Glosario sobre Inteligencia Artificial (IA)

Vocabulario sobre la IA, con palabras, términos y conceptos clave para navegar por la Inteligencia Artificial.

La Inteligencia Artificial (IA) hace tiempo que dejó de ser un tema propio de las novelas de ciencia ficción para convertirse en una herramienta activa y presente en nuestra vida cotidiana, personal y profesional.

La IA está revolucionando cómo interactuamos con la tecnología y cómo resolvemos problemas complejos, desde las recomendaciones en las plataformas de streaming hasta los asistentes virtuales que usamos a diario.

Sin embargo, entender cómo funciona la Inteligencia Artificial puede ser un desafío, especialmente ante la gran cantidad de términos técnicos con los que es imprescindible familiarizarse.

Para ayudarte a descifrar este fascinante mundo, hemos preparado un diccionario dinámico con palabras, definiciones y conceptos clave sobre la Inteligencia Artificial (IA). Aquí encontrarás explicaciones claras y sencillas que te permitirán comprender mejor el funcionamiento y el impacto de la IA.

IA: vocabulario clave

Ajuste de hiperparámetros: proceso por el cual se seleccionan los mejores valores para los parámetros del modelo que no son aprendidos directamente durante el entrenamiento.

Ajuste de instrucciones (instruction tuning): una técnica avanzada en el campo del aprendizaje automático, particularmente útil en modelos de lenguaje natural (NLP). Se enfoca a entrenar o refinar modelos grandes de lenguaje para que respondan mejor a indicaciones o instrucciones dadas en lenguaje humano.

Ajuste fino (fine-tuning): proceso dentro del aprendizaje automático y la inteligencia artificial que consiste en tomar un modelo previamente entrenado (generalmente en un conjunto de datos grande y genérico) y refinarlo para que se adapte mejor a una tarea específica o a un conjunto de datos más reducido y especializado.

Algoritmo: conjunto de pasos o instrucciones que se diseñan para resolver un problema o realizar una tarea específica. Es la base de la programación y de muchas operaciones en informática, matemáticas y en inteligencia artificial.

Alucinación: situación en la que un modelo, especialmente un modelo de lenguaje natural como GPT, genera información que parece plausible o correcta pero que es incorrecta, no está respaldada por hechos o es completamente inventada.

Aprendizaje automático: subcampo de la inteligencia artificial que permite a las máquinas aprender y mejorar automáticamente a partir de datos, sin ser programadas explícitamente para cada tarea. El aprendizaje automático utiliza algoritmos que analizan datos, identifican patrones y generan modelos capaces de hacer predicciones o tomar decisiones basadas en nueva información. Es la base de muchas aplicaciones, como el reconocimiento facial, los motores de recomendación y los sistemas autónomos.

Aprendizaje basado en instancias: enfoque en el que un modelo utiliza ejemplos específicos de entrenamiento para hacer predicciones en lugar de aprender una función general. Métodos como k-vecinos más cercanos (KNN) son ejemplos de este tipo de aprendizaje, ya que predicen la clase o el valor de una instancia en función de sus vecinos más cercanos en el espacio de características.

Aprendizaje por refuerzo: aprendizaje automático en el que un agente aprende a tomar decisiones interactuando con un entorno. A través de pruebas y errores, el agente recibe recompensas o penalizaciones y ajusta su comportamiento para maximizar las recompensas a largo plazo. Se utiliza en áreas como robots autónomos, juegos y optimización de procesos.

Aprendizaje por transferencia: técnica de aprendizaje automático en la que un modelo previamente entrenado en un conjunto de datos se reutiliza para una tarea similar en un conjunto de datos diferente. Esta técnica es útil para mejorar la eficiencia del entrenamiento y reducir el tiempo necesario para entrenar modelos en grandes conjuntos de datos.

Aprendizaje profundo (Deep Learning): subcampo del aprendizaje automático que utiliza redes neuronales con múltiples capas (también conocidas como redes neuronales profundas) para modelar patrones complejos en grandes volúmenes de datos. Estas redes son capaces de aprender representaciones jerárquicas de datos, extrayendo características simples en las primeras capas y combinándolas en abstracciones más complejas en las capas más profundas. El aprendizaje profundo es la base de tecnologías avanzadas como el reconocimiento de voz, visión por computadora, procesamiento de lenguaje natural y generación de imágenes.

Aprendizaje no supervisado: técnica de aprendizaje automático que se utiliza cuando los datos no están etiquetados, y el modelo debe encontrar patrones o estructuras subyacentes en ellos. Un caso práctico sería la segmentación de clientes en grupos según sus comportamientos de compra, sin información previa sobre las categorías.

Aprendizaje supervisado: técnica de aprendizaje automático donde los modelos son entrenados con datos etiquetados, es decir, datos que incluyen tanto las entradas como las salidas esperadas. Durante el entrenamiento, el modelo aprende a mapear las entradas a las salidas correctas.

Aprendizaje por refuerzo: aprendizaje automático donde un agente interactúa con un entorno y aprende a tomar decisiones mediante un sistema de recompensas y castigos. El agente busca maximizar las recompensas acumuladas a lo largo del tiempo ajustando sus acciones en función del resultado que obtenga. Este enfoque se utiliza ampliamente en juegos, robótica y control autónomo, como entrenar un dron para volar de manera óptima evitando obstáculos.

A/B testing: método de experimentación que se utiliza para comparar dos versiones (A y B) de un sistema, producto o página web para evaluar cuál de ellas genera mejores resultados. El objetivo es determinar qué variante produce el mejor rendimiento en función de una métrica específica (por ejemplo, tasa de conversión, clics, etc.). Es comúnmente utilizado en marketing digital y optimización de productos.

