Fundamentos
La base de vocabulario para hablar de IA en comité de dirección. Sin estas nociones compartidas, el resto del glosario se lee a medias.
- AGI (inteligencia artificial general)La AGI (artificial general intelligence, inteligencia artificial general) designa un sistema de IA capaz de igualar o superar a los humanos en la mayoría de las tareas cognitivas, y no en una sola. No existe ni una definición común ni una prueba reconocida para decir que se ha alcanzado: cada laboratorio usa la suya.
- Aprendizaje no supervisadoEl aprendizaje no supervisado es un método de aprendizaje automático que busca estructuras en datos brutos, sin respuesta esperada proporcionada de antemano: grupos de elementos similares, comportamientos atípicos, variables que van juntas. Sirve sobre todo para explorar y segmentar (clientes, productos, transacciones), y sus resultados deben ser interpretados por personas que conocen el negocio.
- Aprendizaje por refuerzoEl aprendizaje por refuerzo es un método de aprendizaje automático en el que un sistema aprende qué acciones elegir probándolas y recibiendo una recompensa o una penalización, para maximizar una ganancia acumulada en el tiempo. Asociado durante mucho tiempo a los juegos y la robótica, sirve también para ajustar el comportamiento de los asistentes conversacionales (RLHF) y para entrenar los modelos de razonamiento.
- Aprendizaje supervisadoEl aprendizaje supervisado es un método de aprendizaje automático en el que un modelo se entrena con ejemplos cuya respuesta correcta se conoce (una etiqueta), para predecir esa respuesta en casos nuevos. Se encuentra en usos predictivos habituales en la empresa: scoring de clientes, detección de fraude, clasificación automática de solicitudes.
- Deep learning (aprendizaje profundo)El deep learning, o aprendizaje profundo, es una forma de machine learning que utiliza redes neuronales artificiales compuestas por muchas capas, cada una de las cuales procesa los datos a un nivel de abstracción más alto. Está en el origen de los avances en reconocimiento de imágenes, reconocimiento de voz, traducción e IA generativa.
- EmbeddingUn embedding es la representación numérica de una palabra, de una frase o de un documento, en forma de vector en un espacio de varios cientos o miles de dimensiones. Dos textos semánticamente próximos tienen embeddings geométricamente próximos, lo que permite la búsqueda por sentido y no por palabras clave.
- EntrenamientoEl entrenamiento es la fase de construcción de un modelo de IA, durante la cual el modelo ingiere un corpus masivo y ajusta sus miles de millones de parámetros internos para aprender las regularidades estadísticas de ese corpus. Es la operación más costosa del ciclo de vida de un modelo.
- IA generativaLa IA generativa es una familia de modelos de inteligencia artificial capaces de producir contenido nuevo (texto, imagen, sonido, vídeo, código) a partir de una instrucción en lenguaje natural, a diferencia de las IA tradicionales, que se limitaban a clasificar, predecir o detectar.
- InferenciaLa inferencia es la fase de uso de un modelo de IA, durante la cual el modelo calcula una respuesta a partir de un prompt dado. Es la operación facturada por los proveedores de API, distinta del entrenamiento, que es un coste fijo inicial.
- Inteligencia artificial (IA)La inteligencia artificial (IA) designa el conjunto de técnicas que permiten a una máquina realizar tareas asociadas a la inteligencia humana: reconocer una imagen, comprender un texto, predecir, decidir, redactar. En el derecho europeo, un «sistema de IA» se reconoce por su capacidad de inferencia: infiere de la información de entrada que recibe cómo generar predicciones, contenidos, recomendaciones o decisiones (AI Act, artículo 3).
- LLM (Large Language Model)Un LLM (Large Language Model) es un tipo de inteligencia artificial entrenado sobre corpus de texto de varios cientos de miles de millones de palabras, que produce lenguaje natural prediciendo, palabra por palabra, la continuación más probable de un texto dado.
- Machine learning (aprendizaje automático)El machine learning, o aprendizaje automático, es la rama de la inteligencia artificial en la que un programa aprende a realizar una tarea a partir de ejemplos, en lugar de seguir reglas escritas por un programador. Se basa en un modelo cuyos parámetros se ajustan automáticamente con datos hasta dar resultados fiables.
