Glosario de Inteligencia Artificial Generativa

1. Conceptos Fundamentales

Inteligencia Artificial (IA) Generativa

Rama de la IA que se centra en crear contenido nuevo y original (texto, imágenes, audio o vídeo) a partir de patrones aprendidos de datos existentes.

LLM (Large Language Model)

Modelo de lenguaje de gran escala entrenado con enormes cantidades de datos textuales, capaz de comprender y generar texto de manera similar a los humanos.

Tokens

Unidades básicas de texto (por ejemplo, palabras o fragmentos de palabras) en las que se divide el texto de entrada para que los modelos de lenguaje puedan procesarlo.

Embeddings

Representaciones numéricas de datos textuales que capturan el significado y contexto de palabras o frases, permitiendo a los modelos de IA procesar y entender mejor el lenguaje natural.

Contexto (en conversación)

Información previa o historial de una conversación que ayuda al modelo a mantener coherencia y relevancia en sus respuestas, incluyendo mensajes anteriores y cualquier información adicional proporcionada.

2. Modelos y Proveedores

Modelo

Algoritmo de IA entrenado con un conjunto de datos para realizar una tarea específica (por ejemplo, generar texto o imágenes). Pueden existir distintas versiones o nombres, como GPT-4.0, Gemini-1.5-pro o Claude-3-5-sonnet.

Claude

Asistente de IA creado por Anthropic, diseñado para proporcionar respuestas útiles y seguras, minimizando respuestas dañinas o sesgadas.

GPT (Generative Pre-trained Transformer)

Modelo de lenguaje desarrollado por Openai capaz de generar texto coherente y mantener conversaciones naturales con los usuarios en una variedad de temas.

Gemini

Modelo de IA multimodal desarrollado por Google, capaz de procesar y generar múltiples tipos de contenido, como texto e imágenes.

Proveedor

Compañía u organización que desarrolla y ofrece modelos de IA fundacionales (OpenAI, Anthropic, Google, Deepseek, Mistral, entre otras).

3. Técnicas y Metodologías

Prompt Engineering

Proceso de diseñar y optimizar prompts (instrucciones o preguntas) para obtener resultados más precisos y relevantes de los modelos de lenguaje.

Chain of Thought

Técnica de prompting que guía al modelo a través de una serie de pasos lógicos para resolver problemas complejos, ayudando a que razone de forma más transparente.

Zero-shot Prompting

Pedir al modelo que realice una tarea sin proporcionarle ejemplos previos de cómo hacerlo.

One-shot Prompting

Proporcionar un único ejemplo al modelo para mostrarle cómo debe completar una tarea.

Few-shot Prompting

Brindar al modelo varios ejemplos que ilustren una tarea, orientando así su forma de responder.

Iteración

Proceso de mejora continua mediante ajustes y refinamientos sucesivos basados en resultados anteriores.

RAG (Retrieval Augmented Generation)

Técnica que combina la generación de texto con la recuperación de información relevante de fuentes externas para mejorar la precisión de las respuestas.

Grounding

Proceso de anclar las respuestas de un modelo con información del mundo real, asegurando una mayor exactitud y relevancia.

4. Herramientas y Capacidades

Multi-modal

Capacidad de los modelos para procesar y generar simultáneamente varios tipos de datos (texto, imágenes, audio, vídeo).

Herramientas

Funciones o servicios externos a los que los modelos pueden acceder (por ejemplo, bases de datos, APIs, motores de búsqueda).

Knowledge Base Assistant

Herramienta para crear asistentes de IA personalizados con documentos y datos específicos de una empresa.

Bases de Conocimiento

Repositorios organizados de información que los sistemas de IA utilizan para mejorar la exactitud y pertinencia de sus respuestas.

Generación de Imágenes

Capacidad de producir imágenes originales a partir de descripciones textuales.

Agentes

Sistemas de IA autónomos que pueden realizar acciones y tomar decisiones basadas en objetivos y en su entorno.

Asistentes

Interfaces de IA que ayudan a los usuarios con tareas específicas mediante la comprensión y generación de lenguaje natural, a menudo con acceso a herramientas o servicios externos.

