Vocabulario de desarrollo de software en inglés: significado y ejemplos en español
Comprende el inglés que aparece en el código, la documentación y las conversaciones de un equipo de desarrollo. Consulta el significado de cada término, cuándo se utiliza y cómo interpretarlo en ejemplos concretos con traducción y explicación en español.
- 1143 términos
- 13 temas
- 430 términos básicos
- 2298 frases de ejemplo
Aprendizaje automático y procesamiento de datos
Tarea en la que un modelo asigna cada entrada a una categoría de un conjunto fijo, como decidir si un correo es spam.
Área de la IA que trabaja con lenguaje humano y crea sistemas que leen, comprenden, traducen, resumen o generan texto y voz.
Área de la IA que permite a los ordenadores interpretar imágenes y vídeos, por ejemplo reconocer objetos o leer texto fotografiado.
Tipo de aprendizaje automático que busca estructuras en datos sin respuestas correctas etiquetadas, como grupos de clientes o sucesos inusuales.
Parte de los datos que se reserva fuera del entrenamiento para comparar modelos, ajustar parámetros y decidir cuándo detener el entrenamiento.
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.
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.
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.
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.
Lista de números, o vector, que representa una palabra, frase, imagen u otro elemento; los elementos de significado parecido quedan próximos.
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.
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.
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.
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.
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.
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.
Técnica que limita la complejidad del modelo durante el entrenamiento para reducir el sobreajuste y mejorar el rendimiento con datos nuevos.
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.
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.
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.
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.
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.
Objetivo de que un modelo trate con justicia a distintos grupos, por ejemplo con tasas de error o aprobación similares entre edades o regiones.
Alcanzar durante el entrenamiento un estado estable en que la pérdida deja de disminuir de forma significativa y entrenar más aporta poco.
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.
Describe el mejor resultado o método conocido en un momento dado, normalmente medido con una prueba de referencia reconocida.
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.
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.
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.
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.
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.
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.
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.
Proceso de encontrar y corregir problemas en los datos, como formatos erróneos, erratas, duplicados y valores ausentes, para que sean fiables al analizarlos.
Celdas o campos vacíos de un conjunto de datos donde no se registró ningún valor; pueden aparecer como NULL, NaN o en blanco y deben tratarse antes del análisis.
Valor muy alejado de la mayoría de los datos, como un pedido de 50.000 dólares entre otros de unos 40 dólares.
Primera etapa de un análisis, donde se resumen y grafican datos para entender su estructura, detectar patrones y problemas, y plantear preguntas que comprobar.
Práctica de mostrar datos mediante gráficos, diagramas y mapas para que las personas vean patrones, comparaciones y cambios con más facilidad que en una tabla.
Abreviatura de key performance indicator: una de las pocas métricas que una empresa o equipo elige para medir el avance hacia sus objetivos principales.
Experimento que divide a los usuarios al azar en dos grupos, cada uno expuesto a una versión distinta, para medir cuál funciona mejor.
Indicio de que un resultado difícilmente se explica solo por azar, normalmente evaluado comprobando si el valor p está por debajo de un umbral fijado de antemano, como 0,05.
Secuencia automatizada de pasos que toma datos de sus fuentes, los transforma y los entrega a un destino como un almacén, un panel o un modelo.
Abreviatura de extract, transform, load: proceso que extrae datos de sistemas de origen, los limpia y reorganiza, y los carga en un almacén de datos.
Valor obtenido al sumar todos los números de un grupo y dividir el total por la cantidad de números; es el sentido estadístico habitual de «promedio».
Valor central cuando se ordenan todos los números de un grupo de menor a mayor; la mitad queda por debajo y la otra mitad por encima.
Forma en que se reparten los valores de una variable: muestra cuáles son frecuentes o raros y qué distancia hay entre ellos; suele visualizarse con un histograma.
Relación entre dos variables que tienden a cambiar conjuntamente; suele medirse con un coeficiente de −1 a 1, donde 0 indica que no hay relación lineal.
Datos en la forma en que se recogieron o exportaron originalmente, antes de limpiarlos, combinarlos o resumirlos.
