Diccionario AI

Glosario de
Inteligencia Artificial

Explora y domina el vocabulario de la revolución tecnológica. Definiciones clara en español para conceptos complejos.

A

Programación

A2UI (Agent-to-UI)

Paradigma de comunicación entre agentes de IA y interfaces de usuario, análogo a A2A (Agent-to-Agent). Describe cómo un agente autónomo emite eventos, estado y acciones hacia un frontend para que el usuario pueda observar el razonamiento en vivo, intervenir (human-in-the-loop) y co-editar artefactos. Resuelve la 'última milla' de las apps agénticas: pasar de respuestas tipo chat a experiencias ricas con streaming, componentes interactivos y estado compartido. AG-UI es una implementación concreta de este paradigma.

Conceptos Fundamentales

Abductive Reasoning (Razonamiento Abductivo)

Implica tomar observaciones o evidencias y formular la mejor hipótesis posible para explicarlas.

Programación

Action Description Language (Lenguaje de Descripción de Acciones)

Un lenguaje especializado utilizado para definir las acciones que un agente de IA puede realizar y sus consecuencias.

Machine Learning

Action Model Learning (AML)

Un método en IA para aprender precondiciones y efectos de acciones, a menudo en sistemas de planificación.

Conceptos Fundamentales

Action Planning (Planificación de Acciones)

Encontrar la mejor secuencia de acciones para lograr un objetivo específico de manera eficiente.

Deep Learning

Activation Function (Función de Activación)

En redes neuronales, determina si una neurona se dispara basándose en la entrada, moldeando la salida del modelo.

Machine Learning

Active Learning (Aprendizaje Activo)

Un enfoque de aprendizaje donde la IA solicita más datos o ejemplos para mejorar su rendimiento.

Reinforcement Learning

Actor-Critic (Actor-Crítico)

Una técnica de aprendizaje por refuerzo donde el 'actor' selecciona acciones y el 'crítico' las evalúa.

Algoritmos

Admissable Heuristic (Heurística Admisible)

Concepto de algoritmo de búsqueda que asegura que el costo estimado nunca sea sobreestimado para garantizar la optimalidad.

Seguridad

Adversarial Example (Ejemplo Adversario)

Entrada diseñada intencionalmente para engañar a un modelo de IA, causando que cometa errores con cambios imperceptibles para humanos.

Seguridad

Adversarial Machine Learning (Aprendizaje Automático Adversario)

El estudio de cómo defender la IA de ataques que intentan engañar o confundir a los modelos de aprendizaje.

Programación

AG-UI (Agent-User Interaction Protocol)

Protocolo abierto impulsado por CopilotKit que estandariza la comunicación en streaming entre backends de agentes de IA y frontends. Define eventos tipados —tokens de texto, tool calls, actualizaciones de estado, confirmaciones humanas, generative UI— de forma agnóstica al framework, permitiendo conectar agentes construidos con LangGraph, CrewAI, Mastra u otros a cualquier UI sin reinventar la capa de transporte.

Conceptos Fundamentales

Agent (Agente)

Un sistema de software que percibe su entorno y toma acciones para alcanzar objetivos.

Métricas

Agent Evaluations (Evaluaciones de Agentes)

Proceso sistemático de evaluar el rendimiento, capacidades y comportamiento de agentes de IA mediante pruebas estandarizadas, métricas específicas y benchmarks. Permite medir la efectividad de agentes autónomos en tareas complejas, su capacidad de razonamiento, uso de herramientas y toma de decisiones.

Programación

Agent Workflow (.agent.md)

Archivo de configuración (generalmente Markdown) que define secuencias estructuradas de pasos y herramientas que un agente de IA debe seguir para completar tareas complejas.

Tipos de IA

Agentic AI (IA Agéntica)

Sistemas de IA diseñados para la toma de decisiones autónoma y la ejecución de tareas con mínima intervención humana.

Tipos de IA

AGI

Abreviatura de Artificial General Intelligence (Inteligencia General Artificial). Se refiere a sistemas de IA que pueden realizar cualquier tarea intelectual que un ser humano puede hacer, con capacidad de razonamiento, aprendizaje y adaptación general.

Ética y Seguridad

AGI Safety (Seguridad de AGI)

Campo de investigación enfocado en garantizar que la Inteligencia General Artificial sea segura y beneficiosa para la humanidad.

Ética y Seguridad

AI Alignment (Alineación de IA)

Garantizar que los sistemas de IA se comporten de maneras que estén alineadas con los valores y la ética humanos.

Aplicaciones

AI Copilot (Copiloto de IA)

Herramientas de IA conversacional impulsadas por LLMs que asisten a los usuarios en completar tareas organizacionales o de código.

Ética y Seguridad

AI Safety (Seguridad de la IA)

Campo de investigación que asegura que las tecnologías de IA permanezcan seguras, éticas y alineadas con el beneficio humano.

Conceptos Fundamentales

Algorithm (Algoritmo)

Conjunto de reglas o instrucciones paso a paso que un sistema de IA sigue para resolver problemas o realizar tareas.

Ética y Seguridad

Algorithmic Bias (Sesgo Algorítmico)

Un error sistemático en la salida de una IA que lleva a resultados injustos o prejuiciosos.

Hitos Históricos

AlphaGo

Un programa de IA pionero de DeepMind que derrotó a campeones humanos de Go usando aprendizaje profundo.

Hitos Históricos

AlphaZero

Una IA de propósito general de DeepMind que dominó múltiples juegos desde cero sin datos humanos previos.

Organizaciones

Anthropic

Empresa de investigación de seguridad y IA, creadora de la familia de modelos Claude, enfocada en IA constitucional y confiable.

Ética y Seguridad

Anthropomorphism (Antropomorfismo)

Tendencia a atribuir características humanas a sistemas de IA, aunque estos no posean conciencia o emociones reales.

Programación

API Key (Clave API)

Identificador único utilizado para autenticar y autorizar el acceso a servicios y modelos de IA a través de APIs.

Tipos de IA

Artificial Narrow Intelligence (ANI)

Tipo de IA enfocada en tareas específicas como actualizaciones del clima, análisis de datos o juegos, no en inteligencia general.

Deep Learning

Artificial Neural Network (ANN)

Un método donde la IA imita el procesamiento similar al del cerebro para interpretar y analizar datos.

Tipos de IA

Artificial Super Intelligence (ASI)

Sistema hipotético de IA con capacidades intelectuales que superan la inteligencia humana en prácticamente todos los dominios y campos. ASI representaría un nivel de razonamiento, toma de decisiones y resolución de problemas altamente avanzado, muy superior a las capacidades humanas. Actualmente es puramente teórico y no existe; se considera que la Inteligencia General Artificial (AGI) sería un prerrequisito necesario para alcanzar ASI.

Optimización

Asynchronous Prefill (Pre-rellenado Asíncrono)

Técnica que permite procesar la fase de pre-rellenado de una nueva solicitud mientras se generan tokens para otras, mejorando la utilización de la GPU.

Deep Learning

Attention Mechanism (Mecanismo de Atención)

Técnica que permite a los modelos de IA enfocarse en partes específicas de la entrada al procesar información, fundamental en arquitecturas Transformer.

