Temas

Explora las fichas mediante una taxonomía controlada.

Cada ficha aparece en todos los temas a los que pertenece, así que un término puede estar en más de una sección. Las categorías proceden de una taxonomía única para evitar variantes, duplicados y etiquetas improvisadas.

Fundamentos 65

Las nociones que sostienen a todas las demás: datos, modelos, aprendizaje, evaluación.

En el Atlas visual

Agente de IA

Sistema capaz de percibir un entorno, razonar sobre un objetivo y ejecutar acciones mediante herramientas o servicios.

Agrupamiento

Familia de técnicas no supervisadas que reparten los casos en grupos según su similitud, sin etiquetas previas.

Alfabetización en IA

Capacidades, conocimientos y comprensión que permiten usar la IA con criterio: saber qué puede y qué no puede hacer, comprobar lo que da y conocer sus riesgos.

Aprendizaje activo

Técnica en la que el sistema selecciona qué ejemplos conviene etiquetar para aprovechar mejor un presupuesto limitado de anotación.

Aprendizaje automático

Rama de la IA que desarrolla modelos capaces de aprender patrones a partir de datos para predecir, clasificar o decidir.

Aprendizaje contrafactual

Aprendizaje con datos observacionales para estudiar intervenciones alternativas o aprender políticas de decisión sin ejecutarlas.

Aprendizaje multitarea

Enfoque que entrena conjuntamente varias tareas relacionadas para que compartan representaciones y se aporten información durante el aprendizaje.

Aprendizaje no supervisado

Enfoque de aprendizaje automático que busca estructura en datos sin etiquetas, sin una salida objetivo conocida.

Aprendizaje por refuerzo

Enfoque en el que un agente aprende a decidir mediante la interacción con un entorno, guiado por recompensas asociadas a sus acciones.

Aprendizaje semisupervisado

Enfoque que combina una pequeña cantidad de ejemplos etiquetados con datos sin etiquetar para aprender una tarea predictiva.

Aprendizaje supervisado

Enfoque de aprendizaje automático que ajusta un modelo a partir de ejemplos con una salida conocida.

Backtracking

Estrategia de búsqueda que prueba decisiones parciales y vuelve a una decisión anterior cuando una rama no puede dar una solución válida.

Benchmark de IA

Conjunto definido de tareas, datos, métricas y reglas usado para comparar sistemas de IA en condiciones reproducibles.

Big Data

Datos cuya escala, velocidad, variedad o variabilidad exige formas de almacenamiento y análisis que puedan ampliarse.

Capability overhang

Brecha entre una capacidad disponible y lo que una evaluación demuestra o una organización aprovecha; el sentido depende del contexto.

Clasificación

Tarea en la que un modelo asigna a cada caso una categoría de un conjunto definido de antemano.

Codificación de fuente

Representación de los mensajes de una fuente con códigos que reducen redundancia según el objetivo y las restricciones de reconstrucción.

Complementariedad humano-IA

Situación en la que una persona y un sistema de IA, juntos, obtienen mejor resultado que el mejor de los dos por separado; que los dos juntos rindan más no se puede dar por supuesto.

Conjunto de datos

Colección delimitada de observaciones y variables, acompañada de reglas de procedencia y uso, que puede emplearse para entrenar o evaluar sistemas de IA.

Controlador PID

Controlador de realimentación que combina acciones proporcional, integral y derivativa para corregir el error entre una medida y una consigna.

Convolución

Operación que combina una entrada con un núcleo local y que las redes convolucionales usan para compartir parámetros y detectar patrones espaciales.

Cómputo en inferencia

Presupuesto de operaciones usado mientras un modelo resuelve una solicitud, distinto del entrenamiento y del tamaño del modelo.

Descarga cognitiva

Uso de un recurso externo para reducir el esfuerzo mental de una tarea, trasladando fuera de la cabeza parte del trabajo de recordar, calcular o razonar.

Descenso de gradiente

Algoritmo de optimización que ajusta los parámetros de un modelo moviéndose en la dirección opuesta al gradiente de la función de pérdida.

Diferenciación automática

Familia de técnicas que aplica la regla de la cadena a las operaciones de un programa para calcular derivadas eficientemente.

Divergencia de Jensen-Shannon

Medida simétrica y acotada de la diferencia entre dos distribuciones de probabilidad, derivada de la entropía de Shannon.

Elicitación de capacidades

Esfuerzo sistemático para obtener el mejor rendimiento accesible de un sistema antes de medir sus capacidades.

Entropía cruzada

Medida de la discrepancia entre la distribución predicha por un modelo y la observada, usada como función de pérdida en clasificación.

Entropía de Shannon

Medida de la incertidumbre de una distribución de probabilidad: cuánta información aporta en promedio conocer el resultado.

Espacio latente

Espacio vectorial en el que un modelo sitúa sus representaciones internas, de modo que la proximidad geométrica refleja similitud aprendida.

Esquema de herramientas

Contrato estructurado que declara qué herramientas puede invocar un agente, qué parámetros aceptan y qué resultado devuelven.

Frontera tecnológica dentada

Distribución irregular de tareas en las que una IA ayuda o perjudica, difícil de anticipar por su apariencia.

