La inteligencia artificial (IA) ha permeado múltiples aspectos de nuestra cotidianidad, evolucionando desde simples asistentes virtuales hasta sofisticados sistemas de análisis y recomendación. A medida que esta tecnología avanza a pasos agigantados, entender su terminología y conceptos se vuelve crucial para desentrañar su potencial y aplicaciones. Un glosario específico puede facilitar esta comprensión, ofreciendo definiciones claras sobre términos esenciales de la IA.
Tanto si eres un profesional del ámbito tecnológico, un estudiante, o un curioso del tema, este glosario está pensado para proporcionar una base sólida en inteligencia artificial, cubriendo desde modelos de lenguaje desarrollados por OpenAI, como GPT-3 y GPT-4, hasta metodologías avanzadas de aprendizaje automático y procesamiento de lenguaje natural.
Glosario de términos IA
Ajuste de instrucciones: Método para adaptar un modelo de IA previamente entrenado para que realice tareas específicas mediante directrices claras, optimizando su desempeño en nuevos contextos.
Ajuste fino: Proceso para adaptar un modelo de IA general a una tarea específica usando un conjunto de datos especializado. Por ejemplo, afinar un modelo de reconocimiento de imágenes para detectar vehículos.
Alucinación: Fenómeno en el cual un modelo de procesamiento de lenguaje natural genera respuestas irrelevantes o incorrectas por falta de información contextual o dependencia excesiva de sus datos de entrenamiento.
Análisis de sentimientos: Técnica de procesamiento del lenguaje natural (NLP) que identifica y extrae emociones y opiniones en textos, utilizada principalmente en la evaluación de productos y servicios.
Anclaje: Proceso de basar los sistemas de IA en datos y experiencias del mundo real, mejorando su capacidad para interpretar y responder adecuadamente a inputs de los usuarios.
Apilamiento: Técnica que combina múltiples algoritmos de IA para mejorar el rendimiento general, aprovechando las fortalezas de varios modelos.
Aprendizaje automático (machine learning): Rama de la IA centrada en desarrollar algoritmos y modelos estadísticos que permiten a las máquinas mejorar su rendimiento con la experiencia.
Aprendizaje federado: Enfoque donde los datos permanecen en dispositivos locales y solo los modelos entrenados se envían a un servidor central, preservando la privacidad de los datos individuales.
Aprendizaje profundo: Subcategoría del aprendizaje automático que utiliza redes neuronales con múltiples capas para analizar datos complejos, útil para tareas como el reconocimiento de objetos en imágenes.
Aprendizaje no supervisado: Algoritmos que trabajan con datos no etiquetados, permitiendo identificar patrones ocultos. Ejemplo: Agrupamiento automático de imágenes similares.
Aprendizaje semisupervisado: Combina una pequeña cantidad de datos etiquetados con una gran cantidad de datos no etiquetados, útil cuando la obtención de datos etiquetados es costosa.
Aprendizaje supervisado: Modelos entrenados con datos etiquetados que mejoran su precisión en predicciones basándose en respuestas correctas conocidas.
Aprendizaje por refuerzo: Tipología de aprendizaje donde un modelo aprende a través de la interacción con su entorno y retroalimentación en forma de recompensas o penalizaciones, común en juegos y robots autónomos.
Aprendizaje por transferencia: Reutilización de un modelo preentrenado en un dominio similar para mejorar el rendimiento en una nueva tarea, especialmente útil con datos limitados.
Autoencoders: Redes neuronales que aprenden representaciones comprimidas de datos, reduciendo su dimensionalidad y tratando de reconstruir los datos originales.
AutoML: Proceso automatizado de tareas de aprendizaje automático, como selección de modelos y optimización de hiperparámetros, para hacer más accesible y eficiente el desarrollo de modelos de IA.
BERT (Bidirectional Encoder Representations from Transformers): Modelo de lenguaje profundo de Google que utiliza aprendizaje bidireccional, avanzado en comprensión de lectura y respuesta a preguntas.