Tipos de IA

Auto-GPT

Sistema de IA autónomo que puede encadenar tareas para lograr un objetivo complejo sin intervención humana constante.

Deep Learning

Autoencoder (Autoencoder)

Tipo de red neuronal que aprende a codificar y decodificar datos, útil para reducción de dimensionalidad y detección de anomalías.

Técnicas

AutoML (Automated Machine Learning)

Proceso automatizado que selecciona, configura y optimiza modelos de Machine Learning con mínima intervención humana.

B

Deep Learning

Backpropagation (Retropropagación)

Algoritmo clave en redes neuronales para ajustar los pesos minimizando el error en la salida.

Deep Learning

Backward Pass (Paso Hacia Atrás)

Fase del entrenamiento de redes neuronales donde se calculan los gradientes mediante backpropagation para actualizar los pesos.

NLP

Bag of Words (Bolsa de Palabras)

Modelo de representación de texto que ignora el orden de las palabras y solo cuenta su frecuencia de aparición.

Machine Learning

Batch (Lote)

Conjunto de ejemplos de entrenamiento procesados simultáneamente durante una iteración del algoritmo de aprendizaje.

Machine Learning

Bayesian Learning (Aprendizaje Bayesiano)

Enfoque probabilístico de Machine Learning que utiliza el teorema de Bayes para actualizar creencias sobre parámetros del modelo.

Modelos

BERT (Bidirectional Encoder Representations from Transformers)

Modelo de lenguaje pre-entrenado desarrollado por Google que procesa texto en ambas direcciones para entender mejor el contexto.

Modelos

BERT Variants (Variantes de BERT)

Modelos derivados de BERT como RoBERTa, ALBERT y DistilBERT, cada uno optimizado para diferentes objetivos de rendimiento.

Ética y Seguridad

Bias Correction (Corrección de Sesgo)

Técnicas utilizadas para identificar y mitigar sesgos en modelos de IA para garantizar resultados justos y equitativos.

Machine Learning

Bias-Variance Tradeoff (Compromiso Sesgo-Varianza)

El equilibrio que se debe encontrar entre el error por sesgo (underfitting) y el error por varianza (overfitting).

Deep Learning

Bidirectional (Bidireccional)

Capacidad de un modelo de procesar información en ambas direcciones (adelante y atrás), como en BERT.

Datos

Big Data

Conjuntos de datos extremadamente grandes y complejos que requieren herramientas avanzadas para su procesamiento.

Problemas

Black Box (Caja Negra)

Término que describe modelos de IA cuyas decisiones internas son difíciles de interpretar o explicar.

Problemas

Blind Dependence (Dependencia Ciega)

Problema donde los usuarios desarrollan una confianza excesiva e inapropiada en sistemas de IA, aceptando sus respuestas sin cuestionarlas o verificarlas. Esta dependencia puede llevar a la reducción del pensamiento crítico, la propagación de desinformación y la pérdida de autonomía en la toma de decisiones.

Machine Learning

Bootstrapping (Arranque)

Técnica estadística que crea múltiples muestras aleatorias del conjunto de datos para evaluar la robustez del modelo.

C

Machine Learning

Causal Inference (Inferencia Causal)

Campo que busca entender relaciones causa-efecto en datos, más allá de simples correlaciones estadísticas.

Técnicas

Chain of Thought (CoT - Cadena de Pensamiento)

Técnica de prompting que descompone problemas complejos en pasos intermedios de razonamiento para mejorar la precisión del modelo.

Aplicaciones

Chat Completion (Finalización de Chat)

Funcionalidad de modelos de lenguaje que genera respuestas conversacionales basadas en el historial de mensajes.

Aplicaciones

Chatbot

Programa diseñado para simular conversaciones con usuarios humanos, especialmente a través de internet.

Modelos

ChatGPT

Modelo de lenguaje avanzado desarrollado por OpenAI optimizado para el diálogo.

Machine Learning

Classification (Clasificación)

Tarea de Machine Learning que consiste en asignar etiquetas o categorías a datos de entrada basándose en características aprendidas.

Modelos

Claude

Familia de modelos de lenguaje desarrollados por Anthropic, conocidos por su enfoque en seguridad, razonamiento avanzado y gran ventana de contexto. Incluye las líneas Opus (máxima capacidad), Sonnet (equilibrio entre capacidad y velocidad) y Haiku (rápido y económico). Se acceden vía API, aplicaciones oficiales (claude.ai) o productos construidos sobre ellos como Claude Code.

Programación

Claude Code

Agente oficial de Anthropic para desarrollo de software, disponible como CLI en la terminal y con integraciones en VS Code, JetBrains, desktop y web (claude.ai/code). Actúa como harness sobre los modelos Claude y añade capacidades para codificar de forma agéntica: lectura/edición de archivos, ejecución de comandos, hooks, skills, slash commands, subagents, servidores MCP y un sistema de permisos para controlar qué acciones puede realizar sin confirmación.

Modelos

CLIP (Contrastive Language-Image Pre-training)

Modelo multimodal desarrollado por OpenAI que conecta texto e imágenes mediante aprendizaje contrastivo.

Aplicaciones

Cloud AI (IA en la Nube)

Servicios de IA proporcionados a través de plataformas en la nube, permitiendo acceso sin infraestructura local.

Machine Learning

Clustering (Agrupación)

Técnica de aprendizaje no supervisado que agrupa datos similares sin necesidad de etiquetas previas.

Deep Learning

CNN (Convolutional Neural Network - Red Neuronal Convolucional)

Tipo de red neuronal especialmente efectiva para procesar imágenes mediante el uso de capas convolucionales que detectan patrones espaciales.

Tipos de IA

Cognitive Computing (Computación Cognitiva)

Sistemas que simulan procesos de pensamiento humano para resolver problemas complejos de manera similar a como lo haría un humano.

Aplicaciones

Collaborative Filtering (Filtrado Colaborativo)

Técnica de recomendación que predice preferencias basándose en el comportamiento y preferencias de usuarios similares.

Deep Learning

Computational Graph (Grafo Computacional)

Representación matemática de operaciones en redes neuronales que permite calcular gradientes eficientemente.

Técnicas

Computer Use (Uso de Computadora)

Capacidad avanzada de modelos como Claude (Anthropic) para interactuar con interfaces de usuario, moviendo el cursor y escribiendo para realizar tareas complejas.

Campos de Estudio

Computer Vision (Visión por Computadora)

Campo de la IA que permite a las computadoras 'ver' y comprender el contenido de imágenes y videos digitles.

Métricas

Confusion Matrix (Matriz de Confusión)

Tabla que muestra el rendimiento de un modelo de clasificación comparando predicciones con valores reales.

Aplicaciones

Content Moderation (Moderación de Contenido)

Proceso sistemático de revisar, filtrar y gestionar contenido generado por usuarios para asegurar que cumpla con políticas definidas, requisitos legales y estándares comunitarios. Utiliza IA y machine learning para detectar automáticamente contenido dañino, spam, discurso de odio y material inapropiado, creando entornos en línea más seguros.