Lugar del que proceden los datos, como una base de datos, aplicación, hoja de cálculo, encuesta, API externa o archivo enviado por un socio.
Registro que aparece más de una vez en un conjunto de datos, por ejemplo el mismo cliente o pedido almacenado dos veces, lo que puede inflar los recuentos y totales.
Grado en que los datos son precisos, completos, coherentes y actuales, y por tanto confiables para tomar decisiones.
Medida de cuánto se dispersan los valores alrededor de la media: un valor pequeño indica que la mayoría está cerca del promedio; uno grande, que varían mucho.
Grupo más pequeño elegido de una población o conjunto de datos mayor y estudiado para sacar conclusiones sobre el conjunto completo.
Dirección general en que cambia un valor a lo largo del tiempo, como un aumento sostenido de las ventas, dejando de lado las fluctuaciones breves.
Conjunto de mediciones de la misma variable, registradas en orden a intervalos regulares, como ingresos diarios o visitas por hora.
Grupo de clientes o usuarios que comparten características, como país, dispositivo o conducta de compra; como verbo, dividir los datos en grupos de ese tipo.
Afirmación concreta y comprobable sobre lo que se espera que ocurra y por qué, formulada antes de iniciar un experimento o análisis.
Grupo de un experimento que no recibe el cambio probado, de modo que sus resultados muestran qué habría ocurrido sin ese cambio.
Probabilidad de observar un resultado al menos tan extremo como el obtenido si en realidad no hubiera efecto, es decir, si la hipótesis nula fuera cierta.
Cantidad de observaciones, personas o unidades incluidas en una muestra o experimento; las muestras mayores suelen producir estimaciones más fiables.
Porcentaje de usuarios que completa una acción deseada, como comprar o registrarse, respecto de todos los usuarios que tuvieron la oportunidad de hacerlo.
Pérdida de clientes o usuarios que dejan de usar un producto o cancelan una suscripción durante un periodo; también es la tasa a la que ocurre.
Gráfico que usa barras rectangulares de distintas longitudes para comparar valores entre categorías, como ventas por región o usuarios por país.
Prueba rápida: ¿conoces estos términos?
Responde a diez preguntas de este glosario. Elige el significado correcto de cada término y comprueba tu resultado.
Cómo aprender el vocabulario de Desarrollo de software
- Empieza por los términos que encuentras en tus tareas: incidencias, revisiones de código o documentación técnica.
- Lee cada ejemplo completo antes de elegir una traducción: palabras como branch, issue o release cambian de sentido según el contexto.
- Aprende las combinaciones habituales, como fix a bug o merge a branch, para poder usar el término en una conversación.
- Compara los conceptos relacionados y anota qué los distingue; conocer la traducción no siempre basta para diferenciar un error, una excepción y un fallo.
Preguntas frecuentes
¿Estas páginas enseñan programación o vocabulario en inglés?
Se centran en el vocabulario del desarrollo de software. Las definiciones y los ejemplos ayudan a entender documentación y conversaciones técnicas; no sustituyen un curso práctico de programación.
¿Debo traducir todos los términos al español cuando trabajo?
No necesariamente. En muchos equipos se mantienen voces inglesas como commit, merge, deploy y pull request, a veces con construcciones españolas como «hacer un commit». En documentos formales, cursos universitarios y textos académicos también son habituales equivalentes como «versión», «rama» y «prueba unitaria». Conocer ambas formas ayuda a pasar de una conversación en español a un código base en inglés.
¿Por qué un término tiene varias equivalencias?
Una palabra puede abarcar distintos matices técnicos. La definición, la nota de uso y las frases de ejemplo permiten identificar la equivalencia adecuada en cada caso.
¿Cómo puedo estudiar con los ejemplos?
Lee primero la frase en inglés, intenta explicar qué sucede y después consulta la traducción y la explicación. Finalmente, escribe una frase parecida sobre una tarea real de tu proyecto.
Especialidades relacionadas
Practica con lecturas adaptadas a tu nivel
Leer textos de tu nivel te ayuda a recordar las palabras nuevas. Elige libros gratuitos en inglés: