Diccionario de IA
Antes de entrar en materia, quiero agradecer sinceramente la excelente acogida que ha tenido esta newsletter. Cada nuevo suscriptor refuerza una idea que me motiva mucho, la curiosidad por comprender la Inteligencia Artificial está más viva que nunca.
Mi propósito con este espacio es hacer que la IA sea comprensible para todos, sin tecnicismos innecesarios, pero con la precisión que merece una disciplina que está transformando nuestra forma de trabajar, pensar y crear.
Por eso, en este segundo artículo, te presento un Diccionario de Inteligencia Artificial con veinte conceptos clave explicados con detalle, pero en un lenguaje claro y accesible.
1. Modelo de Lenguaje (LLM)
Un modelo de lenguaje de gran escala (Large Language Model) es una red neuronal entrenada con enormes volúmenes de texto. Aprende los patrones del lenguaje y es capaz de predecir la siguiente palabra en una secuencia, generando así textos coherentes y contextuales.
Estos modelos, como GPT, Gemini o Claude, son capaces de redactar, resumir, traducir o razonar, adaptándose a distintas tareas y estilos comunicativos.
2. Embedding
Un embedding es la representación matemática de un texto, imagen o sonido en forma de vectores numéricos. Esta codificación permite a los modelos comprender el significado de las palabras y establecer relaciones entre conceptos.
Por ejemplo, los embeddings permiten que la IA identifique que “automóvil” y “coche” son términos similares, aunque estén escritos de forma diferente.
3. Tokenización
La tokenización consiste en dividir un texto en unidades más pequeñas llamadas tokens. Cada token puede ser una palabra, una parte de palabra o un signo. Los modelos de lenguaje procesan estos tokens en lugar del texto completo, lo que facilita el análisis y la predicción. El número de tokens determina la cantidad de información que el modelo puede manejar al mismo tiempo.
4. Parámetros
Los parámetros son los valores internos que ajusta el modelo durante su entrenamiento. Cuantos más parámetros tenga un modelo, mayor será su capacidad de aprender patrones complejos, aunque también requerirá más recursos computacionales. GPT-4, por ejemplo, se estima que contiene más de un billón de parámetros.
5. Entrenamiento Supervisado y No Supervisado
En el entrenamiento supervisado, el modelo aprende a partir de datos etiquetados (por ejemplo, imágenes con sus respectivas categorías).
En el no supervisado, el modelo descubre patrones y relaciones sin etiquetas, agrupando los datos por similitud. Ambos métodos suelen combinarse para obtener modelos más flexibles y precisos.
6. Fine-Tuning
El fine-tuning o ajuste fino consiste en entrenar un modelo previamente desarrollado con datos específicos para especializarlo en una tarea concreta.
Por ejemplo, se puede ajustar un modelo general para que redacte textos jurídicos, médicos o técnicos. Esta técnica mejora la precisión sin necesidad de crear un modelo nuevo desde cero.
7. Inferencia
La inferencia es el proceso mediante el cual un modelo ya entrenado aplica lo que ha aprendido para generar una respuesta o una predicción. Cada vez que un usuario introduce una instrucción en un sistema como ChatGPT, el modelo realiza un proceso de inferencia para ofrecer una salida coherente con la entrada recibida.
8. Overfitting (Sobreajuste)
El sobreajuste ocurre cuando un modelo aprende los datos de entrenamiento de forma demasiado literal, sin capacidad de generalizar. Como consecuencia, ofrece resultados excelentes con los datos conocidos, pero un rendimiento deficiente con información nueva. Es el equivalente a memorizar un temario sin comprenderlo realmente.
9. Prompt Engineering
El prompt engineering es la disciplina que estudia cómo formular instrucciones efectivas para guiar a un modelo de IA hacia resultados precisos y coherentes. El éxito de una interacción con IA depende en gran medida de la claridad, estructura y contexto del prompt. Un buen prompt orienta, no ordena.
10. Razonamiento Multimodal
El razonamiento multimodal es la capacidad de un modelo para procesar y relacionar diferentes tipos de información, texto, imagen, audio o vídeo. Este enfoque permite que una IA interprete una imagen, describa su contenido o combine texto y sonido para comprender contextos complejos.