Función de activación

Función aplicada a la señal de una neurona artificial para introducir no linealidad y controlar su salida.

Función de pérdida

Función que asigna una penalización numérica a las predicciones de un modelo y guía el ajuste de sus parámetros durante el entrenamiento.

Gradiente

Vector de derivadas que indica cómo cambia una función respecto a cada uno de sus parámetros.

IA corporeizada

Rama de la IA que integra percepción, decisión y acción mediante un cuerpo situado en el mundo físico.

IA generativa

Familia de sistemas de IA capaces de producir contenido nuevo, como texto, imágenes, audio, vídeo, código o datos sintéticos.

Inferencia bayesiana

Marco probabilístico que combina información previa y datos observados para actualizar la incertidumbre sobre cantidades o hipótesis.

Inteligencia artificial estrecha

IA orientada a una tarea o conjunto delimitado de tareas, cuyo buen rendimiento no demuestra una capacidad general entre dominios.

Inteligencia artificial general

Concepto hipotético de una IA capaz de aprender y desenvolverse con flexibilidad en múltiples dominios cognitivos.

Mediación algorítmica

Selección, ordenación o transformación automatizada que interviene entre una persona y la información, las opciones o las decisiones que recibe.

Mejora autónoma recursiva

Proceso hipotético en el que un sistema mejora los componentes que determinan su propia capacidad y cada mejora facilita la siguiente.

Model Context Protocol

Protocolo abierto para conectar aplicaciones de IA con herramientas, recursos y servicios mediante una interfaz común.

Modelo fundacional

Modelo entrenado con datos amplios y a gran escala que puede adaptarse a muchas tareas distintas, en lugar de construirse para una sola.

Multimodalidad

Capacidad de un modelo para procesar o generar más de un tipo de dato, como texto, imagen, audio o señales, y relacionarlos entre sí.

Métodos de Monte Carlo

Familia de métodos que usa muestras aleatorias repetidas para estimar cantidades difíciles de calcular directamente.

No determinismo en IA

Variabilidad entre ejecuciones aparentemente iguales, que puede proceder del azar, del muestreo o de operaciones de cómputo no deterministas.

Parámetros de un modelo

Valores numéricos aprendidos durante el entrenamiento que determinan cómo un modelo transforma sus entradas.

Problema del anclaje de símbolos

Problema de explicar cómo los símbolos de un sistema adquieren significado vinculado al mundo y no solo a otros símbolos.

Procesamiento del lenguaje natural

Campo de la IA dedicado al análisis, representación y generación computacional del lenguaje humano.

Proceso de decisión de Markov

Modelo matemático de decisiones sucesivas bajo incertidumbre, con estados, acciones, transiciones y recompensas.

Prueba de Turing

Juego de imitación propuesto por Alan Turing para examinar si un interrogador distingue respuestas escritas de una máquina y de una persona.

Puntuación de silueta

Índice interno que compara la cohesión de cada caso con su separación respecto al grupo alternativo más próximo.

Q-learning

Algoritmo de aprendizaje por refuerzo que estima el valor esperado de cada acción en cada estado sin necesitar un modelo del entorno.

Redes bayesianas

Modelos gráficos que representan variables y sus dependencias condicionales para razonar con probabilidades ante información incompleta.

Reducción de dimensionalidad

Transformación o selección que representa datos con menos variables procurando conservar las propiedades relevantes para el análisis.

Sigmoide

Función logística con forma de S que transforma un valor real en un número entre cero y uno.

Softmax

Función que convierte un vector de puntuaciones en una distribución de probabilidad sobre un conjunto de alternativas, con valores positivos que suman uno.

Superinteligencia

Inteligencia artificial hipotética que superaría de forma amplia y sostenida las capacidades cognitivas humanas en prácticamente todos los dominios relevantes.

Tangente hiperbólica

Función de activación con forma de S y salida entre menos uno y uno, simétrica respecto del origen.

Temperatura de muestreo

Parámetro que reescala las puntuaciones antes del softmax y controla cuánto se concentra la distribución de la que se muestrea el siguiente token.

Teoría de los actos de habla

Marco pragmático que estudia cómo un enunciado puede realizar acciones además de transmitir contenido.

Unidad lineal rectificada

Función de activación que deja pasar los valores positivos sin cambios y devuelve cero para los negativos.

Valor de acción

Retorno esperado al elegir una acción en un estado y continuar después según una política determinada.

Índice de Rand ajustado

Índice corregido por azar que compara dos particiones de los mismos elementos a partir de los pares que agrupan igual o de forma distinta.

Aprendizaje automático 74

Cómo aprende un modelo a partir de datos: enfoques, entrenamiento, ajuste y validación.

Agrupamiento

Familia de técnicas no supervisadas que reparten los casos en grupos según su similitud, sin etiquetas previas.

Aprendizaje activo

Técnica en la que el sistema selecciona qué ejemplos conviene etiquetar para aprovechar mejor un presupuesto limitado de anotación.

Aprendizaje automático

Rama de la IA que desarrolla modelos capaces de aprender patrones a partir de datos para predecir, clasificar o decidir.

Aprendizaje contrafactual

Aprendizaje con datos observacionales para estudiar intervenciones alternativas o aprender políticas de decisión sin ejecutarlas.

