IA y Aprendizaje Automático
59 términos de IA y Aprendizaje Automático explicados con claridad, y cómo GAIA pone cada uno a trabajar.
Agente de IA
Un agente de IA es un sistema de software autónomo que percibe su entorno, razona sobre qué hacer y realiza acciones para alcanzar objetivos específicos sin supervisión humana continua.
IA agéntica
La IA agéntica describe sistemas de inteligencia artificial diseñados para operar de forma autónoma, tomando decisiones y ejecutando tareas de varios pasos con una supervisión humana mínima.
IA proactiva
La IA proactiva es la que actúa antes de que se lo pidas: vigila eventos (un correo nuevo, una reunión próxima, una fecha límite), decide cuándo algo necesita atención y empieza el trabajo o te avisa por su cuenta. La IA reactiva es lo contrario: no hace nada hasta que le envías una instrucción o un comando, y entonces responde.
Memoria basada en gráficos
La memoria basada en gráficos es una arquitectura de memoria de IA que almacena información como nodos y relaciones interconectados, permitiendo una comprensión contextual amplia y conocimiento persistente a lo largo de las interacciones.
Búsqueda semántica
La búsqueda semántica es una técnica de búsqueda que comprende el significado y la intención detrás de una consulta, mostrando resultados según la relevancia conceptual y no sólo coincidencias exactas de palabras clave.
Modelo de Lenguaje Grande (LLM)
Un Modelo de Lenguaje Grande (LLM) es un modelo de inteligencia artificial entrenado con grandes cantidades de datos de texto capaz de comprender, generar y razonar sobre el lenguaje humano con notable fluidez.
Conciencia de contexto
La conciencia de contexto en la IA es la capacidad de comprender toda la situación que rodea una tarea o una interacción, incluyendo quién está involucrado, qué ha ocurrido antes, proyectos relacionados, fechas límite y las preferencias y patrones del usuario.
Orquestación de IA
La orquestación de IA es la coordinación de varios agentes, modelos y herramientas de IA para trabajar conjuntamente en la realización de tareas complejas y con múltiples pasos que ningún componente podría manejar por sí solo.
Transformer
Un transformer es una arquitectura de red neuronal introducida en 2017 que utiliza mecanismos de autoatención para procesar secuencias de datos en paralelo, formando la base de todos los modelos de lenguaje grande modernos.
Ajuste fino
El ajuste fino es el proceso de tomar un modelo de IA preentrenado y continuar su entrenamiento con un conjunto de datos más pequeño y específico para adaptar su comportamiento a un dominio o aplicación particular.
Embeddings
Los embeddings son representaciones densas en vectores numéricos de datos, como texto, imágenes o audio, que capturan significado semántico y relaciones en un espacio de alta dimensión.
Base de datos vectorial
Una base de datos vectorial es un sistema de base de datos diseñado para almacenar, indexar y consultar embeddings vectoriales de alta dimensión a gran escala, permitiendo búsquedas de similitud rápidas en grandes colecciones de datos embebidos.
Generación Aumentada por Recuperación (RAG)
La Generación Aumentada por Recuperación (RAG) es una técnica que mejora las respuestas de LLM recuperando primero documentos o datos relevantes de una base de conocimiento externa e inyectando ese contexto en el prompt del modelo.
Ingeniería de prompts
La ingeniería de prompts es la práctica de diseñar y refinar entradas para los modelos de lenguaje de IA, a fin de provocar de manera confiable salidas deseadas, moldeando el comportamiento del modelo sin modificar sus parámetros subyacentes.
Zero-Shot Learning
El zero-shot learning es la capacidad de un modelo de IA para realizar tareas para las que nunca fue entrenado explícitamente, confiando en conocimientos generales y razonamiento en lugar de ejemplos específicos de la tarea.
Aprendizaje Few-Shot
El aprendizaje few-shot es la capacidad de un modelo de IA para adaptarse a una nueva tarea o formato de salida a partir de solo unos pocos ejemplos de entrada y salida proporcionados en el prompt, sin necesidad de ajustar los pesos.
Razonamiento en cadena
El razonamiento en cadena (Chain-of-Thought, CoT) es una técnica de prompting que instruye a un modelo de IA a articular sus pasos intermedios de razonamiento antes de dar una respuesta final, mejorando significativamente la precisión en problemas complejos de varios pasos.
