responde una vez sin planificar ni actuar sobre otros sistemas.
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.
Citation: Una cita es una referencia adjunta a una salida que indica de dónde procede una afirmación, una cita textual o una cifra, y suele nombrar un documento, una página o una fuente para que el lector pueda comprobarla. Ejemplo: una respuesta que da una cifra y enlaza el párrafo del informe del que se tomó. No debe confundirse con el anclaje ni con la exactitud: una cita solo muestra qué fuente adjuntó un sistema, y ese mismo sistema puede adjuntar una cita verosímil a una afirmación que la fuente no respalda.
Commercial use: El uso comercial es cualquier uso de un modelo, una herramienta o su resultado destinado a obtener ingresos o sostener una actividad empresarial, como vender un producto creado con él, integrarlo en un servicio de pago o aplicarlo a trabajos facturables para clientes. Ejemplo: un estudio genera imágenes con un modelo y las entrega a clientes que pagan. No debe confundirse con el acceso de pago: comprar una suscripción no concede por sí mismo derechos comerciales, y algunos términos gratuitos sí permiten el uso comercial.
Context window: La cantidad máxima de texto, medida en tokens, que un modelo puede tener en cuenta en una sola solicitud, incluidas las instrucciones, la conversación previa y los documentos aportados; lo que supera ese límite se omite o se trunca. Ejemplo: un contrato largo que excede la ventana debe dividirse o resumirse antes de poder preguntar por todo él. No debe confundirse con una memoria ni con los datos de entrenamiento: la ventana es un límite por solicitud y no almacena todo lo que el modelo ha visto.
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: Un vector numérico que representa un texto, una imagen u otro elemento, de modo que los elementos con significado parecido queden cerca en un espacio de muchas dimensiones, lo que hace posibles la búsqueda semántica y el agrupamiento. Ejemplo: un centro de ayuda guarda un vector por artículo para poder relacionar la pregunta de un usuario con los artículos más cercanos. No debe confundirse con un prompt ni con un resumen: una incrustación no es texto legible y sus números no se interpretan leyéndolos.
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 ya preentrenado sobre un conjunto de datos más acotado para que se ajuste mejor a una tarea, un tono o un dominio concretos. Ejemplo: una empresa entrena un modelo base con sus propios pares de pregunta y respuesta seleccionados para que las respuestas sigan su estilo editorial. No debe confundirse con la generación aumentada por recuperación, que deja los pesos intactos y añade documentos al responder, ni con la ingeniería de prompts, que solo reescribe las instrucciones.
Foundation model: Un modelo grande entrenado con datos amplios que puede adaptarse a muchas tareas posteriores.
Free tier: Un nivel gratuito es un grado de acceso sin coste que un servicio ofrece junto a sus planes de pago, normalmente limitado por cuotas de uso, funciones disponibles, puestos o tiempo, para que la gente pruebe el producto o mantenga un uso ligero sin pagar. Ejemplo: una interfaz que permite cierto número de solicitudes al mes antes de necesitar un plan de pago. No debe confundirse con el software libre ni con el código abierto: es una oferta comercial que puede cambiar o retirarse y no dice nada sobre la licencia del modelo que hay detrás.
Function calling: Una capacidad del modelo que devuelve llamadas estructuradas a funciones definidas por el desarrollador en lugar de texto plano.
Grounding: Conectar las respuestas de un modelo con fuentes externas verificables, como documentos o resultados de búsqueda.
Guardrails: Reglas y filtros que restringen las salidas de un sistema de IA para mantenerlas seguras, precisas y pertinentes.
Hallucination: Una salida en la que el modelo afirma algo falso o sin respaldo, o inventa un detalle como una cita, una cifra o el nombre de una función, escribiendo con la misma fluidez y seguridad que cuando acierta. Ejemplo: un resumen que cita una sección de un documento que no contiene la afirmación atribuida. No debe confundirse con una mentira ni con un sesgo: la alucinación procede de cómo el modelo genera el texto, no de una intención de engañar ni de un punto de vista concreto.
Inference: Ejecutar un modelo ya entrenado sobre una entrada nueva para producir una salida, como una predicción, una traducción o una imagen generada. Es el paso en el que un servicio consume cómputo por cada solicitud y es distinto del entrenamiento, que ocurrió antes. Ejemplo: una aplicación envía una foto subida a un modelo y recibe una descripción en un segundo. No debe confundirse con el entrenamiento ni con el ajuste fino, que ajustan los parámetros del modelo sobre un conjunto de datos y suelen costar mucho más por ejecución.
