📖 Glosario de Inteligencia Artificial

Un tipo de IA entrenado con enormes cantidades de texto que puede entender y generar texto similar al humano. Ejemplos: GPT-4, Claude, Gemini. Los LLMs impulsan la mayoría de herramientas de IA modernas.

El arte y ciencia de crear entradas (prompts) efectivas para modelos de IA para obtener los resultados deseados. Incluye técnicas como cadena de pensamiento y ejemplos de pocos disparos.

La unidad básica de texto que los modelos de IA procesan. Aproximadamente 4 caracteres o 0.75 palabras en inglés. El precio de los LLMs se basa en tokens.

La cantidad máxima de texto que una IA puede procesar a la vez. Medida en tokens. Claude 3.5 tiene 200K tokens (~150,000 palabras).

Cuando una IA genera información que suena segura pero es incorrecta o inventada. Una limitación clave de los LLMs. RAG y técnicas de fundamentación ayudan a reducir las alucinaciones.

IA que puede procesar y generar múltiples tipos de datos: texto, imágenes, audio, vídeo y código. GPT-4o, Claude 3.5 y Gemini son multimodales.

El proceso de ejecutar un modelo de IA entrenado para generar resultados. Cuando chateas con ChatGPT, estás usando inferencia. Los costos de inferencia son lo que pagas por llamada API.

Una forma para que el software se comunique. Las APIs de IA permiten a los desarrolladores añadir capacidades de IA a sus apps.

Modelos de IA cuyos pesos están disponibles públicamente. Se pueden descargar y ejecutar localmente. Ejemplos: Llama 4, Mistral, Gemma.

Técnica que da a la IA acceso a información externa en tiempo de consulta. En lugar de depender solo de datos de entrenamiento, la IA recupera documentos relevantes para generar respuestas más precisas.

Un sistema de IA que puede tomar acciones de forma autónoma para completar tareas. A diferencia de los chatbots simples, los agentes pueden usar herramientas, navegar por la web y ejecutar código.

Una representación numérica de texto, imágenes u otros datos como vectores en espacio de alta dimensión. Los conceptos similares se ubican cerca en este espacio.

La arquitectura de red neuronal detrás de todos los LLMs modernos. Introducida por Google en 2017, usa "mecanismos de atención" para entender relaciones entre palabras.

Conectar las respuestas de IA a fuentes de información verificadas y del mundo real para reducir alucinaciones. Google usa fundamentación para citar fuentes.

Sistemas de IA que planifican y ejecutan tareas de múltiples pasos de forma autónoma con mínima supervisión humana.

La arquitectura detrás de la IA de generación de imágenes como Stable Diffusion, DALL-E y Midjourney.

Una base de datos optimizada para almacenar y buscar embeddings vectoriales. Esencial para sistemas RAG y búsqueda semántica.

El proceso de entrenar adicionalmente un modelo pre-entrenado en un conjunto de datos específico para especializarlo en una tarea particular. Como enseñar a un experto general a convertirse en especialista.

Una técnica de entrenamiento donde los humanos califican los resultados de la IA y esas calificaciones se usan para mejorar el modelo.

Pedir a una IA que realice una tarea sin dar ejemplos. La IA confía en su entrenamiento para entender qué se necesita. Contrasta con el aprendizaje few-shot, donde se dan 2-5 ejemplos.

Proporcionar 2-5 ejemplos en tu prompt para mostrar a la IA lo que quieres. Mejora dramáticamente la calidad del resultado para tareas complejas o inusuales.

Una técnica de prompting que pide a la IA "pensar paso a paso" antes de responder. Mejora dramáticamente el razonamiento en problemas complejos.

Instrucciones dadas a una IA antes de que comience la conversación para establecer su comportamiento, personalidad y restricciones.

Un parámetro que controla qué tan aleatorio o creativo son los resultados de una IA. Temperatura 0 = determinista. Temperatura 1+ = creativo. Usa temp baja para tareas factuales, alta para creativas.

Pruebas estandarizadas para medir y comparar las capacidades de los modelos de IA. Benchmarks comunes: MMLU, HumanEval, MATH.