Bias-Variance Tradeoff: Concepto en machine learning que equilibra entre precisión y capacidad de generalización de un modelo, evitando el subajuste o sobreajuste.
Bias and Fairness: Esfuerzos para mitigar el sesgo inherente en los datos de entrenamiento, asegurando respuestas justas y representativas.
Capa de atención: Componente en redes neuronales que permite al modelo enfocarse en distintas partes del texto de entrada, mejorando su comprensión contextual.
Clasificación: Tarea de asignar una etiqueta a entradas de datos, como clasificar correos electrónicos en «spam» o «no spam».
CLIP (Contrastive Language-Image Pre-Training): Modelo de OpenAI que combina texto e imágenes para tareas de comprensión visual, relacionando descripciones textuales con imágenes pertinentes.
Clustering: Técnica de aprendizaje no supervisado que agrupa datos basados en similitudes, donde los ejemplos dentro de un grupo son más similares entre sí que a los de otros grupos.
Clusterización jerárquica: Método que construye una jerarquía de clústeres, ya sea de manera aglomerativa o divisiva.
Codex: Modelo de OpenAI basado en GPT-3 específicamente diseñado para generación de código, base de herramientas como GitHub Copilot.
DALL-E: Modelo de OpenAI que crea imágenes a partir de descripciones textuales, generando gráficos detallados y únicos según las instrucciones del usuario.
Data wrangling: Proceso de transformar y mapear datos brutos a un formato adecuado para su análisis, incluyendo limpieza y corrección de errores.
Datos no estructurados: Datos que no siguen un formato predefinido (texto libre, imágenes, videos), necesitando técnicas avanzadas de procesamiento para su análisis.
Datos estructurados: Datos organizados en un formato predefinido (tablas con filas y columnas en bases de datos relacionales).
Descomposición de valores singulares (SVD): Técnica de reducción de dimensionalidad que descompone una matriz en tres matrices menores, útil en compresión de datos y sistemas de recomendación.
Embedding: Representación vectorial de datos categóricos o textuales que captura relaciones semánticas entre elementos, esencial en el procesamiento de lenguaje natural.
GAN (Generative Adversarial Network): Redes neuronales compuestas por una generadora y una discriminadora, utilizadas para generar datos realistas a partir de datos ficticios.
Generación de lenguaje natural (NLG): Subcampo de la IA centrado en la creación de texto a partir de datos, empleado en generación de informes automáticos y chatbots.
GPT-2, GPT-3, GPT-3.5, GPT-4: Modelos de OpenAI con capacidades avanzadas de procesamiento del lenguaje natural, mejorando en precisión y funcionalidad a través de sus iteraciones, con GPT-4 abarcando entradas tanto de texto como de imágenes.
Gradient Boosting: Técnica que crea un modelo sólido a partir de una serie de modelos débiles, común en tareas de clasificación y regresión.
Gráfico de conocimiento: Estructura de datos que representa entidades y sus relaciones, mejorando la comprensión contextual en motores de búsqueda y sistemas de recomendación.
Hiperparámetros: Parámetros establecidos antes del entrenamiento de un modelo, como la tasa de aprendizaje o el número de capas en una red neuronal.
Inferencia de causalidad: Proceso de identificar relaciones de causa y efecto en los datos, crucial para tomar decisiones basadas en el entendimiento de las influencias variables.
Interpretabilidad del modelo: Capacidad de entender y explicar cómo un modelo de machine learning toma decisiones, esencial para la transparencia y confianza en los sistemas de IA.
Matriz de confusión: Herramienta para evaluar la precisión de un modelo de clasificación, facilitando el cálculo de métricas de rendimiento.
Metaaprendizaje: Enfoque donde un modelo adapta su comportamiento a diferentes tareas con poca información específica, también conocido como «aprendizaje a aprender».
Método de Monte Carlo: Técnica de simulación para obtener resultados numéricos mediante muestreo aleatorio, usado para estimar incertidumbre y variabilidad en modelos.
Modelos probabilísticos: Enfoques de aprendizaje automático que incorporan incertidumbre en sus predicciones, utilizando distribuciones de probabilidad para hacer inferencias.