Aprendizaje federado

Entrenamiento coordinado de un modelo con datos que permanecen en distintos centros o dispositivos.

Aprendizaje multitarea

Enfoque que entrena conjuntamente varias tareas relacionadas para que compartan representaciones y se aporten información durante el aprendizaje.

Aprendizaje no supervisado

Enfoque de aprendizaje automático que busca estructura en datos sin etiquetas, sin una salida objetivo conocida.

Aprendizaje por refuerzo

Enfoque en el que un agente aprende a decidir mediante la interacción con un entorno, guiado por recompensas asociadas a sus acciones.

Aprendizaje por transferencia

Técnica que reutiliza representaciones o parámetros aprendidos en una tarea para resolver otra tarea relacionada.

Aprendizaje profundo

Subcampo del aprendizaje automático que utiliza redes neuronales con múltiples capas para aprender representaciones complejas.

Aprendizaje semisupervisado

Enfoque que combina una pequeña cantidad de ejemplos etiquetados con datos sin etiquetar para aprender una tarea predictiva.

Aprendizaje supervisado

Enfoque de aprendizaje automático que ajusta un modelo a partir de ejemplos con una salida conocida.

AutoML

Automatización de partes del desarrollo de modelos, como la elección del algoritmo, el preprocesado y el ajuste de hiperparámetros.

Autocodificador

Red neuronal que aprende una representación de los datos al codificarlos y reconstruir después la entrada.

Benchmark de IA

Conjunto definido de tareas, datos, métricas y reglas usado para comparar sistemas de IA en condiciones reproducibles.

Big Data

Datos cuya escala, velocidad, variedad o variabilidad exige formas de almacenamiento y análisis que puedan ampliarse.

Búsqueda de arquitecturas neuronales

Método que explora automáticamente estructuras de redes neuronales y compara su rendimiento bajo un espacio y presupuesto definidos.

Clasificación

Tarea en la que un modelo asigna a cada caso una categoría de un conjunto definido de antemano.

Clúster semántico

Grupo de representaciones vectoriales próximas entre sí que se interpreta como una agrupación de elementos con significado relacionado.

Conjunto de datos

Colección delimitada de observaciones y variables, acompañada de reglas de procedencia y uso, que puede emplearse para entrenar o evaluar sistemas de IA.

Cuantización

Técnica que representa pesos o activaciones con menor precisión numérica para reducir memoria y, si el hardware lo permite, acelerar la inferencia.

Descenso de gradiente

Algoritmo de optimización que ajusta los parámetros de un modelo moviéndose en la dirección opuesta al gradiente de la función de pérdida.

Desplazamiento de centroides

Cambio de posición entre los vectores medios de dos grupos, medido dentro de un mismo espacio de representación.

Diferenciación automática

Familia de técnicas que aplica la regla de la cadena a las operaciones de un programa para calcular derivadas eficientemente.

Divergencia de Jensen-Shannon

Medida simétrica y acotada de la diferencia entre dos distribuciones de probabilidad, derivada de la entropía de Shannon.

Dropout

Técnica de regularización que anula al azar algunas activaciones durante el entrenamiento para reducir el sobreajuste.

Embeddings

Representaciones numéricas densas que sitúan elementos en un espacio vectorial para expresar semejanzas y relaciones aprendidas.

Entropía cruzada

Medida de la discrepancia entre la distribución predicha por un modelo y la observada, usada como función de pérdida en clasificación.

Equidad algorítmica

Conjunto de principios, métricas y métodos para evaluar si un sistema de IA produce decisiones injustamente desfavorables para determinados grupos.

Evaluación fuera de política

Estimación del rendimiento de una política de decisión con datos generados por otra política, sin ejecutarla todavía.

Few-shot learning

Capacidad de resolver una tarea nueva a partir de muy pocos ejemplos, ya sea reentrenando poco o mostrándolos en el propio prompt.

Fine-tuning

Técnica que continúa el entrenamiento de un modelo preentrenado para adaptarlo a una tarea, dominio o comportamiento concreto.

Función de pérdida

Función que asigna una penalización numérica a las predicciones de un modelo y guía el ajuste de sus parámetros durante el entrenamiento.

Gated recurrent unit

Unidad de red recurrente con dos compuertas que regulan cuánto estado previo conserva y cómo incorpora información nueva.

Gobernanza MLOps

Responsabilidades y controles para desarrollar, desplegar, vigilar y retirar modelos de aprendizaje automático de forma trazable.

Gradiente

Vector de derivadas que indica cómo cambia una función respecto a cada uno de sus parámetros.

Gradiente desvanecido

Problema de entrenamiento en el que el gradiente se reduce al propagarse hacia las capas iniciales y estas dejan de aprender.

IA corporeizada

Rama de la IA que integra percepción, decisión y acción mediante un cuerpo situado en el mundo físico.

Inferencia bayesiana

Marco probabilístico que combina información previa y datos observados para actualizar la incertidumbre sobre cantidades o hipótesis.

Inversión de GAN

Búsqueda de un código latente con el que una GAN ya entrenada reconstruya una imagen dada.

K vecinos más cercanos

Método supervisado que predice a partir de las observaciones etiquetadas más próximas según una distancia elegida.

