Vocabulario de inteligencia artificial y aprendizaje automático en inglés

Campo de la informática que crea sistemas capaces de realizar tareas que suelen requerir inteligencia humana, como comprender lenguaje, reconocer imágenes o tomar decisiones.

Rama de la inteligencia artificial en la que los ordenadores aprenden patrones a partir de datos y los usan para predecir o decidir, en vez de seguir reglas escritas a mano.

Resultado del entrenamiento: programa con parámetros aprendidos que recibe una entrada, como una imagen o frase, y produce una salida, como una etiqueta, cifra o texto.

Tipo de aprendizaje automático en el que el modelo aprende de ejemplos acompañados de respuestas correctas (etiquetas) y luego predice respuestas para ejemplos nuevos.

Tarea en la que un modelo asigna cada entrada a una categoría de un conjunto fijo, como decidir si un correo es spam.

Tipo de aprendizaje automático que busca estructuras en datos sin respuestas correctas etiquetadas, como grupos de clientes o sucesos inusuales.

Tarea en que un modelo predice un valor numérico continuo, como el precio de una vivienda o el tiempo de entrega.

Tipo de aprendizaje automático en el que un agente aprende por prueba y error al actuar en un entorno y recibir recompensas o penalizaciones.

Tarea no supervisada que reúne elementos similares sin etiquetas previas, como segmentar clientes según sus hábitos de compra.

Describe el mejor resultado o método conocido en un momento dado, normalmente medido con una prueba de referencia reconocida.

Colección organizada de ejemplos —como imágenes, textos o filas— reunidos para entrenar, probar o analizar un modelo.

Ejemplos de los que aprende un modelo durante el entrenamiento. Su calidad, tamaño y variedad determinan en gran medida cómo funcionará con datos nuevos.

Dato individual proporcionado a un modelo como entrada y que puede medirse, como la edad, los pedidos previos o el brillo de un píxel.

Respuesta correcta asociada a un ejemplo de entrenamiento, como «spam» para un correo o «gato» para una foto, que un modelo supervisado aprende a predecir.

Trabajo de añadir etiquetas o notas a datos sin procesar, como marcar objetos en imágenes o el tema de cada frase, para entrenar o evaluar.

Pasos para limpiar y preparar datos sin procesar antes de que los use un modelo, como quitar duplicados o normalizar texto.

Respuestas correctas y verificadas con las que se comparan las salidas de un modelo, normalmente obtenidas mediante anotación humana o mediciones reales.

Creación de ejemplos de entrenamiento adicionales mediante pequeñas modificaciones de los existentes, como recortar imágenes o reformular frases.

Situación en que algunas clases de un conjunto de datos tienen muchos más ejemplos que otras, como 990 operaciones normales por cada 10 fraudulentas.

Error metodológico en que información que no estaría disponible al predecir, como datos de prueba o futuros, entra en el entrenamiento y exagera el rendimiento.

Modelo formado por muchas unidades conectadas y organizadas en capas, inspirado de forma general en el cerebro. Cada conexión tiene un peso que se ajusta durante el entrenamiento.

Parte del aprendizaje automático que utiliza redes neuronales con muchas capas. Impulsa el reconocimiento moderno del habla y de imágenes, así como los grandes modelos de lenguaje.

Número interno del modelo, como un peso o sesgo, que se aprende de los datos durante el entrenamiento. El tamaño suele expresarse en número de parámetros.

Arquitectura de red neuronal presentada en 2017 que usa atención para procesar en paralelo partes de una secuencia y sirve de base a los LLM actuales.

Nivel de una red neuronal que recibe la salida del nivel anterior, la transforma y la transmite al siguiente.

Números aprendidos en las conexiones de una red neuronal que determinan cuánto influye cada entrada en la capa siguiente.

Función matemática sencilla aplicada a la salida de cada unidad neuronal que añade no linealidad y permite aprender patrones complejos.

Método que calcula cuánto contribuyó cada peso al error, propagándolo desde la capa de salida hacia la entrada.

Mecanismo que permite al modelo ponderar qué partes de la entrada son relevantes para cada elemento al construir la salida.

Enseñar a un modelo mostrándole muchos ejemplos y ajustando repetidamente sus parámetros para que sus resultados se acerquen a las respuestas correctas.

Fórmula que mide cuánto se alejan las predicciones del modelo de las respuestas correctas. Durante el entrenamiento se intenta minimizar ese valor, llamado pérdida.

Problema en el que un modelo aprende demasiado bien los datos de entrenamiento, incluidos el ruido y las particularidades accidentales, y por eso funciona peor con datos nuevos.

Una pasada completa del proceso de entrenamiento por todo el conjunto de datos. Los modelos suelen entrenarse durante varias épocas.