Alucinación
La alucinación en IA es el fenómeno en el que un modelo de lenguaje genera información que suena confiable pero que es incorrecta, fabricada o carente de sentido y que no está respaldada por los datos de entrada o de entrenamiento.
Tokenización
La tokenización es el proceso de dividir el texto en unidades más pequeñas llamadas tokens, que sirven como las unidades básicas de entrada para los modelos de lenguaje. Los tokens suelen representar fragmentos de palabras, palabras enteras o signos de puntuación.
Ventana de contexto
La ventana de contexto es la cantidad máxima de tokens que un modelo de lenguaje puede procesar en una única inferencia, abarcando el prompt del sistema, el historial de conversación, los documentos recuperados y la salida generada.
Red neuronal
Una red neuronal es un modelo computacional inspirado en los sistemas neuronales biológicos, compuesto por capas interconectadas de nodos que aprenden a transformar datos de entrada en salidas ajustando los pesos de las conexiones durante el entrenamiento.
Procesamiento de Lenguaje Natural (PLN)
El Procesamiento de Lenguaje Natural (PLN) es una rama de la inteligencia artificial que se centra en permitir que los ordenadores comprendan, interpreten, generen y respondan al lenguaje humano de forma significativa.
IA multimodal
La IA multimodal se refiere a sistemas de inteligencia artificial capaces de procesar y generar múltiples tipos de datos, como texto, imágenes, audio y video, dentro de un solo modelo o flujo integrado.
Modelo fundacional
Un modelo fundacional es un gran modelo de IA entrenado a escala con datos amplios que puede adaptarse a una amplia variedad de tareas mediante ajuste fino, indicaciones o integración en arquitecturas de aplicaciones.
Inferencia
La inferencia es el proceso de ejecutar un modelo de IA entrenado sobre nuevos datos de entrada para generar predicciones, respuestas o decisiones, en contraste con el entrenamiento, que es el proceso de construir el modelo a partir de los datos.
Alineación de IA
La alineación de IA es el campo de investigación e ingeniería enfocado en asegurar que los sistemas de IA persiguen objetivos que son beneficiosos, seguros y coherentes con los valores e intenciones humanas, incluso a medida que se vuelven más capaces y autónomos.
Uso de herramientas
El uso de herramientas es la capacidad de los agentes de IA para invocar funciones externas, APIs, bases de datos y servicios para recuperar información o realizar acciones en el mundo real, más allá de solo generar texto.
Llamado de funciones
El llamado de funciones es una característica de los modelos de IA que les permite generar invocaciones estructuradas y legibles por máquina de funciones predefinidas, permitiendo a los sistemas de IA llamar APIs y herramientas externas con los argumentos correctos de manera fiable.
Agente autónomo
Un agente autónomo es un programa de inteligencia artificial que recibe un objetivo y lo persigue por su cuenta: decide qué pasos dar, usa herramientas (buscar en la web, leer el correo, llamar a una API, escribir código), revisa el resultado de cada paso y continúa hasta terminar, sin que una persona le indique cada acción. Los agentes autónomos de IA actuales usan un modelo de lenguaje grande (LLM) como núcleo que planifica y elige la siguiente acción.
Orquestación
La orquestación en IA se refiere a la coordinación sistemática de múltiples agentes, modelos, herramientas y fuentes de datos para ejecutar tareas complejas de varios pasos, gestionando dependencias, estados y manejo de errores.
Memoria del agente
La memoria de un agente de IA es su capacidad de guardar, recuperar y usar información de interacciones, observaciones y acciones pasadas para orientar lo que hace después. Cuando esa información sobrevive al final de la conversación y sigue disponible en sesiones futuras, se habla de memoria persistente: el agente recuerda tus preferencias, tus proyectos y lo que ya le contaste sin que tengas que repetirlo.
Temperatura (IA)
La temperatura es un parámetro en la inferencia de modelos de lenguaje que controla la aleatoriedad en la selección de tokens: temperaturas más altas producen resultados más variados y creativos, mientras que temperaturas bajas generan respuestas más consistentes y deterministas.