K-medias

Algoritmo de agrupamiento que asigna observaciones a k grupos y actualiza sus centroides para reducir la variación interna.

Long short-term memory

Arquitectura recurrente con estado y compuertas que facilita el aprendizaje de dependencias largas en datos secuenciales.

Manipulación de la recompensa

Fenómeno por el que un sistema optimiza literalmente la métrica que se le dio y encuentra atajos que la satisfacen sin cumplir el objetivo real.

Modelo fundacional

Modelo entrenado con datos amplios y a gran escala que puede adaptarse a muchas tareas distintas, en lugar de construirse para una sola.

Modelos de recompensa

Modelos que aprenden una señal numérica aproximada de calidad o preferencia para ordenar salidas y guiar el entrenamiento de otro sistema.

Métodos de Monte Carlo

Familia de métodos que usa muestras aleatorias repetidas para estimar cantidades difíciles de calcular directamente.

No determinismo en IA

Variabilidad entre ejecuciones aparentemente iguales, que puede proceder del azar, del muestreo o de operaciones de cómputo no deterministas.

Normalización por lotes

Técnica que normaliza activaciones con estadísticas del minilote y aprende después una escala y un desplazamiento.

One-shot learning

Caso de aprendizaje con pocos ejemplos en el que el sistema debe reconocer o resolver una tarea nueva a partir de un único ejemplo por clase.

Parámetros de un modelo

Valores numéricos aprendidos durante el entrenamiento que determinan cómo un modelo transforma sus entradas.

Perceptrón multicapa

Red neuronal de propagación hacia delante formada por capas densamente conectadas y funciones de activación no lineales.

Preentrenamiento

Fase inicial en la que un modelo aprende patrones generales antes de adaptarse a una tarea o dominio concretos.

Proceso de decisión de Markov

Modelo matemático de decisiones sucesivas bajo incertidumbre, con estados, acciones, transiciones y recompensas.

Puntuación de silueta

Índice interno que compara la cohesión de cada caso con su separación respecto al grupo alternativo más próximo.

Q-learning

Algoritmo de aprendizaje por refuerzo que estima el valor esperado de cada acción en cada estado sin necesitar un modelo del entorno.

Red generativa antagónica

Modelo generativo que entrena un generador frente a un discriminador mediante objetivos enfrentados.

Red neuronal convolucional

Red neuronal que aplica filtros locales sobre datos con estructura de cuadrícula, como imágenes, para extraer características de forma jerárquica.

Red neuronal recurrente

Red neuronal cuyas conexiones cíclicas mantienen un estado interno, lo que le permite procesar secuencias y dependencias temporales.

Redes bayesianas

Modelos gráficos que representan variables y sus dependencias condicionales para razonar con probabilidades ante información incompleta.

Redes neuronales artificiales

Modelos computacionales formados por capas de unidades conectadas que aprenden representaciones a partir de datos.

Redes siamesas

Arquitectura formada por dos o más ramas idénticas que comparten pesos y se entrenan para comparar entradas en lugar de clasificarlas.

Reducción de dimensionalidad

Transformación o selección que representa datos con menos variables procurando conservar las propiedades relevantes para el análisis.

Regularización

Conjunto de técnicas que penalizan o restringen la complejidad de un modelo para mejorar su generalización a datos nuevos.

Retropropagación

Algoritmo que calcula gradientes a través de una red neuronal aplicando de forma eficiente la regla de la cadena.

Sobreajuste

Fallo de generalización en el que un modelo se adapta en exceso a los datos de entrenamiento y rinde peor en casos nuevos.

Subajuste

Fallo de aprendizaje en el que un modelo no representa suficientemente la estructura útil de la tarea y rinde mal incluso sobre los datos de entrenamiento.

Swin Transformer

Transformer visual jerárquico que calcula atención local en ventanas desplazadas entre capas.

Validación cruzada

Método de evaluación que alterna subconjuntos de entrenamiento y validación para estimar el rendimiento en datos no usados al ajustar el modelo.

Valor de acción

Retorno esperado al elegir una acción en un estado y continuar después según una política determinada.

Vectorización

Proceso de convertir datos en vectores numéricos que un modelo puede utilizar como entrada.

XGBoost

Sistema de boosting de árboles que construye modelos de forma secuencial y combina sus predicciones para tareas con datos estructurados.

Zero-shot learning

Capacidad de un modelo para abordar clases o tareas que no aparecieron en su entrenamiento, sin recibir ningún ejemplo etiquetado de ellas.

Índice de Rand ajustado

Índice corregido por azar que compara dos particiones de los mismos elementos a partir de los pares que agrupan igual o de forma distinta.

Arquitecturas 31

La forma interna de los modelos: capas, atención, recurrencia, convolución.

Andamiaje de agente

Capa de instrucciones, herramientas y gestión del contexto que configura el comportamiento de un agente alrededor del modelo.

Aprendizaje profundo

Subcampo del aprendizaje automático que utiliza redes neuronales con múltiples capas para aprender representaciones complejas.

Autocodificador

Red neuronal que aprende una representación de los datos al codificarlos y reconstruir después la entrada.

Bidirectional Encoder Representations from Transformers

Modelo de representación del lenguaje basado en transformer que aprende contexto bidireccional mediante preentrenamiento y después se adapta a tareas concretas.