Large language model (LLM): Una red neuronal entrenada con grandes cantidades de texto para predecir y generar lenguaje.
License: Una licencia es el permiso legal que concede el titular de los derechos sobre cómo puede usarse, copiarse, modificarse y redistribuirse un modelo, sus pesos o un programa, y fija las condiciones unidas a esos derechos en lugar de describir la tecnología. Ejemplo: un modelo puede publicarse solo para investigación, mientras que otro permite productos comerciales pero exige que las versiones modificadas mantengan los mismos términos. No debe confundirse con los pesos abiertos ni con el código abierto: unos pesos pueden descargarse bajo términos que prohíben el uso comercial, y una licencia de código permisiva no dice nada sobre los datos de entrenamiento.
Mixture of experts (MoE): Una arquitectura de modelo que dirige cada entrada a un subconjunto de subredes especializadas para ahorrar computación.
Model Context Protocol (MCP): Un protocolo abierto que estandariza cómo los asistentes y otras aplicaciones basadas en modelos se conectan a fuentes de datos y herramientas externas, de modo que un mismo conector pueda reutilizarse en varios clientes en lugar de reescribirse para cada combinación de aplicación y servicio. Ejemplo: un servidor que expone el sistema de tickets de una empresa puede conectarse sin cambios a un asistente de escritorio y a una herramienta de programación. No debe confundirse con un modelo ni con la API de un solo proveedor: describe cómo se ofrecen y se invocan las herramientas y no dice nada sobre la calidad del modelo del otro lado.
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 descargarlos, ejecutarlos y, a menudo, modificarlos, en contraste con un modelo al que solo se accede mediante el servicio alojado de un proveedor. Ejemplo: un equipo descarga los pesos publicados y los ejecuta en sus propias máquinas para que los datos no salgan de su red. No debe confundirse con código abierto: los pesos por sí solos no dicen nada sobre la licencia, los datos de entrenamiento ni el código de entrenamiento, así que un modelo con pesos abiertos no es automáticamente de código abierto.
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 busca en un corpus externo los pasajes relevantes para una pregunta y se los entrega a un modelo, de modo que la respuesta se apoye en las fuentes recuperadas y no solo en el conocimiento almacenado del modelo. Ejemplo: un asistente de soporte que encuentra el párrafo correspondiente en un manual del producto y lo cita en su respuesta. No debe confundirse con el ajuste fino, que cambia los pesos del modelo: la generación aumentada por recuperación deja los pesos intactos y solo cambia el texto que el modelo ve al responder.
Self-hosting: El autoalojamiento (self-hosting) consiste en ejecutar un modelo o una aplicación en infraestructura que tú controlas, como servidores propios, una nube privada o un portátil, en lugar de acceder a ella mediante el servicio alojado de un proveedor. Ejemplo: una empresa instala modelos de pesos abiertos dentro de su propia red para que las indicaciones y los documentos no salgan de ella. No debe confundirse con los pesos abiertos: poder ejecutar un modelo por tu cuenta depende de su licencia, y un modelo cuyos pesos son descargables puede ofrecerse igualmente sobre todo como servicio alojado.
Small language model (SLM): Un modelo de lenguaje compacto diseñado para ejecutarse eficientemente en dispositivos o a bajo costo con calidad competitiva.
Speech recognition (ASR): Convertir automáticamente audio hablado en texto escrito.
Synthetic data: Datos generados artificialmente que se usan para entrenar o evaluar modelos cuando los datos reales son escasos o sensibles.
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.
Text-to-video: Generar clips de video a partir de descripciones en lenguaje natural mediante modelos generativos.
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.
Vibe coding: Un estilo de desarrollo de software en el que los desarrolladores describen objetivos en lenguaje natural y la IA genera el código.
Voice cloning: La clonación de voz construye una voz sintética a partir de grabaciones de una persona hablando, para que un texto nuevo pueda leerse en voz alta con una voz parecida a la suya; los métodos van de una muestra breve a horas de audio. Ejemplo: un narrador graba unos minutos una vez y luego hace que la misma voz lea una frase corregida sin agendar otra sesión. No debe confundirse con el reconocimiento de voz: este convierte audio en texto, mientras que la clonación convierte texto en audio que imita a un hablante concreto.
World model: Un sistema de IA que aprende una representación interna de un entorno para predecir cómo cambia con el tiempo.
Zero-shot learning: La capacidad de un modelo para realizar una tarea sin haber visto ejemplos de ella en el prompt.