Mensaje del sistema
Un mensaje del sistema es un conjunto de instrucciones proporcionadas a un modelo de lenguaje al comienzo de una sesión que define su personalidad, restricciones, tono y pautas de comportamiento antes de que comience cualquier interacción con el usuario.
Salida estructurada
La salida estructurada es una técnica que restringe a un LLM a responder en un formato predefinido — generalemente JSON o XML — permitiendo el análisis programático fiable de las respuestas del modelo en lugar de texto libre.
Barreras de seguridad
Las barreras de seguridad son restricciones aplicadas a los sistemas de IA que limitan, filtran o redirigen las salidas del modelo para prevenir comportamientos dañinos, incorrectos o no deseados, permitiendo al mismo tiempo un uso beneficioso.
Bucle de agente
Un bucle de agente es el ciclo de ejecución iterativo de un agente de IA en el que razona sobre el estado actual, selecciona y ejecuta una acción (a menudo llamando a una herramienta), observa el resultado y repite hasta completar la tarea o alcanzar una condición de parada.
Agente Supervisor
Un agente supervisor es el agente de IA que dirige un sistema multiagente. Recibe la petición, la divide en subtareas, entrega cada una a un agente trabajador especializado (un subagente) con las herramientas adecuadas, revisa lo que vuelve y combina los resultados en una sola respuesta. Los trabajadores ejecutan; el supervisor decide quién hace qué y cuándo está terminado el trabajo.
Subagente
Un subagente es un agente de IA que otro agente pone en marcha para ocuparse de una parte de una tarea más grande. El agente principal (a menudo llamado supervisor u orquestador) le da una tarea por escrito, un conjunto acotado de herramientas y un contexto nuevo propio; el subagente trabaja en esa parte de forma independiente y devuelve solo su resultado. Repartir el trabajo así permite ejecutar varios subagentes en paralelo y mantiene limpio el contexto del agente principal.
Agentes en paralelo
Los agentes en paralelo son varios agentes de IA que ejecutan tareas independientemente de forma concurrente, combinando sus resultados para completar flujos de trabajo complejos más rápido que el procesamiento secuencial de un solo agente.
Estado del agente
El estado del agente es la información estructurada que un agente de IA mantiene durante la ejecución de una tarea, registrando lo que se ha hecho, lo que se ha aprendido y los pasos que quedan por realizar; permitiendo el razonamiento en múltiples fases sin repetir trabajo.
Encadenamiento de prompts
El encadenamiento de prompts es una técnica en la que la salida de un prompt de LLM se utiliza como entrada para el siguiente, creando una secuencia de llamadas conectadas que, en conjunto, logran una tarea compleja que un solo prompt no podría realizar de forma fiable.
Enrutamiento semántico
El enrutamiento semántico consiste en clasificar la entrada del usuario según su significado e intención para dirigirla al agente, manejador o estrategia de respuesta apropiada, lo que permite que una sola interfaz de IA gestione inteligentemente diversos tipos de solicitudes.
LLM local
Un LLM local es un modelo de lenguaje grande que se ejecuta completamente en tu propio hardware — ya sea un portátil, estación de trabajo o servidor autohospedado — sin enviar datos a proveedores externos de APIs.
Aprendizaje por transferencia
El aprendizaje por transferencia en IA es una técnica en la que un modelo entrenado para una tarea reutiliza lo que aprendió como punto de partida para otra tarea distinta pero relacionada, en lugar de entrenarse desde cero. Es lo que hace viables los grandes modelos de lenguaje: se preentrenan una vez con enormes cantidades de texto y luego se adaptan al chat, a la programación o a un dominio concreto con una pequeña parte de los datos y del cómputo.
Aprendizaje por refuerzo
El aprendizaje por refuerzo (RL) es un paradigma de aprendizaje automático en el que un agente aprende a tomar decisiones mediante señales de recompensa por acciones que logran resultados deseados y señales de penalización por acciones indeseadas.
Reconocimiento de intención
El reconocimiento de intención es el proceso mediante el cual un sistema de IA identifica el objetivo o propósito subyacente al input del usuario, lo que le permite seleccionar la respuesta o acción adecuada en vez de responder solo a la frase superficial.