Hiperparámetro que determina el tamaño del paso con que el modelo actualiza sus parámetros. Si es alto, el entrenamiento puede volverse inestable; si es bajo, lento.

Valor que los ingenieros fijan antes de entrenar y que el modelo no aprende de los datos, como tasa de aprendizaje, tamaño de lote o número de capas.

Cantidad de ejemplos de entrenamiento que el modelo procesa juntos antes de actualizar sus parámetros una vez.

Método básico de optimización del entrenamiento: cambia repetidamente cada parámetro en dirección a reducir la pérdida.

Problema en que el modelo es demasiado simple o se entrena poco para captar los patrones, por lo que rinde mal incluso con los datos de entrenamiento.

Técnica que limita la complejidad del modelo durante el entrenamiento para reducir el sobreajuste y mejorar el rendimiento con datos nuevos.

Copia de los pesos del modelo y, a menudo, del estado del optimizador en un momento del entrenamiento, para reanudarlo o reutilizar esa versión.

Alcanzar durante el entrenamiento un estado estable en que la pérdida deja de disminuir de forma significativa y entrenar más aporta poco.

Parte de los datos que se reserva para el final y se usa únicamente para medir cómo funciona el modelo terminado con ejemplos que nunca ha visto.

Proporción de predicciones correctas entre todas las predicciones de un modelo. Una exactitud del 90 % significa acertar en nueve de cada diez ejemplos.

Parte de los datos que se reserva fuera del entrenamiento para comparar modelos, ajustar parámetros y decidir cuándo detener el entrenamiento.

Proporción de los casos que el modelo marcó como positivos que realmente lo eran; una precisión alta implica pocas falsas alarmas.

Proporción de los casos realmente positivos que el modelo logró encontrar; una exhaustividad alta significa pocos casos omitidos.

Número que combina precisión y exhaustividad mediante su media armónica; solo es alto cuando ambas métricas son altas.

Conjunto estándar de tareas y datos para medir modelos de manera común y comparar resultados de distintos equipos.

Tabla que indica, para cada clase real, cuántos ejemplos asignó el modelo a cada clase y permite ver cuáles confunde.

Método de evaluación que divide los datos en varias partes, entrena con todas menos una y prueba con la restante, repitiendo hasta usar cada parte.

Sigla de large language model: red neuronal muy grande, entrenada con enormes cantidades de texto para predecir el siguiente token y así responder preguntas, redactar, resumir y programar.

Unidad pequeña de texto que un modelo de lenguaje lee o genera; puede ser una palabra, parte de ella o un signo. Los límites y precios suelen contarse en tokens.

Salida segura en el tono pero falsa o inventada de un modelo generativo, como un dato, cita, fuente o fragmento de código inexistente.

Cantidad máxima de texto, medida en tokens, que un modelo puede considerar a la vez, incluidos el prompt, documentos y su propia respuesta.

Sistemas de IA que crean contenido nuevo —texto, imágenes, audio, vídeo o código— en vez de limitarse a clasificar entradas o predecir valores.

Primera y mayor etapa de entrenamiento, en la que un modelo aprende patrones generales a partir de grandes cantidades de datos, en su mayoría sin etiquetar, antes de adaptarse a tareas específicas.

Ajuste que controla la aleatoriedad de la salida de un modelo generativo: valores bajos dan respuestas más previsibles y altos, más variadas.

Capaz de trabajar con más de un tipo de datos, como texto, imágenes, audio y vídeo; por ejemplo, un modelo que responde preguntas sobre una foto.

Sistema basado en un LLM que planifica pasos y usa herramientas, como búsqueda, código o software empresarial, para completar tareas con poca ayuda humana.

Texto u otra entrada que se da a un modelo generativo para indicarle qué hacer, como una pregunta, instrucción o conjunto de ejemplos seguido de una tarea.

Instrucciones previas a la conversación que fijan el papel, reglas, tono y límites de un modelo conversacional.

Método que primero busca pasajes pertinentes en documentos y luego se los entrega a un LLM para redactar una respuesta.

Práctica de diseñar, probar y mejorar instrucciones para que un modelo produzca resultados precisos, útiles y consistentes.

Incluir en el prompt unos pocos ejemplos resueltos para que el modelo siga el mismo patrón con una entrada nueva, sin entrenamiento adicional.

Razonamiento paso a paso que un modelo expresa antes de dar su respuesta final; puede mejorar resultados en problemas matemáticos, lógicos y de varias etapas.

Base diseñada para guardar embeddings y encontrar rápidamente los más parecidos a una consulta; es habitual en búsqueda semántica y sistemas RAG.

Entrenamiento adicional de un modelo ya preentrenado con un conjunto más pequeño y específico, para mejorar una tarea o seguir un estilo determinado.

