Glosario de términos de IA generativa

La adaptación de dominio es un subcampo del aprendizaje automático que se centra en adaptar modelos entrenados en un dominio para que funcionen bien en otro dominio relacionado.

Un agente es un sistema de inteligencia artificial diseñado para perseguir objetivos complejos de manera autónoma con supervisión humana limitada.

La Inteligencia Artificial (IA) es la simulación de procesos de inteligencia humana por máquinas o sistemas informáticos que pueden imitar capacidades humanas como la comunicación, el aprendizaje y la toma de decisiones.

Los algoritmos de optimización son técnicas matemáticas estructuradas que buscan la mejor solución para un problema específico maximizando o minimizando su función objetivo.

El análisis de sentimientos es una técnica que utiliza el procesamiento de lenguaje natural para identificar e interpretar el tono emocional de los mensajes, clasificando los sentimientos como positivos, negativos o neutros.

El Aprendizaje No Supervisado es un tipo de aprendizaje automático donde los algoritmos aprenden de datos que no están etiquetados ni clasificados previamente.

El aprendizaje supervisado es un tipo de aprendizaje automático donde los modelos se entrenan usando datos etiquetados para aprender la relación entre los datos de entrada y sus salidas correctas.

Los árboles de decisión son modelos que organizan decisiones y sus posibles consecuencias en una estructura similar a un árbol.

El autoaprendizaje es la capacidad de un sistema, especialmente en inteligencia artificial, de adquirir conocimiento de manera autónoma a partir de datos y mejorar su rendimiento sin intervención humana.

El Reconocimiento Automático de Voz (ASR) es una tecnología que convierte el lenguaje hablado en texto, facilitando la interacción entre humanos y máquinas mediante comandos de voz.

La automatización es el uso de tecnología para realizar tareas con mínima intervención humana.

Bard, un chatbot de IA desarrollado por Google, ahora conocido como Gemini, es una plataforma para interactuar con los modelos avanzados de IA de Google.

BERT es un modelo preentrenado de procesamiento de lenguaje, desarrollado por Google, que ayuda a entender el contexto de las palabras en las búsquedas para mejorar la relevancia de los resultados.

Big Data se refiere a grandes volúmenes de datos, tanto estructurados como no estructurados, que se generan diariamente a partir de diversas fuentes.

La búsqueda semántica es una técnica que mejora la precisión de las búsquedas entendiendo la intención del usuario y el significado contextual de los términos.

Chatbot UX se refiere a la calidad de las interacciones entre un chatbot y los usuarios, buscando ofrecer experiencias de conversación intuitivas, atractivas y similares a las humanas.

ChatOps es un modelo de colaboración que utiliza interacciones basadas en chat dentro de plataformas de mensajería para facilitar tareas de desarrollo y operaciones.

Claude es una familia de modelos de lenguaje de gran escala (LLMs) desarrollados por Anthropic, diseñados para mejorar la seguridad y la capacidad de dirección en sistemas de inteligencia artificial.

Claude 3.5 Sonnet es un modelo de lenguaje multimodal avanzado desarrollado por Anthropic, diseñado para procesar texto, imágenes y audio con mayor capacidad, eficiencia y seguridad.

El Cognitive Computing es un tipo de computación que simula los procesos y comportamientos del pensamiento humano en modelos computarizados, utilizando inteligencia artificial y algoritmos de aprendizaje.

El Collective Learning es un enfoque de entrenamiento de inteligencia artificial que utiliza habilidades y conocimientos diversos de múltiples modelos para lograr una inteligencia más potente y robusta.

La visión por computadora es un campo interdisciplinario que permite a las computadoras interpretar y procesar datos visuales del mundo, como imágenes y videos.

El conocimiento estructurado es una forma organizada y catalogada de datos e información que facilita su recuperación, análisis y utilización.

ControlNet es un modelo de red neuronal diseñado para controlar explícitamente la estructura de las imágenes generadas por modelos de difusión.