Técnicas

Context Argumentation (Argumentación Contextual)

Capacidad de sistemas de IA para estructurar, evaluar y utilizar argumentos considerando el contexto específico de la situación. Permite a la IA manejar información contradictoria, realizar razonamiento no monótono y tomar decisiones transparentes en escenarios complejos mediante marcos formales de argumentación.

Conceptos Fundamentales

Context Window (Ventana de Contexto)

La cantidad máxima de información (tokens) que un modelo puede procesar y mantener presente en una sola sesión de interacción.

Optimización

Context Window Streaming

Técnica para manejar contextos extremadamente largos cargando y procesando solo las partes necesarias del historial de forma dinámica.

Machine Learning

Continual Learning (Aprendizaje Continuo)

Capacidad de un modelo para aprender nuevas tareas sin olvidar conocimientos previamente adquiridos.

Optimización

Continuous Batching (Loteo Continuo)

Método de procesamiento de solicitudes que permite insertar nuevas peticiones en un lote sin esperar a que las actuales terminen de generarse.

Machine Learning

Convergence (Convergencia)

Estado donde el proceso de entrenamiento alcanza un punto donde los parámetros del modelo ya no mejoran significativamente.

Organizaciones

CopilotKit

Framework open-source en React para construir copilotos e in-app agents con streaming de UI, estado compartido entre agente y frontend, human-in-the-loop y generative UI. Mantenedor del protocolo AG-UI y pieza común para integrar agentes de LangGraph, CrewAI o Mastra dentro de aplicaciones Next.js sin cablear manualmente el transporte, el renderizado de tool calls ni los flujos de aprobación.

Machine Learning

Cost Function (Función de Costo)

Sinónimo de función de pérdida; mide el error entre predicciones del modelo y valores reales.

Machine Learning

Cross-entropy Loss (Pérdida de Entropía Cruzada)

Función de pérdida comúnmente utilizada en problemas de clasificación, especialmente con múltiples clases.

Machine Learning

Cross-validation (Validación Cruzada)

Técnica para evaluar modelos dividiendo los datos en múltiples subconjuntos y entrenando/validando en diferentes combinaciones.

Hardware

CUDA Graphs

Característica de NVIDIA que permite grabar una secuencia de operaciones de GPU como un grafo único, reduciendo drásticamente la latencia de lanzamiento del kernel.

Programación

Cursor Rules (.cursorrules)

Archivo de configuración específico del editor Cursor que proporciona instrucciones de contexto y estilo para que la IA genere código alineado con el proyecto.

D

Modelos

DALL-E

Modelo de IA generativa desarrollado por OpenAI capaz de crear imágenes realistas a partir de descripciones textuales.

Machine Learning

Data Augmentation (Aumento de Datos)

Técnica que incrementa la cantidad de datos de entrenamiento mediante transformaciones como rotaciones, escalados o cambios de color.

Problemas

Data Drift (Deriva de Datos)

Fenómeno donde la distribución de datos en producción cambia con el tiempo, degradando el rendimiento del modelo.

Problemas

Data Leakage (Fuga de Datos)

Problema donde se utiliza información durante el entrenamiento que no estaría disponible en tiempo de predicción, causando que los modelos parezcan más precisos de lo que realmente son. Incluye target leakage (datos del objetivo futuro) y train-test contamination (contaminación entre conjuntos de entrenamiento y prueba). Afecta al menos a 294 publicaciones académicas según estudios recientes.

Datos

Data Pipeline (Canalización de Datos)

Conjunto de procesos automatizados que transforman datos desde su origen hasta un formato utilizable para entrenamiento.

Datos

Dataset (Conjunto de Datos)

Colección estructurada de datos (imágenes, textos, números) utilizada para entrenar, validar o probar modelos de IA.

Algoritmos

Decision Tree (Árbol de Decisión)

Algoritmo de Machine Learning que toma decisiones mediante una estructura de árbol con nodos de decisión y hojas.

Deep Learning

Deep Learning (Aprendizaje Profundo)

Subcampo del Machine Learning basado en redes neuronales artificiales con múltiples capas (profundas).

Reinforcement Learning

Deep Reinforcement Learning (Aprendizaje por Refuerzo Profundo)

Combinación de Deep Learning y Reinforcement Learning, utilizada en sistemas como AlphaGo.

Organizaciones

DeepMind

Laboratorio de investigación de IA (propiedad de Google) famoso por AlphaGo y avances en aprendizaje profundo.

Deep Learning

Diffusion Models (Modelos de Difusión)

Algoritmos generativos que crean contenido de alta calidad (como imágenes) a partir de ruido Gaussiano, como Stable Diffusion o Midjourney.

Machine Learning

Dimensionality Reduction (Reducción de Dimensionalidad)

Técnicas que reducen el número de características en los datos manteniendo la información más importante.

Optimización

Distributed Training (Entrenamiento Distribuido)

Proceso de entrenar modelos de IA utilizando múltiples GPUs o máquinas en paralelo para acelerar el proceso.

Machine Learning

Domain Adaptation (Adaptación de Dominio)

Técnica que adapta un modelo entrenado en un dominio a otro dominio relacionado pero diferente.

Machine Learning

Downstream Task (Tarea Descendente)

Tarea específica para la cual se ajusta un modelo pre-entrenado, como clasificación de sentimientos o Q&A.

Técnicas

DPO (Direct Preference Optimization)

Técnica moderna para alinear modelos con preferencias humanas de forma más sencilla y estable que el RLHF.

Optimización

Dynamic Batching (Loteo Dinámico)

Estrategia que agrupa múltiples solicitudes de inferencia con diferentes longitudes de entrada para maximizar el rendimiento del hardware.

E

Arquitectura

Early Exit Heads

Arquitectura que permite a un modelo detener el procesamiento en capas intermedias si la confianza es suficientemente alta, ahorrando tiempo de cómputo.

Machine Learning

Early Stopping (Parada Temprana)

Técnica de regularización que detiene el entrenamiento cuando el rendimiento en validación deja de mejorar.

Aplicaciones

Edge AI (IA en el Borde)

Ejecución de modelos de IA directamente en dispositivos locales (móviles, IoT) sin depender de la nube.

Deep Learning

Embedding (Incrustación)

Representación numérica densa de palabras, frases o conceptos en un espacio vectorial de alta dimensión que captura relaciones semánticas.

Deep Learning

Encoder-Decoder (Codificador-Decodificador)

Arquitectura de red neuronal donde un codificador procesa la entrada y un decodificador genera la salida, común en traducción.

NLP

Entity Recognition (Reconocimiento de Entidades)

Tarea de NLP que identifica y clasifica entidades nombradas en texto (personas, lugares, organizaciones, etc.).

Machine Learning

Epoch (Época)

Un ciclo completo de entrenamiento donde el modelo procesa todo el conjunto de datos de entrenamiento una vez.

Ética y Seguridad

Ethical AI (IA Ética)

Desarrollo y uso de sistemas de IA que respetan valores humanos, derechos y principios éticos fundamentales.