MLOps: Prácticas de DevOps aplicadas al desarrollo y despliegue de modelos de machine learning, incluyendo gestión de modelos y automatización del ciclo de vida.
Procesamiento de imágenes: Análisis y manipulación de imágenes digitales usando algoritmos, como filtrado y segmentación.
Prompt Engineering: Diseño de entradas textuales específicas para obtener las respuestas deseadas de modelos de IA, crucial para optimizar el uso de modelos como GPT-3 y GPT-4.
Punto de referencia (benchmarking): Evaluación de modelos o algoritmos utilizando datos estándar y métricas de rendimiento para establecer comparaciones y estándares en la industria.
Red convolucional (CNN): Redes neuronales efectivas para procesamiento de imágenes, utilizando capas de convolución para capturar características locales en imágenes.
Red neuronal: Modelos de aprendizaje automático que imitan la estructura del cerebro humano, capaces de reconocer patrones complejos en los datos.
Redes generativas adversarias (GAN): Compuestas por una generadora y una discriminadora, estas redes mejoran su capacidad para producir datos realistas mediante competencia entre ambas.
Redes neuronales recurrentes (RNN): Diseñadas para gestionar datos secuenciales, útiles en tareas como procesamiento del lenguaje natural y predicción de series temporales.
Reinforcement Learning from Human Feedback (RLHF): Técnica que implica entrenar modelos de IA usando retroalimentación humana para refinar su comportamiento.
Refuerzo negativo/positivo: En aprendizaje reforzado, implican aplicar penalización o recompensa, respectivamente, según las acciones tomadas por el modelo.
Regularización: Técnica para prevenir sobreajuste en modelos de machine learning, agregando penalizaciones para reducir la complejidad y mejorar la generalización.
Series temporales: Datos recolectados en intervalos secuenciales, con modelos que predicen valores futuros basados en patrones históricos.
Superresolución: Técnica de procesamiento de imágenes para mejorar la resolución de imágenes de baja calidad, usada en vigilancia y mejora fotográfica.
Inferencia: Proceso mediante el cual un modelo de machine learning aplica el conocimiento adquirido para hacer predicciones con nuevos datos.
Optimización: Ajuste de parámetros de un modelo para minimizar errores y mejorar su rendimiento, como el uso del descenso de gradiente en redes neuronales.
Sesgo: Suposiciones implícitas que afectan el desempeño del modelo, resultando en resultados injustos o inexactos si los datos de entrenamiento no son representativos.
Tokenización: Proceso de dividir texto en unidades más pequeñas para su análisis, crucial en el procesamiento de datos textuales.
Transferencia de aprendizaje: Reutilización de un modelo preentrenado en una nueva tarea relacionada, aprovechando el conocimiento previamente adquirido.
Técnicas de reducción de dimensionalidad: Métodos como PCA y t-SNE para reducir características en un conjunto de datos, facilitando visualización y mejorando rendimiento de modelos.
Temperature: Parámetro que controla la aleatoriedad de respuestas en modelos de OpenAI, influyendo en creatividad y variabilidad de las salidas.
Token: Unidad de texto utilizada por modelos de OpenAI para cálculos, pudiendo ser palabras completas o fragmentos, según el contexto.
Transformador (Transformer): Arquitectura de red neuronal para manejar datos secuenciales, revolucionando el procesamiento del lenguaje natural.
Validación cruzada: Técnica para evaluar precisión de un modelo dividiendo datos en subconjuntos, entrenando y testeando en diferentes combinaciones.
Whisper: Modelo de transcripción de voz a texto de OpenAI, usando aprendizaje automático avanzado para alta precisión en conversiones de habla a texto.
Zero-Shot Learning: Capacidad de modelos para realizar tareas sin entrenamiento específico, basándose en comprensión general adquirida en entrenamiento preliminar.
Estos términos clave proporcionan una visión general de los conceptos fundamentales en el campo de la inteligencia artificial, ayudando a desmitificar esta tecnología y su funcionamiento en diversas aplicaciones cotidianas.
