Glosario de IA — fuubo.ai

A

Accesibilidad de datos

Disponibilidad de los datos en el formato y lugar adecuados para ser usados por modelos de IA.

Adversarial attacks

Técnicas usadas para engañar a modelos de IA mediante datos manipulados, haciendo que entreguen resultados incorrectos.

Agentes Conversacionales

IA diseñada para interactuar con personas mediante lenguaje natural, entendiendo intención y contexto.

Agentes de IA

Sistemas que pueden entender información, razonar y ejecutar acciones de forma autónoma.

AGI

Artificial General Intelligence — Tipo de inteligencia artificial capaz de realizar cualquier tarea intelectual que un humano puede hacer. Aún no existe en la práctica.

Ajuste fino (Fine-tuning)

Proceso de adaptar un modelo de IA ya entrenado a una tarea específica usando nuevos datos.

Alucinación

Fenómeno en el cual un modelo de IA generativa produce respuestas convincentes y coherentes pero que son falsas o carecen de base real.

API de LLM

Interfaz de programación de aplicaciones que permite conectar e integrar modelos de lenguaje externos dentro de sistemas, plataformas o software propios.

Aprendizaje por transferencia (Transfer learning)

Técnica de Machine Learning donde un modelo desarrollado para una tarea se reutiliza como punto de partida para acelerar el entrenamiento en otra tarea relacionada.

Aprendizaje profundo (Deep learning)

Tipo de machine learning que utiliza redes neuronales con muchas capas para detectar patrones complejos.

B

Base de datos vectorial (Vector database)

Tipo de base de datos optimizada para almacenar y consultar embeddings vectoriales de manera ultra rápida, siendo pilar clave de las búsquedas semánticas y sistemas RAG.

C

Calidad de datos

Qué tan correctos, completos, consistentes y útiles son los datos.

Chain-of-thought prompting

Técnica que guía a un modelo a resolver problemas paso a paso, mostrando su razonamiento intermedio.

Cuantización

Proceso de reducción de la precisión numérica de los pesos de un modelo para disminuir drásticamente su tamaño en memoria y acelerar su velocidad de ejecución.

D

Destilación de modelos (Model distillation)

Técnica que consiste en transferir el conocimiento de un modelo masivo y complejo (modelo profesor) a uno considerablemente más pequeño, ligero y rápido (modelo alumno).

E

Embeddings (Incrustaciones vectoriales)

Representaciones numéricas en formato matemático de vectores que capturan de forma profunda el significado conceptual y semántico de palabras, frases o archivos.

G

Google Gems

Asistentes personalizados de IA que ayudan en tareas específicas dentro de un contexto definido.

GPUs

Unidades de procesamiento gráfico. Hardware originalmente diseñado para gráficos, pero ampliamente usado para entrenar modelos de IA por su capacidad de procesamiento paralelo.

Grounding

Proceso de conectar las respuestas de la IA con fuentes reales o verificables para aumentar su precisión.

Guardrails (Mecanismos de control)

Reglas, filtros y capas de software de seguridad impuestas sobre un modelo de IA para garantizar que sus salidas sean seguras, éticas y alineadas con las políticas corporativas.

H

Humans in the loop (HITL)

Enfoque donde humanos supervisan o intervienen en sistemas de IA para mejorar resultados o evitar errores.

Hypercomputer

Infraestructura que conecta múltiples computadoras (con GPUs/TPUs) para procesar grandes cargas de trabajo de IA.

I

IA ética (Ethical AI)

Uso de la inteligencia artificial de forma responsable, evitando causar daño o sesgos.

IA explicable (XAI)

Conjunto de marcos y metodologías orientadas a lograr que los resultados y las decisiones internas tomadas por un sistema de IA sean totalmente auditables y comprensibles para los seres humanos.

IA generativa (Generative AI)

Tipo de IA capaz de crear contenido nuevo, como texto, imágenes, código o audio.

Inferencia

Fase operativa en la que un modelo de IA ya entrenado se pone en marcha para procesar datos nuevos de entrada en producción y devolver predicciones o respuestas.

Ingesta y preparación de datos

Disponibilidad de los datos en el formato y lugar adecuados para ser usados por modelos de IA.

Inteligencia Artificial (IA)

Campo de la tecnología que busca crear máquinas capaces de realizar tareas que normalmente requieren inteligencia humana, como aprender, razonar o tomar decisiones.

Inyección de prompts (Prompt injection)

Técnica de ataque o vulnerabilidad en la cual un usuario introduce instrucciones maliciosas ocultas para anular las directrices internas del sistema o los filtros de seguridad de un LLM.

L

Labeled data (Datos etiquetados)

Datos que tienen información adicional (como categorías o nombres) que ayudan a entrenar modelos.

Large Language Models (LLMs)

Modelos de IA especializados en entender y generar lenguaje humano (como ChatGPT o Claude).

M

Machine Learning (ML) / Aprendizaje automático

Subcampo de la IA donde las máquinas aprenden a partir de datos sin ser programadas explícitamente.

ML Learning Approaches

Tipos de aprendizaje automático: Supervisado (usa datos etiquetados), No supervisado (encuentra patrones), Refuerzo (aprende con feedback).

MLOps

Prácticas y herramientas que unen Machine Learning, DevOps e Ingeniería de Datos con el propósito de automatizar y estandarizar de forma continua el ciclo de vida de modelos en entornos de producción.