Métricas

Evals (Evaluaciones)

Proceso sistemático de evaluación de modelos de IA mediante conjuntos de pruebas estandarizados y métricas específicas. Las evals miden el rendimiento, capacidades y limitaciones de modelos en tareas específicas, permitiendo comparaciones objetivas entre diferentes modelos.

Historia

Expert System (Sistema Experto)

Sistema de IA temprano que imita la capacidad de decisión de un experto humano mediante reglas y conocimiento codificado.

Ética y Seguridad

Explainability / Interpretability (Explicabilidad / Interpretabilidad)

Capacidad de entender y explicar cómo un modelo de IA llega a sus decisiones o predicciones. Explainability e interpretability son términos relacionados que se refieren a la transparencia de los sistemas de IA, permitiendo a los usuarios comprender el razonamiento detrás de las respuestas del modelo.

Ética y Seguridad

Explainable AI (XAI - IA Explicable)

Campo de investigación que busca hacer comprensibles las decisiones y predicciones de los modelos de IA para humanos.

F

Machine Learning

Feature Engineering (Ingeniería de Características)

Proceso de seleccionar, modificar o crear variables de entrada (features) para mejorar el rendimiento de los modelos de Machine Learning.

Técnicas

Federated Learning (Aprendizaje Federado)

Técnica que entrena modelos de IA utilizando datos distribuidos en múltiples dispositivos sin compartir los datos centralmente.

Machine Learning

Few-shot Learning (Aprendizaje con Pocos Ejemplos)

Capacidad de un modelo de IA para aprender nuevas tareas con muy pocos ejemplos de entrenamiento, a menudo solo unos pocos.

Machine Learning

Fine-tuning (Ajuste Fino)

Proceso de adaptar un modelo pre-entrenado a una tarea específica ajustando sus parámetros con datos del dominio objetivo.

Deep Learning

Forward Pass (Paso Hacia Adelante)

Fase del entrenamiento donde los datos fluyen a través de la red neuronal desde la entrada hasta la salida.

Modelos

Foundation Model (Modelo Base)

Modelo de IA grande y versátil pre-entrenado en datos masivos que puede adaptarse a múltiples tareas específicas.

Optimización

FP8 Kernels

Funciones de bajo nivel optimizadas para procesar datos en formato de punto flotante de 8 bits, permitiendo una inferencia mucho más rápida en hardware moderno.

Algoritmos

Fuzzy Logic (Lógica Difusa)

Sistema de lógica que maneja valores de verdad parciales, útil para modelar incertidumbre e imprecisión.

G

Deep Learning

GAN (Generative Adversarial Network - Red Generativa Antagónica)

Arquitectura de red neuronal compuesta por dos redes que compiten: un generador que crea datos falsos y un discriminador que intenta detectarlos.

Modelos

Gemini

Familia de modelos de IA multimodales más capaces de Google, diseñados para razonar de forma nativa sobre texto, imágenes, video, audio y código.

Tipos de IA

Generative AI (IA Generativa)

Tipo de IA capaz de generar nuevo contenido, como texto, imágenes, audio y video, en respuesta a indicaciones (prompts).

Modelos

GPT (Generative Pre-trained Transformer)

Familia de modelos de lenguaje grandes desarrollados por OpenAI que utilizan aprendizaje profundo para generar texto similar al humano.

Modelos

GPT-3/GPT-4

Modelos de lenguaje grandes de OpenAI con miles de millones de parámetros, capaces de tareas complejas de lenguaje natural.

Hardware

GPU (Graphics Processing Unit)

Procesador especializado en cálculos paralelos masivos, esencial para el entrenamiento e inferencia acelerada de redes neuronales.

Optimización

GPU–CPU Overlap

Técnica de ingeniería que permite que la CPU y la GPU realicen tareas simultáneamente (como transferencia de datos y cómputo) para evitar cuellos de botella.

Machine Learning

Gradient (Gradiente)

Vector que indica la dirección de mayor crecimiento de una función, esencial para optimizar modelos mediante descenso de gradiente.

Machine Learning

Gradient Descent (Descenso de Gradiente)

Algoritmo de optimización que minimiza la función de pérdida ajustando iterativamente los parámetros del modelo en dirección opuesta al gradiente.

Deep Learning

Graph Neural Network (GNN - Red Neuronal de Grafos)

Tipo de red neuronal diseñada para procesar datos estructurados como grafos, útil en redes sociales y química.

Datos

Ground Truth (Verdad Fundamental)

Datos de referencia correctos y verificados utilizados para entrenar y evaluar modelos de IA.

Seguridad

Guardrails (Barreras de Seguridad)

Sistemas de seguridad diseñados para mantener los sistemas de IA operando de manera responsable y segura. Funcionan como políticas, controles y medidas técnicas posicionadas entre modelos de IA e interfaces de usuario que interceptan, bloquean y mitigan riesgos en tiempo real. Protegen contra alucinaciones, fugas de datos, inyecciones de prompt, discurso de odio y contenido discriminatorio.

H

Problemas

Hallucination (Alucinación)

Fenómeno donde un modelo de IA genera información incorrecta o sin sentido con gran confianza.

Programación

Harness (Arnés de IA)

Capa de orquestación y runtime que envuelve a un modelo de lenguaje (LLM) para convertirlo en un agente funcional. Gestiona el ciclo de mensajes, la ejecución de herramientas, el manejo de contexto, permisos, hooks y la interacción con el sistema. Ejemplos: Claude Code, Cursor y otros agentes CLI actúan como harness sobre el modelo base.

Algoritmos

Heuristic (Heurística)

Regla práctica o método aproximado que proporciona soluciones rápidas aunque no necesariamente óptimas.

Organizaciones

Hugging Face

Plataforma líder y comunidad de código abierto que actúa como el 'GitHub de la IA', alojando miles de modelos, datasets y aplicaciones.

Técnicas

Human-in-the-Loop (Humano en el Ciclo)

Enfoque donde humanos supervisan, validan o corrigen las decisiones de sistemas de IA durante su funcionamiento.

Machine Learning

Hyperparameter (Hiperparámetro)

Parámetro de configuración del modelo que se establece antes del entrenamiento y no se aprende de los datos (ej: tasa de aprendizaje, número de capas).

Machine Learning

Hyperparameter Tuning (Ajuste de Hiperparámetros)

Proceso de encontrar los mejores valores para hiperparámetros mediante técnicas como grid search o random search.

I

Aplicaciones

Image Classification (Clasificación de Imágenes)

Tarea de Computer Vision que asigna etiquetas categóricas a imágenes, como identificar objetos o escenas.

Problemas

Imbalanced Dataset (Conjunto de Datos Desbalanceado)

Dataset donde algunas clases tienen muchos más ejemplos que otras, requiriendo técnicas especiales de manejo.

Machine Learning

In-context Learning (Aprendizaje en Contexto)

Capacidad de los LLMs de aprender nuevas tareas o patrones directamente desde ejemplos proporcionados en el prompt sin ajuste de parámetros.

Machine Learning

Incremental Learning (Aprendizaje Incremental)

Capacidad de un modelo para aprender continuamente de nuevos datos sin reentrenar desde cero.