La Corrección de Sesgo se refiere a las técnicas utilizadas para ajustar sesgos estadísticos en modelos de aprendizaje o conjuntos de datos, mejorando la precisión y la equidad.

El Costo de los Modelos de Lenguaje de Gran Escala refiere a las significativas necesidades computacionales y económicas requeridas para su entrenamiento y despliegue.

CSV es un formato de archivo que permite almacenar datos tabulares en texto plano, donde cada campo de datos está separado por comas.

Los datos no estructurados son información que no sigue un modelo predefinido, complicando su recolección, procesamiento y análisis.

Deep Learning es un subcampo de la inteligencia artificial que se basa en redes neuronales artificiales para aprender de grandes cantidades de datos.

DeepSeek es un conjunto de modelos de inteligencia artificial desarrollados por la compañía que lleva su mismo nombre, diseñados para procesar y analizar grandes volúmenes de datos.

La detección de intención del usuario es el proceso de entender el objetivo final o propósito detrás de las interacciones de un usuario con interfaces digitales.

Un modelo de conversación en el que los sistemas de diálogo están diseñados para ayudar a los usuarios a completar tareas específicas o alcanzar objetivos particulares.

En procesamiento del lenguaje natural, las entidades son objetos o conceptos extraídos de una consulta para ayudar a determinar información relevante en una base de datos de conocimiento.

La Ética de la IA se refiere a los principios y normativas que aseguran que el desarrollo y uso de la Inteligencia Artificial sean seguros, justos y sostenibles.

La explicabilidad se refiere al conjunto de técnicas y métodos utilizados para hacer que el funcionamiento y las decisiones de los modelos de IA sean interpretables y comprensibles para los usuarios humanos.

Few-shot Learning es una técnica de aprendizaje automático que permite a los modelos aprender tareas nuevas rápidamente con muy pocos ejemplos.

El fine-tuning es el proceso de adaptar un modelo de lenguaje preentrenado a una tarea específica mediante entrenamiento adicional con un conjunto de datos más pequeño y especializado.

La generación de datos sintéticos es el proceso de crear datos artificiales que imitan datos del mundo real para entrenar y evaluar algoritmos de aprendizaje automático.

La generación de texto es un proceso en modelos de lenguaje que crea texto nuevo y coherente a partir de un estímulo dado.

El Generative Pre-trained Transformer (GPT) es un modelo de lenguaje avanzado que genera respuestas de texto similares a las humanas mediante el aprendizaje automático.

La alucinación en inteligencia artificial es un fenómeno donde un modelo de IA genera respuestas incorrectas o información falsa presentada como correcta.

Las herramientas son funciones externas o APIs que un modelo de lenguaje puede utilizar para realizar diversas tareas según sus instrucciones.

Hybrid AI es un enfoque que combina diversas metodologías de inteligencia artificial para crear sistemas más robustos y eficaces.

Un motor de inferencia es un componente de inteligencia artificial que aplica reglas lógicas a una base de conocimientos para deducir nueva información o tomar decisiones.

La Inteligencia Artificial Débil se refiere a sistemas diseñados para realizar tareas específicas sin poseer capacidades cognitivas generales.

La Inteligencia Artificial Generativa es un tipo de IA diseñada para crear contenido autónomo como texto, imágenes, videos o código.

La inteligencia artificial personalizada se refiere a sistemas de IA que se adaptan y personalizan sus respuestas o recomendaciones según las preferencias o comportamientos de los usuarios.

La destilación de conocimiento es un proceso en el aprendizaje automático donde un modelo más pequeño aprende a imitar el comportamiento de un modelo más grande y complejo.

Un modelo de lenguaje grande (LLM) es un sistema de inteligencia artificial diseñado para entender y generar texto similar al humano.

Llama es una serie de modelos de lenguaje grande de código abierto desarrollados por Meta, conocidos por sus pesos abiertos.

La memoria asociativa es un tipo de almacenamiento que permite recuperar información relacionada a partir de la conexión entre elementos.

La memoria limitada es un tipo de sistema de inteligencia artificial que aprende de datos derivados de experiencias pasadas para tomar decisiones o hacer predicciones futuras.

Mistral es una serie de modelos de lenguaje grande (LLM) creado por Mistral AI, diseñados para ser abiertos, eficientes y confiables.

Un modelo basado en recuperación es un sistema de inteligencia artificial que genera respuestas seleccionando el contenido más relevante de una base de datos preexistente.

Un modelo de difusión es un tipo de modelo generativo que aprende a crear datos modelando el proceso de eliminar gradualmente el ruido de una distribución gaussiana aleatoria.

Un modelo que sigue reglas específicas para llegar a un resultado definido, donde los resultados son determinados precisamente por las condiciones iniciales del modelo, sin aleatoriedad.

Un modelo discriminativo es un tipo de modelo de aprendizaje automático diseñado para distinguir y aprender las diferencias entre diversas clases en un conjunto de datos.

El Modelo O1 de OpenAI es una serie avanzada de modelos de lenguaje diseñados para mejorar el razonamiento y ampliar el conocimiento mundial.

Los modelos basados en Transformer son una arquitectura de red neuronal que ha revolucionado el procesamiento del lenguaje natural, permitiendo un procesamiento paralelo más eficiente y una mejor gestión de las dependencias a largo plazo en los datos.

Multimodal se refiere a modelos de inteligencia artificial que procesan y aprenden de múltiples tipos de datos como texto, audio, video e imágenes.

La Named Entity Recognition (NER) es una técnica de procesamiento de lenguaje natural que identifica y clasifica entidades nombradas en textos en categorías predefinidas.

El pre-entrenamiento es el proceso de entrenar redes neuronales en un gran conjunto de datos para proporcionarles un entendimiento general antes de ajustarlas en una tarea específica.

Predictive Analytics es un área de la analítica que utiliza datos históricos para hacer predicciones sobre eventos o comportamientos futuros.

El Prescriptive Analytics es un proceso analítico avanzado que examina datos para sugerir acciones y estrategias que las organizaciones deberían tomar para alcanzar resultados deseados.

El problema de cero a uno se refiere al desafío de crear una solución o producto completamente nuevo y original.

El procesamiento de voz es el conjunto de tecnologías que convierten el lenguaje hablado en texto y viceversa.

Un prompt es una entrada que un usuario proporciona a un sistema de inteligencia artificial para obtener un resultado o salida deseada.

El prompting es el arte de formular instrucciones claras y detalles específicos para dirigir herramientas de IA hacia un resultado deseado.

Pruning es el proceso de reducción del tamaño de una red neuronal eliminando ciertos parámetros para mejorar la eficiencia sin sacrificar significativamente la precisión.

El razonamiento probabilístico es un marco matemático utilizado para hacer inferencias y predicciones en situaciones que involucran incertidumbre o información incompleta.

El reconocimiento de patrones es una técnica que permite a los algoritmos computarizados analizar, identificar y etiquetar regularidades y estructuras en conjuntos de datos.

El reconocimiento de voz es una tecnología que permite a las máquinas convertir el lenguaje hablado en texto o ejecutar comandos basados en entradas de voz.

Una red neuronal es un modelo computacional que imita la estructura y funcionamiento del cerebro humano para procesar datos y crear patrones para la toma de decisiones.

El Aprendizaje por Refuerzo (RL) es un tipo de aprendizaje automático donde un agente aprende a tomar decisiones optimizando recompensas a través de la experiencia.

RLHF es una técnica que mejora modelos de lenguaje grandes incorporando retroalimentación humana para aumentar su rendimiento y precisión.