Extracción de entidades
La extracción de entidades es el proceso de PLN que consiste en identificar y clasificar piezas específicas de información —como personas, organizaciones, fechas, ubicaciones y tareas— dentro de texto no estructurado.
Reconocimiento de Entidades Nombradas (NER)
El reconocimiento de entidades nombradas (NER) es una tarea de procesamiento de lenguaje natural que identifica y clasifica entidades nombradas en un texto en categorías predefinidas como personas, organizaciones, ubicaciones, fechas y entidades específicas del dominio.
Análisis de sentimiento
El análisis de sentimiento es el uso del procesamiento del lenguaje natural (PLN) y la IA para identificar el tono emocional de un texto y etiquetarlo, normalmente como positivo, negativo o neutro, a veces con una puntuación de la intensidad de ese sentimiento o con una etiqueta más fina como frustrado, entusiasmado o urgente.
Reconocimiento de voz a texto
El reconocimiento de voz a texto (speech-to-text, STT), también llamado reconocimiento automático del habla (ASR), es la tecnología de IA que convierte el audio hablado en texto escrito: tú hablas y el software escribe lo que dijiste. Está detrás del dictado en el móvil, los subtítulos en directo, los asistentes de voz y los chatbots de voz, y es el primer paso cada vez que un sistema de IA necesita entender el habla.
Texto a voz
Texto a voz (TTS) es la tecnología que convierte texto escrito en audio hablado sintetizado, permitiendo que computadoras y sistemas de IA se comuniquen verbalmente usando voces naturales.
Arquitectura cognitiva
La arquitectura cognitiva en IA es el marco estructural que define cómo un agente inteligente percibe su entorno, procesa información, almacena y recupera conocimientos, toma decisiones y ejecuta acciones.
IA Aumentada con Memoria
La IA aumentada con memoria es una arquitectura de inteligencia artificial que amplía las capacidades de un modelo de lenguaje conectándolo a sistemas de memoria externa persistente, permitiendo que el agente recuerde y recupere información más allá de los límites de una sola ventana de contexto.
Modelo de razonamiento
Un modelo de razonamiento es un modelo de lenguaje de IA especialmente optimizado para analizar problemas paso a paso usando una deliberación interna extendida antes de producir una respuesta final, logrando mayor precisión en tareas de razonamiento complejas.
Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF)
El Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF) es una técnica de aprendizaje automático que entrena modelos de IA para producir resultados preferidos por las personas, aprendiendo a partir de clasificaciones o valoraciones proporcionadas por humanos en lugar de solo datos brutos.
IA Constitucional
La IA Constitucional (CAI) es una metodología de entrenamiento desarrollada por Anthropic que alinea los modelos de IA con los valores humanos permitiendo que la propia IA evalúe y revise sus resultados conforme a un conjunto escrito de principios — una "constitución" — en lugar de depender exclusivamente de datos etiquetados manualmente sobre preferencias humanas.
Token
En inteligencia artificial, un token es el trozo de texto más pequeño que un modelo de lenguaje lee y escribe: puede ser una palabra corta, parte de una palabra, un signo de puntuación o un espacio. Los modelos como ChatGPT, Claude o Gemini no ven letras ni palabras, sino secuencias de tokens; en inglés un token equivale de media a unos 4 caracteres (unas tres cuartas partes de una palabra) y en español suele cubrir algo menos. Los tokens miden cuánto texto cabe en la ventana de contexto de un modelo y cuánto cuesta usarlo.
Chatbot vs asistente de IA
Un chatbot es un software que conversa contigo: responde preguntas en una ventana de chat con reglas programadas o con un modelo de lenguaje. La diferencia entre un chatbot y un asistente de IA es la acción. Un chatbot responde; un asistente de IA (a menudo llamado asistente virtual o digital) también hace el trabajo, como enviar el correo, reservar la reunión o crear la tarea, en las herramientas que ya usas.
Asistente de IA vs. agente de IA
Un asistente de IA es una IA que ayuda a una persona cuando esta se lo pide: tú preguntas, responde o hace la tarea, y tú sigues al mando. Un agente de IA es una IA a la que se le da un objetivo y trabaja por su cuenta para alcanzarlo, decidiendo qué pasos dar y qué herramientas usar por el camino. Hoy, la mayoría de los asistentes de IA más capaces funcionan con agentes por debajo.