11. Vector Database
Una base de datos vectorial almacena embeddings (vectores) y permite realizar búsquedas semánticas, es decir, por significado y no por coincidencia exacta. A diferencia de una base de datos tradicional, una base vectorial puede identificar relaciones conceptuales entre los datos, lo que resulta esencial en sistemas de búsqueda inteligente o asistentes virtuales.
12. RLHF (Reinforcement Learning from Human Feedback)
El aprendizaje por refuerzo a partir de retroalimentación humana es un proceso mediante el cual las respuestas de una IA son evaluadas por personas. El modelo aprende a preferir aquellas respuestas mejor valoradas, mejorando su comportamiento de forma iterativa. Este método permite que las respuestas sean más útiles, educadas y acordes al contexto humano.
13. Ventana de Contexto
La ventana de contexto define la cantidad máxima de información que un modelo puede considerar al generar una respuesta. Si el texto supera ese límite, el modelo “olvida” parte del contenido anterior. Modelos avanzados como GPT-4 pueden manejar hasta 128.000 tokens, lo que equivale aproximadamente a 300 páginas de texto.
14. AGI (Artificial General Intelligence)
La Inteligencia Artificial General se refiere a una hipotética forma de IA capaz de razonar, aprender y adaptarse como un ser humano, en cualquier ámbito o disciplina. A diferencia de la IA actual, que es específica y limitada a tareas concretas, una AGI tendría autonomía cognitiva. Por ahora, se trata de una meta teórica aún no alcanzada.
15. Transformers
Los transformers son una arquitectura de red neuronal introducida en 2017 que revolucionó el procesamiento del lenguaje natural. Permiten analizar simultáneamente todas las partes de una frase, comprendiendo el contexto global y no solo la secuencia palabra por palabra. Esta tecnología es la base de modelos como GPT, BERT o T5.
16. Zero-Shot y Few-Shot Learning
El zero-shot learning permite que un modelo realice una tarea que nunca ha visto antes. El few-shot learning se refiere a la capacidad de aprender con muy pocos ejemplos. Ambos enfoques demuestran la flexibilidad de los modelos modernos y su capacidad de generalizar conocimiento a nuevos contextos.
17. Alucinación
Una alucinación ocurre cuando un modelo genera información falsa o inventada que suena convincente. No se trata de una mentira intencionada, sino de una limitación inherente al funcionamiento probabilístico del modelo. Por ello, la supervisión y verificación humana continúan siendo fundamentales.
18. Knowledge Cutoff
El knowledge cutoff indica la fecha hasta la cual el modelo fue entrenado con datos. Todo lo que haya ocurrido después de esa fecha no forma parte de su conocimiento, a menos que se le proporcione información actualizada o conexión a fuentes en tiempo real.
19. API
Una API (Application Programming Interface) permite integrar modelos de inteligencia artificial en otras aplicaciones o sistemas. Mediante una API, es posible automatizar procesos, crear asistentes personalizados o incorporar análisis avanzados sin necesidad de desarrollar el modelo desde cero.
20. Explainable AI (XAI)
La Inteligencia Artificial Explicable busca hacer que los modelos sean comprensibles y transparentes. Pretende que las decisiones de la IA puedan justificarse, especialmente en ámbitos sensibles como la salud, las finanzas o la justicia. Comprender “por qué” un modelo ha tomado una decisión es tan importante como el resultado en sí.
Para cerrar este artículo, te dejo un ejercicio práctico para poner a prueba lo aprendido, un documento con las definiciones de los veinte conceptos de Inteligencia Artificial para que intentes adivinar los términos correctos.
Además, encontrarás otro documento con las soluciones y breves explicaciones para que puedas contrastar tus respuestas y afianzar el aprendizaje.
Te animo a compartir tu resultado o tus reflexiones en los comentarios. Así seguiremos aprendiendo juntos y construyendo una comunidad.
Nos vemos martes que viene en el siguiente artículo.