Búsqueda de arquitecturas neuronales

Método que explora automáticamente estructuras de redes neuronales y compara su rendimiento bajo un espacio y presupuesto definidos.

Convolución

Operación que combina una entrada con un núcleo local y que las redes convolucionales usan para compartir parámetros y detectar patrones espaciales.

Cuantización

Técnica que representa pesos o activaciones con menor precisión numérica para reducir memoria y, si el hardware lo permite, acelerar la inferencia.

Función de activación

Función aplicada a la señal de una neurona artificial para introducir no linealidad y controlar su salida.

Gated recurrent unit

Unidad de red recurrente con dos compuertas que regulan cuánto estado previo conserva y cómo incorpora información nueva.

Generative Pre-trained Transformer

Familia de modelos autorregresivos de OpenAI basada en transformer y entrenada previamente para continuar secuencias de tokens.

Gradiente desvanecido

Problema de entrenamiento en el que el gradiente se reduce al propagarse hacia las capas iniciales y estas dejan de aprender.

Inversión de GAN

Búsqueda de un código latente con el que una GAN ya entrenada reconstruya una imagen dada.

Long short-term memory

Arquitectura recurrente con estado y compuertas que facilita el aprendizaje de dependencias largas en datos secuenciales.

Mecanismo de atención

Operación que pondera las distintas partes de una entrada para decidir cuáles influyen más en cada paso del cálculo de un modelo.

Modelo de lenguaje grande

Modelo entrenado con grandes corpus para predecir y generar lenguaje y adaptarse a múltiples tareas textuales.

Multimodalidad

Capacidad de un modelo para procesar o generar más de un tipo de dato, como texto, imagen, audio o señales, y relacionarlos entre sí.

Normalización por lotes

Técnica que normaliza activaciones con estadísticas del minilote y aprende después una escala y un desplazamiento.

Perceptrón multicapa

Red neuronal de propagación hacia delante formada por capas densamente conectadas y funciones de activación no lineales.

Red generativa antagónica

Modelo generativo que entrena un generador frente a un discriminador mediante objetivos enfrentados.

Red neuronal convolucional

Red neuronal que aplica filtros locales sobre datos con estructura de cuadrícula, como imágenes, para extraer características de forma jerárquica.

Red neuronal recurrente

Red neuronal cuyas conexiones cíclicas mantienen un estado interno, lo que le permite procesar secuencias y dependencias temporales.

Redes neuronales artificiales

Modelos computacionales formados por capas de unidades conectadas que aprenden representaciones a partir de datos.

Redes siamesas

Arquitectura formada por dos o más ramas idénticas que comparten pesos y se entrenan para comparar entradas en lugar de clasificarlas.

Retropropagación

Algoritmo que calcula gradientes a través de una red neuronal aplicando de forma eficiente la regla de la cadena.

Sigmoide

Función logística con forma de S que transforma un valor real en un número entre cero y uno.

Sistema multiagente

Sistema distribuido en el que varios agentes interactúan, cooperan o compiten para alcanzar objetivos individuales o compartidos.

Softmax

Función que convierte un vector de puntuaciones en una distribución de probabilidad sobre un conjunto de alternativas, con valores positivos que suman uno.

Swin Transformer

Transformer visual jerárquico que calcula atención local en ventanas desplazadas entre capas.

Tangente hiperbólica

Función de activación con forma de S y salida entre menos uno y uno, simétrica respecto del origen.

Transformer

Arquitectura neuronal basada en mecanismos de atención que procesa relaciones entre elementos de una secuencia.

Unidad lineal rectificada

Función de activación que deja pasar los valores positivos sin cambios y devuelve cero para los negativos.

Modelos de lenguaje 32

Sistemas entrenados sobre texto: qué generan, cómo eligen cada palabra y qué los limita.

En el Atlas visual

Adulación

Tendencia de un modelo a priorizar la aprobación del usuario sobre la exactitud, dándole la razón en lugar de contradecirle.

Algoritmo de decodificación

Procedimiento que elige, paso a paso, qué token emite un modelo de lenguaje a partir de la distribución de probabilidad que calcula.

Alucinación

Respuesta plausible generada por un modelo que contiene información falsa, inventada o no respaldada por la fuente.

Bidirectional Encoder Representations from Transformers

Modelo de representación del lenguaje basado en transformer que aprende contexto bidireccional mediante preentrenamiento y después se adapta a tareas concretas.

Cadena de pensamiento

Técnica de prompting que pide al modelo exponer pasos intermedios antes de la respuesta final, lo que mejora su rendimiento en tareas de razonamiento.

Cómputo en inferencia

Presupuesto de operaciones usado mientras un modelo resuelve una solicitud, distinto del entrenamiento y del tamaño del modelo.

Factualidad

Propiedad medible de un modelo consistente en producir respuestas exactas y verificables, evaluada con bancos de preguntas de respuesta comprobable.

Fecha de corte del conocimiento

Fecha hasta la que llegan los datos con los que se entrenó un modelo; lo posterior no forma parte de lo que aprendió.

Few-shot learning

Capacidad de resolver una tarea nueva a partir de muy pocos ejemplos, ya sea reentrenando poco o mostrándolos en el propio prompt.

Fine-tuning

Técnica que continúa el entrenamiento de un modelo preentrenado para adaptarlo a una tarea, dominio o comportamiento concreto.

Fundamentación

Vinculación de una respuesta de IA con datos, documentos o herramientas externos que permiten rastrear y comprobar su apoyo.

Generación aumentada por recuperación

Enfoque que combina recuperación de información externa con generación para producir respuestas fundamentadas en fuentes seleccionadas.

Generative Pre-trained Transformer

Familia de modelos autorregresivos de OpenAI basada en transformer y entrenada previamente para continuar secuencias de tokens.

IA generativa

Familia de sistemas de IA capaces de producir contenido nuevo, como texto, imágenes, audio, vídeo, código o datos sintéticos.

Ingeniería de contexto

Diseño y mantenimiento de toda la información que entra en la ventana de contexto de un modelo en cada llamada, no solo de las instrucciones.

Memoria persistente

Capacidad de un sistema de IA para retener y reutilizar información del usuario más allá de una conversación, construyendo un perfil que persiste entre sesiones.

Modelado de lenguaje enmascarado

Objetivo de preentrenamiento que oculta algunos tokens y entrena al modelo para reconstruirlos a partir del contexto disponible a ambos lados.

Modelo de lenguaje grande

Modelo entrenado con grandes corpus para predecir y generar lenguaje y adaptarse a múltiples tareas textuales.

Muestreo top-k

Estrategia de generación que restringe la elección del siguiente token a los k más probables y muestrea solo entre ellos.

Muestreo top-p

Estrategia de generación que restringe la elección al conjunto más pequeño de tokens cuya probabilidad acumulada alcanza un umbral p.

One-shot learning

Caso de aprendizaje con pocos ejemplos en el que el sistema debe reconocer o resolver una tarea nueva a partir de un único ejemplo por clase.

Predicción de la frase siguiente

Objetivo usado en BERT para decidir si un segundo fragmento seguía realmente al primero en el corpus de preentrenamiento.

Preentrenamiento

Fase inicial en la que un modelo aprende patrones generales antes de adaptarse a una tarea o dominio concretos.

Prompt de sistema

Conjunto de instrucciones de alta prioridad que orienta el papel, los límites y el comportamiento de un modelo de lenguaje.

Prompting

Técnica de guiar el comportamiento de un modelo de lenguaje mediante las instrucciones, preguntas o ejemplos que se le presentan.

Prompting analógico

Técnica de prompting que pide al modelo generar ejemplos análogos antes de resolver la tarea planteada.

Temperatura de muestreo

Parámetro que reescala las puntuaciones antes del softmax y controla cuánto se concentra la distribución de la que se muestrea el siguiente token.

Tokenización

Proceso que divide un texto en las unidades discretas —tokens— con las que un modelo de lenguaje representa, procesa y genera.

Transformer

Arquitectura neuronal basada en mecanismos de atención que procesa relaciones entre elementos de una secuencia.

Vectores de activación

Direcciones calculadas a partir de activaciones internas que se añaden durante la inferencia para estudiar o modificar una conducta del modelo.

Ventana de contexto

Cantidad máxima de texto, medida en tokens, que un modelo de lenguaje puede tener en cuenta en una sola llamada.

Zero-shot learning

Capacidad de un modelo para abordar clases o tareas que no aparecieron en su entrenamiento, sin recibir ningún ejemplo etiquetado de ellas.

Procesamiento del lenguaje 19

Del texto al número: tokenización, representación y análisis del lenguaje.

Algoritmo de decodificación

Procedimiento que elige, paso a paso, qué token emite un modelo de lenguaje a partir de la distribución de probabilidad que calcula.

Cadena de pensamiento

Técnica de prompting que pide al modelo exponer pasos intermedios antes de la respuesta final, lo que mejora su rendimiento en tareas de razonamiento.

Clúster semántico

Grupo de representaciones vectoriales próximas entre sí que se interpreta como una agrupación de elementos con significado relacionado.

Desplazamiento de centroides

Cambio de posición entre los vectores medios de dos grupos, medido dentro de un mismo espacio de representación.

Embeddings

Representaciones numéricas densas que sitúan elementos en un espacio vectorial para expresar semejanzas y relaciones aprendidas.

Espacio latente

Espacio vectorial en el que un modelo sitúa sus representaciones internas, de modo que la proximidad geométrica refleja similitud aprendida.

Generative Pre-trained Transformer

Familia de modelos autorregresivos de OpenAI basada en transformer y entrenada previamente para continuar secuencias de tokens.

Mecanismo de atención

Operación que pondera las distintas partes de una entrada para decidir cuáles influyen más en cada paso del cálculo de un modelo.

Modelado de lenguaje enmascarado

Objetivo de preentrenamiento que oculta algunos tokens y entrena al modelo para reconstruirlos a partir del contexto disponible a ambos lados.

Muestreo top-k

Estrategia de generación que restringe la elección del siguiente token a los k más probables y muestrea solo entre ellos.

Muestreo top-p

Estrategia de generación que restringe la elección al conjunto más pequeño de tokens cuya probabilidad acumulada alcanza un umbral p.

Predicción de la frase siguiente

Objetivo usado en BERT para decidir si un segundo fragmento seguía realmente al primero en el corpus de preentrenamiento.

Problema del anclaje de símbolos

Problema de explicar cómo los símbolos de un sistema adquieren significado vinculado al mundo y no solo a otros símbolos.

Procesamiento del lenguaje natural

Campo de la IA dedicado al análisis, representación y generación computacional del lenguaje humano.

Prompting

Técnica de guiar el comportamiento de un modelo de lenguaje mediante las instrucciones, preguntas o ejemplos que se le presentan.

Prompting analógico

Técnica de prompting que pide al modelo generar ejemplos análogos antes de resolver la tarea planteada.

Teoría de los actos de habla

Marco pragmático que estudia cómo un enunciado puede realizar acciones además de transmitir contenido.

Tokenización

Proceso que divide un texto en las unidades discretas —tokens— con las que un modelo de lenguaje representa, procesa y genera.

Vectorización

Proceso de convertir datos en vectores numéricos que un modelo puede utilizar como entrada.

Recuperación de información 4

Buscar antes de responder: cómo se localizan, se seleccionan y se citan las fuentes.

Embeddings

Representaciones numéricas densas que sitúan elementos en un espacio vectorial para expresar semejanzas y relaciones aprendidas.

Fundamentación

Vinculación de una respuesta de IA con datos, documentos o herramientas externos que permiten rastrear y comprobar su apoyo.

Generación aumentada por recuperación

Enfoque que combina recuperación de información externa con generación para producir respuestas fundamentadas en fuentes seleccionadas.

Vectorización

Proceso de convertir datos en vectores numéricos que un modelo puede utilizar como entrada.

Seguridad y riesgos 32

Lo que puede fallar y a quién afecta: errores, ataques, dependencia y pérdida de control.

En el Atlas visual

Adulación

Tendencia de un modelo a priorizar la aprobación del usuario sobre la exactitud, dándole la razón en lugar de contradecirle.

Alineación

Problema de conseguir que el comportamiento de un sistema de IA se corresponda con los objetivos, instrucciones y valores que sus diseñadores y usuarios pretenden, y no solo con lo que la métrica de entrenamiento premia de forma literal.

Alucinación

Respuesta plausible generada por un modelo que contiene información falsa, inventada o no respaldada por la fuente.

Automatización del trabajo cognitivo

Proceso mediante el cual sistemas de IA descomponen, capturan métricas sobre, sustituyen parcialmente y reorganizan tareas que antes requerían juicio experto humano.

Capability overhang

Brecha entre una capacidad disponible y lo que una evaluación demuestra o una organización aprovecha; el sentido depende del contexto.

Complementariedad humano-IA

Situación en la que una persona y un sistema de IA, juntos, obtienen mejor resultado que el mejor de los dos por separado; que los dos juntos rindan más no se puede dar por supuesto.

Confianza calibrada

Ajuste entre cuánto se fía una persona de un sistema automatizado y lo que ese sistema puede hacer de verdad en una tarea concreta, que evita tanto fiarse de más como fiarse de menos.

Descarga cognitiva

Uso de un recurso externo para reducir el esfuerzo mental de una tarea, trasladando fuera de la cabeza parte del trabajo de recordar, calcular o razonar.

Deskilling

Pérdida de una destreza ya adquirida cuando una tarea se delega de forma sostenida en un sistema automatizado y se deja de practicar; no llegar a adquirirla es un riesgo distinto.

Elicitación de capacidades

Esfuerzo sistemático para obtener el mejor rendimiento accesible de un sistema antes de medir sus capacidades.

Evaluación fuera de política

Estimación del rendimiento de una política de decisión con datos generados por otra política, sin ejecutarla todavía.

Explicabilidad

Propiedad y conjunto de métodos orientados a hacer comprensibles las salidas o el comportamiento de un sistema de IA.

Factualidad

Propiedad medible de un modelo consistente en producir respuestas exactas y verificables, evaluada con bancos de preguntas de respuesta comprobable.

Fatiga agéntica humana

Constructo operativo que describe la sobrecarga cognitiva y atencional asociada a dirigir y verificar sistemas de IA semiautónomos conservando la responsabilidad sobre sus resultados.

Fecha de corte del conocimiento

Fecha hasta la que llegan los datos con los que se entrenó un modelo; lo posterior no forma parte de lo que aprendió.

Frontera tecnológica dentada

Distribución irregular de tareas en las que una IA ayuda o perjudica, difícil de anticipar por su apariencia.

Fundamentación

Vinculación de una respuesta de IA con datos, documentos o herramientas externos que permiten rastrear y comprobar su apoyo.

Inyección de prompts

Ataque que introduce instrucciones maliciosas para alterar el comportamiento previsto de un modelo o de una aplicación basada en él.

Manipulación de la recompensa

Fenómeno por el que un sistema optimiza literalmente la métrica que se le dio y encuentra atajos que la satisfacen sin cumplir el objetivo real.

Mediación algorítmica

Selección, ordenación o transformación automatizada que interviene entre una persona y la información, las opciones o las decisiones que recibe.

Mejora autónoma recursiva

Proceso hipotético en el que un sistema mejora los componentes que determinan su propia capacidad y cada mejora facilita la siguiente.

Modelo local

Modelo ejecutado en infraestructura controlada por la persona u organización que lo utiliza, en lugar de depender de una API externa.

Modelos de recompensa

Modelos que aprenden una señal numérica aproximada de calidad o preferencia para ordenar salidas y guiar el entrenamiento de otro sistema.

No determinismo en IA

Variabilidad entre ejecuciones aparentemente iguales, que puede proceder del azar, del muestreo o de operaciones de cómputo no deterministas.

Problema del ritmo

Desfase entre la velocidad a la que se despliega una tecnología y la de la evidencia, las normas y las prácticas que deberían gobernar su uso.

Prompt de sistema

Conjunto de instrucciones de alta prioridad que orienta el papel, los límites y el comportamiento de un modelo de lenguaje.

Reglamento de Inteligencia Artificial de la Unión Europea

Marco jurídico de la Unión Europea que regula los sistemas de inteligencia artificial según sus riesgos, usos y actores responsables.

Sesgo algorítmico

Patrón sistemático por el que un sistema produce resultados injustos, distorsionados o desiguales para determinados grupos o situaciones.

Sesgo de automatización

Tendencia a aceptar una recomendación automatizada con comprobación insuficiente o a ignorar información que la contradice.

Sobreajuste

Fallo de generalización en el que un modelo se adapta en exceso a los datos de entrenamiento y rinde peor en casos nuevos.

Subajuste

Fallo de aprendizaje en el que un modelo no representa suficientemente la estructura útil de la tarea y rinde mal incluso sobre los datos de entrenamiento.

Vectores de activación

Direcciones calculadas a partir de activaciones internas que se añaden durante la inferencia para estudiar o modificar una conducta del modelo.

Ética y gobernanza 22

Reglas, responsabilidad y equidad: quién responde de lo que decide un sistema.

En el Atlas visual

El problema del ritmo

Adulación

Tendencia de un modelo a priorizar la aprobación del usuario sobre la exactitud, dándole la razón en lugar de contradecirle.

Alfabetización en IA

Capacidades, conocimientos y comprensión que permiten usar la IA con criterio: saber qué puede y qué no puede hacer, comprobar lo que da y conocer sus riesgos.

Alineación

Aprendizaje federado

Entrenamiento coordinado de un modelo con datos que permanecen en distintos centros o dispositivos.

Confianza calibrada

Ajuste entre cuánto se fía una persona de un sistema automatizado y lo que ese sistema puede hacer de verdad en una tarea concreta, que evita tanto fiarse de más como fiarse de menos.

Equidad algorítmica

Conjunto de principios, métricas y métodos para evaluar si un sistema de IA produce decisiones injustamente desfavorables para determinados grupos.

Explicabilidad

Propiedad y conjunto de métodos orientados a hacer comprensibles las salidas o el comportamiento de un sistema de IA.

Fatiga agéntica humana

Constructo operativo que describe la sobrecarga cognitiva y atencional asociada a dirigir y verificar sistemas de IA semiautónomos conservando la responsabilidad sobre sus resultados.

Gobernanza MLOps

Responsabilidades y controles para desarrollar, desplegar, vigilar y retirar modelos de aprendizaje automático de forma trazable.

Inteligencia artificial general

Concepto hipotético de una IA capaz de aprender y desenvolverse con flexibilidad en múltiples dominios cognitivos.

Manipulación de la recompensa

Fenómeno por el que un sistema optimiza literalmente la métrica que se le dio y encuentra atajos que la satisfacen sin cumplir el objetivo real.

Mediación algorítmica

Selección, ordenación o transformación automatizada que interviene entre una persona y la información, las opciones o las decisiones que recibe.

Memoria persistente

Capacidad de un sistema de IA para retener y reutilizar información del usuario más allá de una conversación, construyendo un perfil que persiste entre sesiones.

Modelo local

Modelo ejecutado en infraestructura controlada por la persona u organización que lo utiliza, en lugar de depender de una API externa.

Problema del ritmo

Desfase entre la velocidad a la que se despliega una tecnología y la de la evidencia, las normas y las prácticas que deberían gobernar su uso.

Reglamento de Inteligencia Artificial de la Unión Europea

Marco jurídico de la Unión Europea que regula los sistemas de inteligencia artificial según sus riesgos, usos y actores responsables.

Sesgo algorítmico

Patrón sistemático por el que un sistema produce resultados injustos, distorsionados o desiguales para determinados grupos o situaciones.

Sesgo de automatización

Tendencia a aceptar una recomendación automatizada con comprobación insuficiente o a ignorar información que la contradice.

Superinteligencia

Inteligencia artificial hipotética que superaría de forma amplia y sostenida las capacidades cognitivas humanas en prácticamente todos los dominios relevantes.

Supervisión humana

Capacidad efectiva de una persona para vigilar un sistema de IA, interpretar sus resultados, apartarse de ellos y detenerlo si hace falta.

Teoría de los actos de habla

Marco pragmático que estudia cómo un enunciado puede realizar acciones además de transmitir contenido.

Trabajo fantasma

Labor humana no reconocida o sistemáticamente invisible que sostiene el funcionamiento de sistemas de IA presentados como autónomos.

IA agéntica 16

Sistemas que actúan: herramientas, protocolos, coordinación y supervisión humana.

En el Atlas visual