Model deployment (Despliegue de modelo)

Proceso de poner un modelo entrenado en producción para que pueda ser utilizado.

Model management (Gestión de modelos)

Administración del ciclo de vida de los modelos: monitoreo, actualización y mantenimiento.

Model training (Entrenamiento de modelo)

Proceso de enseñar a un modelo usando datos.

Modelos fundacionales

Modelos de IA entrenados con grandes volúmenes de datos que pueden adaptarse a múltiples tareas.

Multimodal

Capacidad avanzada de un modelo de inteligencia artificial para procesar, asimilar y generar múltiples tipos de datos de forma simultánea, tales como texto, imágenes, audio y vídeo.

O

Orquestador de IA

Framework informático encargado de coordinar, secuenciar y gestionar múltiples herramientas, llamadas de API, fuentes de datos externos o agentes de IA dentro de un proceso de negocio.

Overfitting (Sobreajuste)

Error clásico en Machine Learning en el cual un algoritmo se memoriza de manera tan estricta los datos de entrenamiento que pierde la facultad de generalizar o funcionar bien ante datos totalmente nuevos.

P

Parámetros

Variables y pesos internos que el modelo de IA va ajustando y refinando internamente a lo largo de su entrenamiento, determinando de forma directa cómo interpreta las entradas de información.

Procesamiento del Lenguaje Natural (NLP)

Campo tecnológico derivado de la IA centrado exclusivamente en estructurar la comunicación entre computadoras y el lenguaje humano, logrando que los sistemas puedan comprender y redactar texto.

Prompt chaining

Uso de múltiples prompts conectados entre sí para resolver tareas más complejas.

Prompt engineering

Arte de diseñar instrucciones (prompts) para obtener mejores resultados de modelos de IA.

R

ReAct (Reason + Act)

Framework que permite a un modelo razonar y tomar acciones paso a paso frente a un problema.

Reasoning loop

Ciclo interno de un agente de IA donde analiza información, razona y decide qué hacer después.

Red neuronal artificial

Modelo matemático de computación inspirado en la interconexión de neuronas biológicas del cerebro humano, estructurado en capas superpuestas encargadas de extraer patrones.

Reinforcement learning (Aprendizaje por refuerzo)

Tipo de aprendizaje donde el modelo mejora a través de prueba y error, recibiendo recompensas o penalizaciones.

Responsible AI (IA responsable)

Principios y prácticas para asegurar que la IA sea segura, justa y confiable.

Retrieval-Augmented Generation (RAG)

Técnica que combina búsqueda de información externa con generación de respuestas para mejorar precisión.

Role prompting

Técnica donde se asigna un rol al modelo para guiar su comportamiento.

S

SAIF (Secure AI Framework)

Marco de trabajo para desarrollar y operar sistemas de IA de forma segura.

Secure AI (IA segura)

Prácticas para proteger sistemas de IA de ataques o usos maliciosos.

Sesgo algorítmico

Distorsión sistemática presente en los resultados de un modelo de IA que provoca resultados injustos o prejuiciosos, derivado principalmente de asimetrías o carencias en los datos históricos de entrenamiento.

Structured data (Datos estructurados)

Datos organizados en formatos claros, como tablas o bases de datos.

Structured vs Unstructured Data

Datos estructurados son organizados y fáciles de analizar; los no estructurados requieren técnicas más avanzadas.

Supervised learning (Aprendizaje supervisado)

Entrenamiento con datos etiquetados donde el modelo aprende la relación entre entrada y salida.

Swarm Intelligence (Inteligencia de enjambre)

Enfoque computacional basado en sistemas biológicos descentralizados donde un grupo masivo de agentes de IA operan autónomamente interactuando colectivamente para resolver tareas complejas.

T

Temperatura

Parámetro técnico de configuración en modelos de lenguaje generativos utilizado para regular qué tan creativa, aleatoria o estrictamente determinista debe ser la respuesta producida.

Token

Unidad de datos fundamental (que equivale aproximadamente a una palabra, sílaba o fragmento de texto) en la que un modelo lingüístico fragmenta las cadenas de caracteres para poder interpretarlas.

TPUs (Tensor Processing Units)

Chips diseñados específicamente para tareas de inteligencia artificial, desarrollados por Google.

Transformador (Transformer)

Arquitectura revolucionaria de redes neuronales fundamentada en mecanismos de auto-atención paralela que abrió el paso a la creación de los Large Language Models modernos.

U

Unlabeled data (Datos no etiquetados)

Datos sin clasificación o etiquetas, usados en aprendizaje no supervisado.

Unstructured data (Datos no estructurados)

Datos sin formato definido, como textos, imágenes o videos.

Unsupervised learning (Aprendizaje no supervisado)

Modelo que encuentra patrones en datos sin etiquetas.

V

Ventana de contexto

Umbral o capacidad límite máxima de almacenamiento de información simultánea (contada en tokens) que un LLM puede leer y procesar en una única interacción de entrada y salida.

Visión por computadora

Disciplina dentro de la IA que entrena sistemas digitales para que consigan capturar, procesar analíticamente e interpretar el contenido conceptual implícito en archivos visuales como fotos o vídeos.

W

Workflow agents (Agentes de flujo de trabajo)

IA diseñada para automatizar tareas y procesos dentro de un flujo de trabajo.