Glosario de IA

Cuando un modelo de IA genera información incorrecta pero presentada con total confianza. No es un fallo aleatorio: ocurre porque el modelo predice texto plausible, no verifica hechos. Si no tiene suficiente información sobre algo, puede inventar una cita, una fecha o un nombre que suena correcto pero no lo es. Muy frecuente con temas poco documentados o muy recientes.

Rama de la inteligencia artificial donde los sistemas aprenden a partir de datos en lugar de seguir reglas programadas manualmente. El modelo analiza ejemplos, detecta patrones y mejora su rendimiento con la experiencia. Es la base de casi todo lo que hoy llamamos IA.

Sistema de IA que no solo responde preguntas sino que toma decisiones y ejecuta acciones de forma autónoma para conseguir un objetivo. Puede buscar información, usar herramientas externas, planificar pasos y corregir su propio comportamiento. Es la evolución del chatbot hacia algo que actúa, no solo conversa.

El diseño de red neuronal que está detrás de todos los LLMs modernos. Su innovación clave es el mecanismo de atención (attention), que permite al modelo relacionar cualquier parte del texto con cualquier otra, independientemente de la distancia entre ellas. Fue presentado en 2017 en el paper "Attention is All You Need" y cambió completamente el campo.

Prueba estandarizada que se usa para comparar el rendimiento de distintos modelos de IA. Como un examen con preguntas fijas que todos los modelos hacen, para poder compararlos de forma justa. El problema es que los modelos se pueden "preparar" para esos exámenes concretos sin ser realmente más útiles en el mundo real.

Conjuntos de datos tan grandes y complejos que no pueden procesarse con herramientas tradicionales. En el contexto de la IA, el Big Data es el combustible: los modelos aprenden de cantidades masivas de información que ningún humano podría analizar manualmente.

La cantidad de texto que un modelo puede "ver" y tener en cuenta al generar una respuesta. Es como la memoria de trabajo del modelo: lo que entra en esa ventana está disponible; lo que queda fuera, no existe para él. Los modelos más avanzados tienen ventanas de contexto muy grandes, lo que les permite trabajar con documentos largos sin perder el hilo.

Programa que simula una conversación con el usuario. Los chatbots clásicos seguían reglas fijas. Los modernos — como ChatGPT o Claude — están basados en LLMs y pueden mantener conversaciones mucho más naturales y flexibles. La diferencia entre uno y otro es abismal.

El conjunto de datos con el que se entrena un modelo. Su calidad y variedad determinan directamente qué tan bueno será el modelo. Un dataset sesgado produce un modelo sesgado; uno mal etiquetado, un modelo que aprende cosas incorrectas. Es el ingrediente más crítico del entrenamiento.

Tipo de modelo generativo que crea imágenes añadiendo ruido a una imagen y aprendiendo a invertir ese proceso para reconstruirla. Es la tecnología detrás de Midjourney, DALL·E y Stable Diffusion. Aprende a "limpiar" ruido hasta generar una imagen coherente a partir de una descripción de texto.

Representación numérica de una palabra, frase o concepto en un espacio vectorial. Lo importante: conceptos similares quedan cerca en ese espacio. "Rey" y "reina" estarán más cerca entre sí que "rey" y "mesa". Los embeddings son los que permiten a los modelos entender relaciones semánticas sin que nadie se las haya explicado explícitamente.

El proceso por el que un modelo aprende a partir de datos. El sistema procesa millones de ejemplos, ajusta sus parámetros para reducir errores y repite el proceso hasta alcanzar el rendimiento deseado. Puede durar semanas y requiere una infraestructura computacional enorme. Una vez entrenado, el modelo aplica lo aprendido sin modificarse.

Proceso de reentrenar un modelo ya existente con datos específicos de un dominio concreto. En lugar de entrenar desde cero, partes de un modelo general y lo ajustas para que rinda mejor en tu caso de uso: atención al cliente, documentos legales, medicina, etc. Mucho más barato y rápido que entrenar desde cero.

Modelo entrenado con datos masivos y de propósito general, diseñado para ser punto de partida para otros modelos más específicos. GPT-4, Claude o Gemini son foundation models. Sobre ellos se construyen aplicaciones concretas mediante fine-tuning o instrucciones específicas.

Técnica que usa algoritmos para crear contenido automáticamente — mapas, misiones, objetos — en lugar de diseñarlo a mano. Permite mundos enormes con mucha variedad, pero el contenido generado tiende a carecer de la intención narrativa del contenido creado por humanos.

Procesador diseñado originalmente para gráficos que se convirtió en el hardware fundamental para entrenar modelos de IA. Su capacidad para hacer muchos cálculos en paralelo lo hace ideal para el tipo de operaciones matemáticas que requiere el aprendizaje automático. NVIDIA es el proveedor dominante.

Configuraciones que se definen antes del entrenamiento y controlan cómo aprende el modelo — no los valores que aprende. La tasa de aprendizaje, el tamaño del batch, el número de capas. Encontrar los hiperparámetros óptimos es parte del trabajo de los ingenieros de ML y puede marcar la diferencia entre un modelo bueno y uno excelente.

El proceso de usar un modelo ya entrenado para generar predicciones o respuestas. Es lo que ocurre cuando le escribes a ChatGPT: el modelo no aprende nada nuevo, solo aplica lo que ya sabe. Diferente del entrenamiento, que es cuando el modelo aprende.