Machine Learning

Inductive Bias (Sesgo Inductivo)

Suposiciones incorporadas en un algoritmo de aprendizaje que guían cómo generaliza a partir de ejemplos de entrenamiento.

Machine Learning

Inference (Inferencia)

El proceso de utilizar un modelo de IA ya entrenado para generar predicciones o respuestas a partir de datos nuevos.

NLP

Information Extraction (Extracción de Información)

Tarea de NLP que identifica y estructura información específica de texto no estructurado.

Machine Learning

Instance-based Learning (Aprendizaje Basado en Instancias)

Algoritmos que almacenan ejemplos de entrenamiento y hacen predicciones basándose en instancias similares.

Machine Learning

Instruction Tuning (Ajuste por Instrucciones)

Entrenamiento adicional para que un modelo aprenda a seguir comandos específicos del usuario en lugar de solo completar texto.

Ética y Seguridad

Interpretability (Interpretabilidad)

Capacidad de entender y explicar cómo un modelo de IA llega a sus decisiones o predicciones.

J

Programación

JAX

Biblioteca de Python desarrollada por Google para computación científica de alto rendimiento, popular en investigación de IA.

Deep Learning

Joint Embedding (Incrustación Conjunta)

Técnica que mapea diferentes tipos de datos (texto, imágenes) al mismo espacio vectorial para comparación.

K

Programación

Keras

Biblioteca de redes neuronales de código abierto de alto nivel, diseñada para permitir la experimentación rápida con redes neuronales profundas.

Técnicas

Knowledge Distillation (Distilación de Conocimiento)

Técnica donde un modelo pequeño aprende a imitar el comportamiento de un modelo grande y complejo.

Optimización

KV Cache Quantization

Reducción de la precisión de los valores almacenados en la caché de Clave-Valor (KV) para disminuir drásticamente el uso de memoria VRAM en modelos de lenguaje.

L

Datos

Label (Etiqueta)

Valor correcto o esperado para un ejemplo de entrenamiento en aprendizaje supervisado.

Problemas

Lack of Context (Falta de Contexto)

Problema donde los modelos de IA no reciben suficiente información contextual para generar respuestas precisas y relevantes. Más del 40% de los fallos en proyectos de IA se deben a contextos pobres o irrelevantes, lo que puede llevar a alucinaciones, respuestas desalineadas y menor confiabilidad en tareas complejas.

Tipos de IA

LAMs (Large Action Models - Modelos de Acción Grandes)

Modelos de IA diseñados para realizar acciones concretas en sistemas y aplicaciones, no solo generar texto. Combinan capacidades de razonamiento con la habilidad de ejecutar tareas como interactuar con interfaces, usar herramientas y realizar acciones complejas.

Deep Learning

Large Language Model (LLM)

Modelo de aprendizaje profundo entrenado en inmensas cantidades de datos de texto para entender y generar lenguaje natural.

Deep Learning

Latent Space (Espacio Latente)

Representación comprimida de datos en un espacio de menor dimensión donde se capturan características esenciales.

Deep Learning

Layer (Capa)

Grupo de neuronas en una red neuronal que procesa información y la pasa a la siguiente capa.

Métricas

Learning Curve (Curva de Aprendizaje)

Gráfico que muestra cómo el rendimiento del modelo mejora con más datos de entrenamiento o épocas.

Algoritmos

Linear Regression (Regresión Lineal)

Algoritmo de Machine Learning que modela la relación entre variables mediante una línea recta.

Modelos

Llama (Large Language Model Meta AI)

Familia de modelos de lenguaje de código abierto de alto rendimiento desarrollados por Meta (Facebook).

Algoritmos

Logistic Regression (Regresión Logística)

Algoritmo de clasificación que predice probabilidades utilizando una función logística (sigmoide).

Optimización

LoRA (Low-Rank Adaptation)

Técnica de ajuste fino eficiente que permite adaptar modelos gigantes modificando solo una mínima fracción de sus parámetros.

Machine Learning

Loss Function (Función de Pérdida)

Función que mide qué tan lejos están las predicciones del modelo de los valores reales, guiando el proceso de optimización.

Deep Learning

LSTM (Long Short-Term Memory)

Tipo especial de red neuronal recurrente diseñada para recordar información a largo plazo y evitar el problema del gradiente que desaparece.

M

Conceptos Fundamentales

Machine Learning (Aprendizaje Automático)

Subcampo de la IA que se centra en el desarrollo de algoritmos que permiten a las computadoras aprender de los datos.

Aplicaciones

Machine Translation (Traducción Automática)

Aplicación de NLP que traduce texto de un idioma a otro utilizando modelos de IA.

Técnicas

Masked Language Modeling (Modelado de Lenguaje Enmascarado)

Técnica de pre-entrenamiento donde el modelo predice palabras ocultas en contexto, como en BERT.

Métricas

Mean Squared Error (MSE - Error Cuadrático Medio)

Métrica común de regresión que mide el promedio de los errores al cuadrado entre predicciones y valores reales.

Optimización

Memory Offload

Proceso de mover partes de un modelo o sus datos temporales de la memoria de la GPU (VRAM) a la memoria del sistema (RAM) o disco para manejar modelos más grandes.

Machine Learning

Meta-learning (Meta-aprendizaje)

Campo que busca desarrollar algoritmos capaces de aprender a aprender, mejorando su eficiencia en nuevas tareas.

Aplicaciones

Midjourney

Servicio de IA generativa especializado en la creación de imágenes artísticas de alta calidad a partir de descripciones textuales.

Modelos

Mistral

Familia de modelos de lenguaje europeos conocidos por su eficiencia técnica y rendimiento superior en formatos compactos.

Deep Learning

Mixture of Experts (MoE)

Arquitectura que activa solo partes específicas del modelo (expertos) para cada entrada, permitiendo modelos enormes pero eficientes.

Técnicas

MLOps (Machine Learning Operations)

Conjunto de prácticas y herramientas que combinan Machine Learning con DevOps para automatizar y gestionar el ciclo de vida completo de modelos de IA en producción. Incluye versionado de modelos, monitoreo, despliegue, escalado y mantenimiento continuo.

Ética y Seguridad

Model Card (Tarjeta de Modelo)

Documento que proporciona información transparente sobre el rendimiento, limitaciones y uso ético de un modelo de IA.

Aplicaciones

Model Hub (Centro de Modelos)

Repositorio centralizado donde se comparten modelos pre-entrenados para facilitar su reutilización.

Machine Learning

Momentum (Momento)

Técnica de optimización que acelera el descenso de gradiente acumulando información de actualizaciones anteriores.

Tipos de IA

Multi-Agent Systems (MAS - Sistemas Multi-Agente)

Sistemas compuestos por múltiples agentes de IA autónomos que interactúan entre sí para resolver problemas complejos. Cada agente puede tener objetivos, capacidades y conocimiento propios, colaborando o compitiendo para alcanzar metas colectivas o individuales.

Machine Learning

Multi-task Learning (Aprendizaje Multi-tarea)

Enfoque donde un modelo aprende múltiples tareas relacionadas simultáneamente, mejorando la generalización.

Tipos de IA

Multimodal (Multimodal)

Sistemas de IA que pueden procesar y entender múltiples tipos de datos simultáneamente, como texto, imágenes, audio y video.

N

NLP

Named Entity Recognition (NER - Reconocimiento de Entidades Nombradas)

Tarea de NLP que identifica y clasifica entidades como nombres de personas, organizaciones y ubicaciones en texto.

Campos de Estudio

Natural Language Processing (NLP)

Rama de la IA que ayuda a las computadoras a entender, interpretar y manipular el lenguaje humano.

Aplicaciones

Neural Machine Translation (NMT - Traducción Automática Neuronal)

Enfoque moderno de traducción automática utilizando redes neuronales, especialmente encoder-decoder.

Deep Learning

Neural Network Architecture (Arquitectura de Red Neuronal)

Estructura y diseño de una red neuronal, incluyendo número de capas, tipos de neuronas y conexiones.

Problemas

Noise (Ruido)

Variaciones aleatorias o errores en los datos que pueden afectar el rendimiento del modelo.

Deep Learning

Normalization Layer (Capa de Normalización)

Capa en redes neuronales que normaliza las activaciones, como BatchNorm o LayerNorm, para estabilizar el entrenamiento.

O

Aplicaciones

Object Detection (Detección de Objetos)

Tarea de Computer Vision que identifica y localiza múltiples objetos en una imagen, proporcionando sus coordenadas.

Aplicaciones

OCR (Optical Character Recognition - Reconocimiento Óptico de Caracteres)

Tecnología que convierte imágenes de texto (escaneadas o fotografiadas) en texto editable.

Machine Learning

One-hot Encoding (Codificación One-hot)

Técnica que convierte variables categóricas en vectores binarios donde solo un elemento es 1 y el resto son 0.

Machine Learning

Online Learning (Aprendizaje Online)

Método donde el modelo se actualiza continuamente con cada nuevo ejemplo de datos, sin reentrenar desde cero.

Organizaciones

OpenAI

Laboratorio de investigación de IA estadounidense responsable de ChatGPT, GPT-4 y DALL-E.

Problemas

Outlier (Valor Atípico)

Punto de datos que se desvía significativamente del patrón general, potencialmente afectando el entrenamiento del modelo.

Problemas

Overfitting (Sobreajuste)

Problema donde un modelo aprende demasiado bien los datos de entrenamiento pero falla en generalizar a datos nuevos no vistos.

P

Optimización

PagedAttention

Algoritmo de gestión de memoria que divide la caché KV en bloques no contiguos, eliminando la fragmentación y permitiendo compartir memoria entre solicitudes.

Optimización

Parameter Efficiency (Eficiencia de Parámetros)

Técnicas que reducen el número de parámetros entrenables manteniendo el rendimiento, como LoRA o adaptadores.

Métricas

Perplexity (Perplejidad)

Métrica que mide qué tan bien un modelo de lenguaje predice una muestra de texto; valores más bajos indican mejor rendimiento.

Aplicaciones

Pipeline (Canalización)

Secuencia automatizada de pasos que transforma datos desde entrada hasta salida, común en sistemas de producción de IA.

Reinforcement Learning

Policy Gradient (Gradiente de Política)

Método de Reinforcement Learning que optimiza directamente la política del agente mediante gradientes.

Deep Learning

Pooling (Agrupación)

Operación en CNNs que reduce la dimensionalidad de mapas de características, como max pooling o average pooling.

Métricas

Precision-Recall Curve (Curva Precision-Recall)

Gráfico que muestra la relación entre precisión y recall para diferentes umbrales de clasificación.

Optimización

Prefetch Pipelines

Sistema que anticipa y carga los datos o parámetros necesarios antes de que el procesador los requiera, minimizando los tiempos de espera.

Datos

Preprocessing (Preprocesamiento)

Transformaciones aplicadas a datos crudos antes del entrenamiento, como normalización, limpieza o tokenización.

Técnicas

Prompt Chaining (Encadenamiento de Prompts)

Técnica donde múltiples prompts se ejecutan secuencialmente, usando la salida de uno como entrada del siguiente.

Problemas

Prompt Dumping (Volcado de Prompt)

Práctica problemática de incluir excesiva información, contexto innecesario o datos irrelevantes en un prompt. Esto puede degradar el rendimiento del modelo, aumentar costos computacionales y reducir la calidad de las respuestas al saturar la ventana de contexto con información no esencial.

Habilidades

Prompt Engineering

El arte de elaborar entradas (prompts) efectivas para guiar a los modelos de IA generativa a producir resultados óptimos.

Seguridad

Prompt Injection (Inyección de Prompt)

Ataque de seguridad cibernética que explota modelos de lenguaje grandes (LLMs) inyectando instrucciones maliciosas en las entradas para causar comportamientos no deseados. Permite a atacantes eludir salvaguardas y manipular respuestas del modelo al aprovechar su incapacidad de distinguir entre instrucciones legítimas del desarrollador y entrada del usuario. Incluye inyección directa (entrada del usuario) e indirecta (instrucciones embebidas en fuentes externas como emails o sitios web).

Técnicas

Prompt Template (Plantilla de Prompt)

Estructura reutilizable para crear prompts consistentes y efectivos para modelos de lenguaje.

Programación

PyTorch

Framework de Deep Learning desarrollado por Facebook, popular por su flexibilidad y facilidad de uso en investigación.

Q

Reinforcement Learning

Q-Learning

Algoritmo de Reinforcement Learning que aprende el valor de acciones en diferentes estados mediante una tabla Q.

Optimización

Quantization (Cuantización)

Proceso de reducir la precisión de los pesos de un modelo para que ocupe menos memoria y sea mucho más rápido.

Aplicaciones

Question Answering (Q&A - Preguntas y Respuestas)

Tarea de NLP donde el modelo responde preguntas basándose en un contexto proporcionado.

R

Técnicas

RAG (Retrieval Augmented Generation)

Técnica que mejora la precisión de los modelos generativos recuperando datos relevantes de fuentes externas.

Algoritmos

Random Forest (Bosque Aleatorio)

Algoritmo de Machine Learning que combina múltiples árboles de decisión para mejorar la precisión y reducir overfitting.

Machine Learning

Regression (Regresión)

Tarea de Machine Learning que predice valores numéricos continuos en lugar de categorías discretas.

Machine Learning

Reinforcement Learning (Aprendizaje por Refuerzo)

Tipo de Machine Learning donde un agente aprende a tomar decisiones mediante prueba y error para maximizar una recompensa.

Técnicas

Reinforcement Learning from Human Feedback (RLHF)

Técnica que entrena modelos usando retroalimentación humana para alinear mejor el comportamiento con valores humanos.

Machine Learning

Representation Learning (Aprendizaje de Representaciones)

Proceso donde un modelo aprende automáticamente características útiles de los datos sin supervisión explícita.

Optimización

Request Coalescing

Técnica que combina múltiples solicitudes similares o redundantes en una sola operación de red o cómputo para mejorar la eficiencia.

Deep Learning

Residual Connection (Conexión Residual)

Conexión directa que salta capas en una red neuronal, facilitando el entrenamiento de redes muy profundas.