- Modelo de fundaciónUn modelo de fundación es un modelo de IA generalista entrenado sobre datos masivos y diversificados, que sirve de base reutilizable para decenas o incluso cientos de aplicaciones de negocio distintas, por adaptación (fine-tuning, RAG, prompt) y no por entrenamiento específico.
- Modelo de razonamiento (reasoning model)Un modelo de razonamiento (reasoning model) es un gran modelo de lenguaje entrenado para producir una reflexión interna, paso a paso, antes de dar su respuesta. Es más fiable en los problemas complejos (análisis, cálculo, código, planificación de agentes), pero más lento y más caro, porque sus tokens de reflexión se facturan.
- MultimodalUn modelo de IA multimodal es un modelo capaz de tratar y de producir varios tipos de contenido simultáneamente: texto, imagen, audio, vídeo, código. El mismo modelo puede analizar una foto, comprender una pregunta vocal, leer un documento, y responder por escrito, sin pipeline intermedio.
- ParámetroUn parámetro de un modelo de IA es un valor numérico aprendido durante el entrenamiento, que determina la fuerza de las conexiones entre las neuronas artificiales de la red. El número de parámetros mide la capacidad del modelo para almacenar asociaciones entre los elementos de su corpus de aprendizaje.
- PLN (procesamiento del lenguaje natural, NLP)El PLN (procesamiento del lenguaje natural, en inglés natural language processing o NLP) es el campo de la inteligencia artificial que permite a una máquina analizar, comprender y producir lenguaje humano, escrito u oral. Los grandes modelos de lenguaje (LLM) como ChatGPT o Claude son hoy su forma más visible.
- Red neuronal (artificial)Una red neuronal artificial es un modelo de cálculo formado por pequeñas unidades interconectadas, las neuronas artificiales, organizadas en capas: cada neurona combina sus entradas según unos pesos y transmite una señal a la capa siguiente. El aprendizaje consiste en ajustar automáticamente esos pesos, a partir de ejemplos, hasta que la red produce las respuestas correctas.
- RLHF (aprendizaje por refuerzo a partir de retroalimentación humana)El RLHF (reinforcement learning from human feedback, o aprendizaje por refuerzo a partir de retroalimentación humana) es una técnica de entrenamiento que ajusta un modelo de lenguaje según las preferencias de personas que comparan y clasifican sus respuestas. Popularizada por InstructGPT (OpenAI, 2022) y después por ChatGPT, convirtió modelos que prolongaban texto en asistentes que siguen instrucciones, con un efecto secundario documentado: la tendencia a dar la razón al usuario.
- Sobreajuste (overfitting)El sobreajuste (overfitting) designa un modelo de IA que se ajusta tanto a sus datos de entrenamiento que los memoriza, en lugar de extraer reglas generales: obtiene excelentes resultados en las pruebas internas y luego se equivoca con casos nuevos. Es una de las causas más frecuentes de que un modelo brillante en la demostración decepcione en producción.
- TokenUn token es la unidad elemental de texto que manipula un modelo de IA, generalmente un fragmento de palabra de 2 a 4 caracteres, según el modelo y el idioma. Es a la vez la unidad de cálculo del modelo y la unidad de facturación de los proveedores de IA, contabilizada por separado en entrada y en salida.
- TransformerEl transformer es la arquitectura de red neuronal, introducida por Google en 2017, que sustenta la casi totalidad de los modelos de IA generativa actuales. Su innovación central es el mecanismo de atención, que permite al modelo ponderar dinámicamente la importancia relativa de las palabras en una secuencia.
- Visión por computadora (computer vision)La visión por computadora (o visión artificial, computer vision) es el campo de la inteligencia artificial que permite a una máquina analizar imágenes y vídeos: reconocer objetos, detectar defectos, leer un documento, seguir un movimiento. En Europa, sus usos biométricos (reconocimiento facial, reconocimiento de emociones) están en parte prohibidos y en parte clasificados de alto riesgo por el Reglamento de IA.