5. Evaluación y Calidad

Evaluación Humana

Proceso en el que personas revisan y valoran la calidad de las respuestas o acciones de un modelo de IA.

Human in the Loop (HITL)

Estrategia que incorpora supervisión y retroalimentación humana durante el funcionamiento de la IA para validar y mejorar sus respuestas.

Evaluación Automática

Uso de software y métricas específicas para evaluar la calidad de las respuestas de un modelo sin intervención humana directa.

RLHF (Reinforcement Learning from Human Feedback)

Proceso en el que el modelo aprende de la retroalimentación humana directa sobre sus respuestas, ajustando su comportamiento para ser más útil y seguro.

6. Seguridad y Ética

Alucinaciones

Situaciones en las que el modelo genera respuestas incorrectas o inventadas, sin fundamento en sus datos de entrenamiento.

Anonimización

Proceso de eliminar o modificar información personal identificable para proteger la privacidad de las personas.

Inyección de Prompts

Técnica maliciosa que manipula las instrucciones que recibe el modelo para forzarlo a generar respuestas no deseadas o perjudiciales.

Sesgo de Automatización

Tendencia a confiar de forma excesiva en las recomendaciones de un sistema automatizado, incluso cuando puede estar equivocado.

Envenenamiento de Datos (Data Poisoning)

Ataque que consiste en introducir información dañina o manipulada en el conjunto de entrenamiento para afectar el desempeño del modelo.

Encriptación

Método que convierte datos legibles en un formato codificado para proteger su confidencialidad y evitar accesos no autorizados.

Alineamiento (Alignment)

Asegurar que los objetivos y comportamientos de los sistemas de IA se ajusten a los valores y propósitos humanos.

7. Infraestructura y Rendimiento

Aceleradores (TPU/GPU)

Dispositivos de hardware especializado (por ejemplo, tarjetas gráficas o procesadores tensoriales) diseñados para acelerar las operaciones de machine learning y redes neuronales.

Latencia

Tiempo que transcurre desde que el modelo recibe una entrada hasta que genera una respuesta; es crucial en aplicaciones en tiempo real.

Throughput

Cantidad de solicitudes o peticiones que un modelo puede procesar por unidad de tiempo, relevante cuando hay muchos usuarios simultáneos.

Fine-tuning

Ajuste de un modelo ya entrenado usando un conjunto de datos específico, para mejorar su rendimiento en tareas concretas.

Datos de Entrenamiento (Training Data)

Conjunto de información que se emplea para “enseñar” a un modelo de IA, permitiéndole aprender patrones y realizar predicciones o generar contenido.

Datos Estructurados

Información organizada en un formato definido y predecible (bases de datos, hojas de cálculo, etc.).

Datos No Estructurados

Información que no sigue un formato fijo (texto libre, imágenes, audio, vídeo, etc.).

System Context

Información o instrucciones previas que indican al modelo su rol, personalidad o estilo de respuesta antes de empezar la interacción.

8. Avanzado

Machine Learning (ML)

Campo de la IA que se basa en que los sistemas aprenden patrones a partir de datos, sin estar programados de forma específica para cada tarea.

Deep Learning

Subcampo del Machine Learning que utiliza redes neuronales con muchas capas para aprender representaciones y patrones complejos en los datos.

Reinforcement Learning (RL)

Método de aprendizaje en el que un agente toma decisiones en un entorno, recibiendo recompensas o penalizaciones para mejorar su comportamiento.

Natural Language Processing (NLP)

Disciplina de la IA que permite a los ordenadores comprender, procesar y generar lenguaje humano.

Artificial General Intelligence (AGI)

Nivel hipotético de IA que podría realizar de forma autónoma cualquier tarea intelectual que un ser humano es capaz de hacer.

Data Augmentation

Métodos para aumentar la cantidad y diversidad de los datos de entrenamiento, por ejemplo, creando versiones ligeramente modificadas de los datos originales.

Transfer Learning

Técnica que aprovecha un modelo entrenado para una tarea y lo reutiliza (o ajusta) para otra tarea diferente, aprovechando el conocimiento previo adquirido.