Deep Learning

RNN (Recurrent Neural Network - Red Neuronal Recurrente)

Tipo de red neuronal diseñada para procesar secuencias de datos manteniendo información de estados anteriores mediante conexiones recurrentes.

Machine Learning

Robustness (Robustez)

Capacidad de un modelo de mantener buen rendimiento ante variaciones en los datos de entrada o condiciones adversas.

Métricas

ROC Curve (Curva ROC)

Gráfico que muestra el rendimiento de un clasificador binario variando el umbral de decisión.

S

Machine Learning

Scaling Law (Ley de Escalado)

Observación empírica de que el rendimiento de modelos de IA mejora predeciblemente con más datos, parámetros y computación.

Deep Learning

Self-Attention (Auto-atención)

Mecanismo que permite a cada elemento de una secuencia atender a todos los demás elementos, fundamental en arquitecturas Transformer.

Aplicaciones

Semantic Search (Búsqueda Semántica)

Técnica de búsqueda que entiende el significado y contexto de consultas, no solo palabras clave exactas.

Machine Learning

Semi-supervised Learning (Aprendizaje Semi-supervisado)

Enfoque de Machine Learning que combina una pequeña cantidad de datos etiquetados con una gran cantidad de datos no etiquetados.

Deep Learning

Sequence-to-Sequence (Seq2Seq)

Arquitectura de red neuronal que transforma secuencias de entrada en secuencias de salida, común en traducción.

Optimización

Sharding (Fragmentación)

Técnica de dividir grandes modelos o datasets en partes más pequeñas para distribuir el procesamiento.

Deep Learning

Sigmoid Function (Función Sigmoide)

Función de activación en forma de S que mapea valores a un rango entre 0 y 1, útil en clasificación binaria.

Aplicaciones

Similarity Search (Búsqueda de Similitud)

Técnica que encuentra elementos similares en un conjunto de datos basándose en embeddings o vectores.

Aplicaciones

Single-turn (Interacción de Un Solo Turno)

Tipo de interacción con un modelo de IA donde el usuario realiza una pregunta o solicitud única y el modelo responde, sin mantener un historial de conversación. Cada interacción es independiente, a diferencia de las conversaciones multi-turn que mantienen contexto entre múltiples intercambios.

Programación

Skill (Habilidad)

Capacidad empaquetada y reutilizable que extiende a un agente de IA con conocimiento o flujos de trabajo específicos. En herramientas como Claude Code se definen mediante archivos Markdown con metadata (nombre, descripción, trigger) y se invocan bajo demanda —manual o automáticamente— cuando el contexto coincide. En Cursor existen conceptos equivalentes como Rules y Commands que instruyen al agente sobre cómo comportarse ante ciertas tareas. Las skills encapsulan prompts, herramientas y procedimientos sin saturar el contexto base del modelo.

Deep Learning

Skip Connection (Conexión de Salto)

Sinónimo de conexión residual; conexión directa que evita capas intermedias en una red neuronal.

Modelos

SLMs (Small Language Models - Modelos de Lenguaje Pequeños)

Modelos de lenguaje con menos parámetros (típicamente menos de 10 mil millones) comparados con los LLMs grandes. Los SLMs son más eficientes computacionalmente, requieren menos recursos y pueden ejecutarse en dispositivos locales, aunque generalmente tienen capacidades más limitadas que los modelos grandes.

Deep Learning

Sparse Attention (Atención Dispersa)

Variante del mecanismo de atención que solo calcula atención para un subconjunto de posiciones, reduciendo costos computacionales.

Optimización

Speculative Decoding (Decodificación Especulativa)

Método de aceleración donde un modelo pequeño predice tokens probables y un modelo grande los verifica en paralelo, reduciendo la latencia de generación.

Aplicaciones

Speech Recognition (Reconocimiento de Voz)

Tecnología que convierte señales de audio de habla humana en texto transcrito.

Modelos

Stable Diffusion

Modelo de IA generativa de código abierto para crear imágenes a partir de texto, conocido por su eficiencia y calidad.

Machine Learning

Stochastic (Estocástico)

Proceso que involucra aleatoriedad, como en Stochastic Gradient Descent donde se usan muestras aleatorias.

Aplicaciones

Streaming Generation

Modo de entrega de resultados donde los tokens se envían al usuario apenas se generan, en lugar de esperar a que se complete toda la secuencia.

Machine Learning

Supervised Fine-tuning (Ajuste Fino Supervisado)

Proceso de ajustar un modelo pre-entrenado usando ejemplos etiquetados para una tarea específica.

Machine Learning

Supervised Learning (Aprendizaje Supervisado)

Tipo de Machine Learning donde el modelo aprende de datos etiquetados, es decir, ejemplos con las respuestas correctas.

Algoritmos

Support Vector Machine (SVM)

Algoritmo de Machine Learning que encuentra el hiperplano óptimo para separar clases en un espacio de características.

T

Deep Learning

Task-specific Head (Cabeza Específica de Tarea)

Capa final de un modelo que se adapta para una tarea particular, como clasificación o generación.

Técnicas

Temperature (Temperatura)

Parámetro que controla la aleatoriedad de las respuestas; valores bajos son coherentes y valores altos son creativos.

Programación

TensorFlow

Ecosistema de código abierto para el aprendizaje automático, ampliamente utilizado para entrenar y desplegar modelos de redes neuronales profundas.

Aplicaciones

Text Classification (Clasificación de Texto)

Tarea de NLP que asigna categorías o etiquetas a documentos o fragmentos de texto.

Aplicaciones

Text Generation (Generación de Texto)

Capacidad de modelos de lenguaje para crear texto nuevo, coherente y contextualmente relevante.

Aplicaciones

Text Summarization (Resumen de Texto)

Tarea de NLP que condensa documentos largos en versiones más cortas manteniendo la información clave.

Datos

Time Series (Serie Temporal)

Secuencia de datos medidos a intervalos regulares en el tiempo, como precios de acciones o sensores.

NLP

Token (Token)

Unidad básica de procesamiento en modelos de lenguaje, que puede ser una palabra, parte de una palabra o un carácter, dependiendo del tokenizador.

Optimización

Token Parallelism (Paralelismo de Tokens)

Forma de paralelismo que divide el procesamiento de diferentes tokens de una secuencia entre múltiples dispositivos o núcleos de cómputo.

NLP

Tokenization (Tokenización)

Proceso de dividir texto en unidades más pequeñas (tokens) que los modelos de lenguaje pueden procesar y entender.

Técnicas

Top-k Sampling (Muestreo Top-k)

Técnica de generación de texto que selecciona tokens solo entre los k más probables, balanceando creatividad y coherencia.

Técnicas

Top-P Sampling (Muestreo Top-P)

También llamado 'nucleus sampling', selecciona tokens cuya probabilidad acumulada alcanza un umbral P definido.

Hardware

TPU (Tensor Processing Unit)

Hardware diseñado por Google específicamente para acelerar las tareas de entrenamiento y ejecución de modelos de IA.

Datos

Training Data (Datos de Entrenamiento)

Conjunto de ejemplos utilizados para enseñar al modelo a realizar una tarea específica.

Machine Learning

Transfer Learning (Aprendizaje por Transferencia)

Técnica que aprovecha conocimiento aprendido de una tarea para mejorar el rendimiento en una tarea relacionada diferente.

Deep Learning

Transformer

Arquitectura de red neuronal que introdujo el mecanismo de atención, base de los LLMs modernos como GPT.

Deep Learning

Transformer Architecture (Arquitectura Transformer)

Diseño de red neuronal basado en mecanismos de auto-atención, fundamento de la mayoría de LLMs modernos.

Técnicas

Tree of Thoughts (ToT - Árbol de Pensamientos)

Técnica de razonamiento avanzada donde un modelo explora múltiples cadenas de pensamiento en paralelo, evaluando y expandiendo las más prometedoras. A diferencia del pensamiento secuencial, ToT permite explorar diferentes caminos de razonamiento simultáneamente, mejorando la capacidad de resolución de problemas complejos.

Machine Learning

Tuning (Ajuste)

Proceso de optimizar hiperparámetros o adaptar un modelo pre-entrenado para una tarea específica.

Historia

Turing Test (Test de Turing)

Prueba de la capacidad de una máquina para exhibir un comportamiento inteligente indistinguible del de un humano.

U

Machine Learning

Uncertainty Quantification (Cuantificación de Incertidumbre)

Técnicas que estiman la confianza o incertidumbre en las predicciones de un modelo de IA.

Problemas

Underfitting (Subajuste)

Problema donde un modelo es demasiado simple y no puede capturar los patrones subyacentes en los datos de entrenamiento.

Machine Learning

Unsupervised Learning (Aprendizaje No Supervisado)

Tipo de Machine Learning donde el modelo aprende patrones de datos sin etiquetas ni supervisión explícita.

Machine Learning

Unsupervised Pre-training (Pre-entrenamiento No Supervisado)

Fase inicial donde un modelo aprende representaciones generales de datos sin etiquetas, como en GPT.

Técnicas

Upsampling (Sobremuestreo)

Técnica que aumenta la resolución o cantidad de datos, común en generación de imágenes o manejo de clases desbalanceadas.

V

Problemas

Vanishing Gradient Problem (Problema del Gradiente que Desaparece)

Dificultad en entrenar redes profundas donde los gradientes se vuelven extremadamente pequeños en capas tempranas.

Aplicaciones

Vector Database (Base de Datos Vectorial)

Sistema de almacenamiento optimizado para embeddings que permite buscar información por similitud semántica, vital para RAG.

Modelos

Vision Transformer (ViT)

Aplicación de arquitectura Transformer a imágenes, dividiendo imágenes en parches y procesándolos como secuencias.

NLP

Vocabulary (Vocabulario)

Conjunto completo de tokens únicos que un modelo de lenguaje puede reconocer y procesar.

W

Deep Learning

Weight Initialization (Inicialización de Pesos)

Estrategia para establecer valores iniciales de pesos en redes neuronales, crucial para un entrenamiento exitoso.

NLP

Word Embedding (Incrustación de Palabras)

Representación vectorial densa de palabras que captura relaciones semánticas y sintácticas.

Técnicas

Word2Vec

Técnica pionera para generar embeddings de palabras que captura relaciones semánticas mediante contexto.

Y

Algoritmos

YOLO (You Only Look Once)

Algoritmo de detección de objetos en tiempo real que procesa imágenes en una sola pasada.

Z

Seguridad

Zero-day Attack (Ataque de Día Cero)

Ataque adversario que explota vulnerabilidades desconocidas en modelos de IA antes de que sean detectadas.

Machine Learning

Zero-shot Learning (Aprendizaje sin Ejemplos)

Capacidad de un modelo de IA para realizar tareas para las que no fue específicamente entrenado, usando solo su conocimiento general.

Técnicas

Zero-shot Prompting

Técnica de pedir a un modelo realizar una tarea sin proporcionarle ningún ejemplo previo en el mensaje.

Glosario de Inteligencia Artificial

Lo más consultado

ChatGPT

Large Language Model (LLM)

Generative AI (IA Generativa)

A

A2UI (Agent-to-UI)

Abductive Reasoning (Razonamiento Abductivo)

Action Description Language (Lenguaje de Descripción de Acciones)

Action Model Learning (AML)

Action Planning (Planificación de Acciones)

Activation Function (Función de Activación)

Active Learning (Aprendizaje Activo)

Actor-Critic (Actor-Crítico)

Admissable Heuristic (Heurística Admisible)

Adversarial Example (Ejemplo Adversario)

Adversarial Machine Learning (Aprendizaje Automático Adversario)

AG-UI (Agent-User Interaction Protocol)

Agent (Agente)

Agent Evaluations (Evaluaciones de Agentes)

Agent Workflow (.agent.md)

Agentic AI (IA Agéntica)

AGI

AGI Safety (Seguridad de AGI)

AI Alignment (Alineación de IA)

AI Copilot (Copiloto de IA)

AI Safety (Seguridad de la IA)

Algorithm (Algoritmo)

Algorithmic Bias (Sesgo Algorítmico)

AlphaGo

AlphaZero

Anthropic

Anthropomorphism (Antropomorfismo)

API Key (Clave API)

Artificial Narrow Intelligence (ANI)

Artificial Neural Network (ANN)

Artificial Super Intelligence (ASI)

Asynchronous Prefill (Pre-rellenado Asíncrono)

Attention Mechanism (Mecanismo de Atención)

Auto-GPT

Autoencoder (Autoencoder)

AutoML (Automated Machine Learning)

B

Backpropagation (Retropropagación)

Backward Pass (Paso Hacia Atrás)

Bag of Words (Bolsa de Palabras)

Batch (Lote)

Bayesian Learning (Aprendizaje Bayesiano)

BERT (Bidirectional Encoder Representations from Transformers)

BERT Variants (Variantes de BERT)

Bias Correction (Corrección de Sesgo)

Bias-Variance Tradeoff (Compromiso Sesgo-Varianza)

Bidirectional (Bidireccional)

Big Data

Black Box (Caja Negra)

Blind Dependence (Dependencia Ciega)

Bootstrapping (Arranque)

C

Causal Inference (Inferencia Causal)

Chain of Thought (CoT - Cadena de Pensamiento)

Chat Completion (Finalización de Chat)

Chatbot

ChatGPT

Classification (Clasificación)

Claude

Claude Code

CLIP (Contrastive Language-Image Pre-training)

Cloud AI (IA en la Nube)

Clustering (Agrupación)

CNN (Convolutional Neural Network - Red Neuronal Convolucional)

Cognitive Computing (Computación Cognitiva)

Collaborative Filtering (Filtrado Colaborativo)

Computational Graph (Grafo Computacional)

Computer Use (Uso de Computadora)

Computer Vision (Visión por Computadora)

Confusion Matrix (Matriz de Confusión)

Content Moderation (Moderación de Contenido)

Context Argumentation (Argumentación Contextual)

Context Window (Ventana de Contexto)

Context Window Streaming

Glosario de
Inteligencia Artificial