Reutilización de lo aprendido por un modelo en una tarea o conjunto de datos para iniciar otra tarea relacionada, en vez de entrenar desde cero.

Modelo que solo pasó por preentrenamiento, antes del ajuste fino o entrenamiento para seguir instrucciones; continúa texto, pero no necesariamente obedece órdenes.

Método de ajuste fino que mantiene congelados los pesos originales y entrena solo pequeñas matrices añadidas, ahorrando memoria y almacenamiento.

Etapa de entrenamiento en la que personas clasifican respuestas, un modelo de recompensa aprende sus preferencias y luego se ajusta el LLM para obtener puntuaciones mejores.

Entrenamiento de un modelo estudiante pequeño para que imite las salidas de un modelo profesor grande y conserve buena parte de su calidad con menor coste y más velocidad.

Área de la IA que permite a los ordenadores interpretar imágenes y vídeos, por ejemplo reconocer objetos o leer texto fotografiado.

Red que aplica filtros aprendidos sobre una imagen para detectar patrones como bordes, texturas y formas.

Tarea de visión artificial que localiza objetos en imágenes o vídeo y asigna una clase y posición, normalmente mediante un recuadro.

Tarea de visión artificial que asigna una clase o un objeto a cada píxel, delimitando formas exactas en lugar de cajas aproximadas.

Rectángulo dibujado alrededor de un objeto en una imagen y guardado como coordenadas para indicar dónde está; es una salida habitual de detección de objetos.

Modelo generativo que aprende a quitar ruido paso a paso y crea imágenes, audio o vídeo partiendo de ruido puro que va refinando.

Área de la IA que trabaja con lenguaje humano y crea sistemas que leen, comprenden, traducen, resumen o generan texto y voz.

Lista de números, o vector, que representa una palabra, frase, imagen u otro elemento; los elementos de significado parecido quedan próximos.

Componente que divide texto en tokens y los convierte en números que el modelo puede leer, y convierte sus salidas numéricas de nuevo en texto.

Tarea de procesamiento del lenguaje que detecta opinión o emoción en un texto, por ejemplo si una reseña es positiva, negativa o neutra.

Tarea de PLN que localiza nombres de personas, organizaciones y lugares, además de fechas y cantidades, y etiqueta cada elemento por tipo.

Colección amplia y organizada de textos o grabaciones de habla usada para entrenar modelos de lenguaje o estudiar el uso de una lengua.

Injusticia sistemática en los resultados de un modelo, por ejemplo que funcione peor para ciertos grupos, normalmente debido a datos desequilibrados o decisiones de diseño.

Objetivo de que un modelo trate con justicia a distintos grupos, por ejemplo con tasas de error o aprobación similares entre edades o regiones.

Grado en que las personas pueden entender por qué un modelo produjo una predicción o decisión, a menudo mediante herramientas que muestran qué entradas influyeron más.

Regla o comprobación que rodea un modelo para impedir entradas o salidas dañinas, fuera de tema o inseguras, como revelar datos personales.

Pruebas de un modelo o sistema de IA que intentan deliberadamente hacerlo fallar o comportarse de forma dañina para encontrar debilidades antes que usuarios o atacantes.

Trabajo para hacer que el comportamiento de una IA coincida con las intenciones y valores humanos, de modo que sea útil y honesta y evite daños; también es el campo que estudia ese objetivo.

Prompt o técnica diseñada para engañar a un modelo y hacer que ignore sus reglas de seguridad y genere contenido que debería rechazar.

Etapa en la que se usa un modelo ya entrenado para producir resultados a partir de entradas nuevas, como responder una pregunta o clasificar una foto.

Integrar un modelo entrenado en un sistema real para que usuarios u otros programas puedan enviarle solicitudes y recibir predicciones.

Chip que realiza en paralelo miles de cálculos sencillos y sirve como hardware principal para entrenar y ejecutar redes neuronales.

Tiempo entre enviar una solicitud a un modelo y recibir su respuesta, normalmente medido en milisegundos o segundos.

URL desde la que se puede acceder por red a un modelo desplegado: otros programas le envían solicitudes y reciben predicciones o respuestas.

Prácticas y herramientas para operar aprendizaje automático de forma fiable en producción: versionar datos y modelos, automatizar entrenamiento y despliegue, y supervisar los modelos.

Cambio con el tiempo en los datos que recibe un modelo desplegado respecto de aquellos con los que se entrenó, lo que puede empeorar gradualmente sus predicciones.

Representación de los pesos de un modelo, y a veces sus activaciones, con menos bits, por ejemplo 8 o 4 en vez de 16, para reducir tamaño y acelerar la ejecución.

Hacer que un modelo, función o versión esté disponible para usuarios por etapas, empezando a menudo con una pequeña parte del tráfico.