La Generación Aumentada por Recuperación (RAG) es un enfoque híbrido en el procesamiento del lenguaje natural que combina modelos generativos con información basada en la recuperación para producir respuestas más relevantes y precisas.

SAM, o Segment Anything Model, es un enfoque innovador desarrollado por Meta para la segmentación precisa y flexible de imágenes.

Sequence-to-sequence (Seq2Seq) es un modelo de aprendizaje automático que convierte una secuencia de elementos en otra secuencia, utilizado frecuentemente en la traducción de idiomas y otras tareas de procesamiento de lenguaje natural.

Speech-to-Text (STT) es una tecnología que transforma el lenguaje hablado en texto escrito mediante algoritmos y modelos computacionales.

Stable Diffusion es un modelo generativo de variables latentes que transforma el ruido en muestras de datos mediante un proceso de difusión, comúnmente utilizado para generar imágenes.

Un Stochastic Parrot es un sistema de inteligencia artificial que utiliza métodos estadísticos para generar texto que imita el lenguaje humano sin comprender la semántica subyacente.

Los datos estructurados son información organizada de manera específica para facilitar su búsqueda y análisis por humanos y máquinas.

StyleGAN es un tipo de red generativa antagónica desarrollada por NVIDIA, famosa por generar imágenes artificiales altamente realistas.

T5 es un modelo de red neuronal preentrenada tipo transformador que convierte problemas de procesamiento del lenguaje natural en un formato de texto a texto.

La tasa de resolución es una métrica que mide la eficacia de un chatbot o sistema de soporte para resolver de manera satisfactoria las consultas o problemas de los usuarios.

El Test de Turing es un criterio propuesto por Alan Turing para evaluar la capacidad de una máquina de imitar el comportamiento inteligente humano.

Text-to-Speech (TTS) es una tecnología que convierte el texto escrito en voz hablada.

Un token es una unidad básica de texto que utilizan los modelos de lenguaje para entender y procesar datos lingüísticos.

La tokenización es el proceso de dividir un texto en elementos individuales, como palabras, subpalabras o símbolos, para su procesamiento por modelos de lenguaje.

Los datos de entrenamiento son un conjunto de información que se proporciona a sistemas de inteligencia artificial para que aprendan patrones, hagan predicciones y generen contenido nuevo.

Transfer Learning es un método en aprendizaje automático que reutiliza un modelo desarrollado para una tarea como punto de partida para otro modelo en una segunda tarea.

Un transformer es una arquitectura de red neuronal diseñada para manejar datos secuenciales como texto, utilizando mecanismos de atención y procesamiento paralelo.

La Cuantificación de la Incertidumbre (UQ) es el estudio del impacto de la incertidumbre en la modelación matemática y simulación de sistemas físicos.

Un Variational Autoencoder (VAE) es un tipo de red neuronal artificial que utiliza probabilidades para aprender representaciones eficientes de los datos.

ViT (Vision Transformer) es una arquitectura que adapta el modelo de transformadores, originalmente diseñado para el procesamiento del lenguaje natural, a tareas de análisis de imágenes.

La síntesis de voz es el proceso mediante el cual la inteligencia artificial genera habla computarizada que suena realista y expresiva.

Una técnica en inteligencia artificial donde modelos menos capaces ayudan a entrenar a otros más potentes, garantizando un aprendizaje efectivo y robusto.

Whisper es un sistema avanzado de inteligencia artificial desarrollado por OpenAI, capaz de convertir voz a texto, realizar traducciones en tiempo real y ejecutar tareas basadas en indicaciones guiadas.

El X-risk o riesgo existencial se refiere a las amenazas potenciales que podrían llevar a la extinción humana o la reducción drástica y permanente de nuestro potencial futuro.

El Zero-shot Learning (ZSL) es una técnica de aprendizaje automático que permite a los modelos reconocer y clasificar nuevos conceptos sin haber visto ejemplos etiquetados durante el entrenamiento.