En procesamiento del lenguaje natural, el objetivo o propósito que hay detrás de lo que dice el usuario. Cuando le dices a Alexa "pon música", su intent es "reproducir música". Identificar correctamente el intent es clave para que un asistente de voz o chatbot responda de forma adecuada.

Modelo de lenguaje grande. Sistema de IA entrenado con cantidades masivas de texto para predecir qué token viene después de otro. ChatGPT, Claude y Gemini son LLMs. Su capacidad de generar texto coherente y útil viene de haber procesado más texto del que cualquier persona podría leer en toda su vida.

Adaptar un producto — su texto, imágenes, fechas, referencias culturales — para que funcione con naturalidad en otro mercado. Va más allá de la traducción: no se trata de que se entienda, sino de que suene como si hubiera sido creado allí. La IA puede traducir; localizar de verdad todavía requiere criterio humano.

Modelo capaz de procesar y generar más de un tipo de dato: texto, imágenes, audio, vídeo. GPT-4o o Gemini son multimodales — puedes pasarles una imagen y preguntarles sobre ella. Los modelos solo de texto son unimodales.

Capacidad de un modelo para mantener el contexto a lo largo de varios intercambios en una misma conversación. Si le preguntas "¿quién es Vozinha?" y luego "¿cuánto vale?", el modelo entiende que la segunda pregunta sigue hablando del mismo portero sin que tengas que repetir el nombre.

Procesamiento del Lenguaje Natural. Rama de la IA que se ocupa de hacer que los ordenadores entiendan y generen lenguaje humano. Todo lo que tiene que ver con texto o voz — traducción automática, análisis de sentimientos, chatbots, asistentes de voz — entra dentro del NLP.

Sistema computacional inspirado vagamente en el cerebro humano, formado por capas de nodos interconectados. Aprende ajustando el peso de esas conexiones a partir de ejemplos. Las redes neuronales profundas (deep learning) son la base de la mayoría de sistemas de IA modernos.

Los valores numéricos internos que un modelo ajusta durante el entrenamiento para aprender. Cuando se dice que un modelo tiene "70 mil millones de parámetros", se habla de 70B de estos valores. Más parámetros no siempre significa mejor modelo, pero sí mayor capacidad potencial.

La instrucción o texto que le das a un modelo de IA para obtener una respuesta. La forma en que redactas el prompt determina en gran medida la calidad de la respuesta. Un prompt vago produce una respuesta vaga; uno preciso y bien construido, una respuesta útil y específica.

El arte y la técnica de diseñar instrucciones efectivas para obtener mejores resultados de un modelo de IA. Incluye dar contexto, especificar el formato deseado, usar ejemplos, encadenar razonamientos. No requiere saber programar — pero sí requiere entender cómo piensan los modelos.

Técnica que combina un modelo de lenguaje con una búsqueda en una base de conocimiento externa. En lugar de responder solo con lo que aprendió durante el entrenamiento, el modelo recupera información relevante y actualizada antes de generar la respuesta. Reduce las alucinaciones y permite trabajar con información reciente o privada.

Técnica de entrenamiento donde evaluadores humanos puntúan las respuestas del modelo y ese feedback se usa para ajustarlo. Es clave para hacer que los modelos sean más útiles, honestos y menos peligrosos. ChatGPT y Claude usan variantes de RLHF para alinear sus respuestas con lo que los humanos consideran buenas respuestas.

Técnica de NLP que identifica y etiqueta información específica dentro de una frase. Cuando le dices a Alexa "pon jazz de los años 60", el sistema etiqueta "jazz" como género y "años 60" como época. Esas etiquetas son los "slots" que el sistema necesita para ejecutar la acción correcta.

Tendencia sistemática de un modelo a favorecer ciertos resultados sobre otros de forma injusta. Los modelos heredan los sesgos de sus datos de entrenamiento: si los datos reflejan desigualdades del mundo real, el modelo las reproduce. Identificar y corregir sesgos es uno de los retos más importantes de la IA responsable.

Uso de modelos de datos para identificar y evaluar jugadores de fútbol más allá de las métricas tradicionales. Analiza miles de partidos y acciones individuales para detectar patrones que el ojo humano no puede procesar a esa escala. Plataformas como Wyscout o StatsBomb son las referencias del sector.

Parámetro que controla cuánta variabilidad introduce el modelo en sus respuestas. Temperatura alta → respuestas más creativas e impredecibles. Temperatura baja → respuestas más conservadoras y consistentes. Para tareas creativas conviene subirla; para código o análisis, bajarla.

La unidad mínima con la que trabajan los LLMs. Aproximadamente, una palabra o fragmento de palabra. "inteligencia" puede ser un solo token o varios, según el modelo. Los modelos tienen límites de tokens por conversación — es lo que determina cuánto texto pueden procesar a la vez.

Reutilizar el conocimiento que un modelo aprendió en una tarea para aplicarlo en otra tarea distinta. En lugar de entrenar desde cero, el modelo transfiere lo aprendido. Es la base del fine-tuning y la razón por la que no hace falta entrenar un modelo enorme para cada caso de uso específico.

Base de datos diseñada para almacenar y buscar embeddings de forma eficiente. En lugar de buscar por palabras clave exactas, permite buscar por similitud semántica. Es la infraestructura que hace posible sistemas como RAG, donde el modelo recupera información relevante antes de responder.

Zero-shot: pedirle al modelo que haga algo sin darle ningún ejemplo. Few-shot: darle dos o tres ejemplos en el propio prompt para que entienda el patrón. Few-shot produce resultados mucho mejores en tareas específicas porque el modelo puede calibrar exactamente qué formato o estilo se espera de él.