Big Data: Conjunto masivo de datos complejos.

ChatGPT: modelo avanzado de lenguaje desarrollado por OpenAI, basado en la arquitectura GPT (Generative Pre-trained Transformer). Entrenado en grandes volúmenes de texto, puede comprender y generar respuestas en lenguaje natural, permitiendo interacciones más humanas y contextuales.

Clasificación: tarea de aprendizaje automático que consiste en asignar etiquetas o categorías predefinidas a instancias de datos basadas en sus características. En esta tarea, se entrena un modelo utilizando datos etiquetados (conjunto de entrenamiento) para que pueda identificar patrones y aprender a predecir la categoría o clase correcta para nuevos datos no etiquetados. Es utilizada en una variedad de aplicaciones, como diagnóstico médico, sistemas de detección de fraude y en el reconocimiento de imágenes.

Clúster: grupo de elementos o datos que comparten características similares, identificados a través de técnicas de agrupamiento, un enfoque común en el aprendizaje no supervisado. A diferencia de la clasificación, donde las etiquetas ya están definidas, el agrupamiento busca descubrir estructuras ocultas en los datos sin que se proporcionen etiquetas.

Computación Cognitiva: campo de la inteligencia artificial que busca simular los procesos de pensamiento humano, tales como el razonamiento, la percepción, el aprendizaje y la toma de decisiones, a través de sistemas computacionales. A través de algoritmos avanzados y análisis de grandes volúmenes de datos, los sistemas de computación cognitiva son capaces de interpretar, aprender y adaptarse de manera autónoma a nuevas situaciones. Estos sistemas se usan en áreas como el diagnóstico médico, la automatización de procesos empresariales y la interacción con los usuarios mediante asistentes virtuales.

Conjunto de Datos (Dataset): colección organizada de información, generalmente representada en forma de tablas o matrices, que se utiliza para entrenar y evaluar modelos de aprendizaje automático. Los datasets pueden ser simples, como tablas con variables numéricas o categóricas, o complejos, como imágenes o secuencias de texto. Los conjuntos de datos se dividen comúnmente en tres partes: entrenamiento, validación y prueba, para asegurar que los modelos entrenados generalicen correctamente a nuevos datos no vistos previamente.

Cuantificación de incertidumbre: proceso de medir y representar la incertidumbre en las predicciones de un modelo de aprendizaje automático. Esto es particularmente importante en tareas críticas, como la medicina o la conducción autónoma, donde conocer el grado de confianza de las predicciones puede ser vital para tomar decisiones informadas. Métodos comunes incluyen las redes bayesianas y modelos probabilísticos.

Datos Escasos: son aquellos datos en los que la mayoría de los valores son nulos o faltantes, lo que dificulta su análisis y procesamiento. Las técnicas de aprendizaje automático que trabajan con datos escasos deben ser capaces de manejar la falta de información de manera efectiva, utilizando métodos como imputación de valores o algoritmos que manejan datos dispersos.

Entrenamiento: entrenamiento de un modelo es el proceso mediante el cual un algoritmo de aprendizaje automático ajusta sus parámetros internos utilizando un conjunto de datos para minimizar el error en sus predicciones. Durante el entrenamiento, el modelo pasa por múltiples iteraciones donde evalúa sus predicciones y ajusta sus parámetros para mejorar la precisión en las salidas. Este proceso es clave en el desarrollo de modelos capaces de generalizar patrones de datos y hacer predicciones en situaciones no vistas previamente.

Evento extremo: es una situación inusual y poco frecuente que tiene un impacto significativo en un sistema. Los eventos extremos pueden ocurrir en diversos contextos, como el clima (huracanes, olas de calor), la industria (fallos críticos en equipos o ciberataques), los mercados financieros (crisis bursátiles) o el sector retail (picos de demanda inesperados, fallos en la cadena de suministro o interrupciones logísticas).

Eventos sintéticos: simulaciones o recreaciones de situaciones que no ocurrieron en el mundo real pero que son generadas artificialmente, usualmente mediante algoritmos de aprendizaje automático o sistemas de simulación. Los eventos sintéticos se utilizan para entrenar, probar o validar modelos de IA en un entorno controlado o para complementar datos reales.

Framework: conjunto de herramientas y bibliotecas predefinidas que facilita el desarrollo y la implementación de modelos de IA. Estos entornos proporcionan interfaces y funcionalidades que simplifican la programación, manejo de datos, entrenamiento y optimización de modelos.

Generación de Lenguaje Natural (NLG): área de la inteligencia artificial que se enfoca en producir texto comprensible y coherente a partir de datos estructurados o no estructurados. Los sistemas de NLG son capaces de generar narrativas o respuestas en lenguaje humano, imitando la fluidez y la lógica del discurso natural.

GPU: componente de hardware especializado originalmente diseñado para el procesamiento de gráficos en aplicaciones de videojuegos, pero que ha demostrado ser altamente eficiente en tareas de aprendizaje automático y deep learning debido a su capacidad de procesamiento paralelo. Las GPUs permiten realizar cálculos masivos de manera simultánea, lo que las hace ideales para el entrenamiento de redes neuronales profundas.

Hiperparámetro: es un parámetro que no se aprende directamente del conjunto de datos durante el entrenamiento, sino que se ajusta de manera manual antes de comenzar el proceso. Estos parámetros controlan el comportamiento del modelo y del algoritmo de optimización. Ajustar los hiperparámetros de manera adecuada es crucial para obtener el mejor rendimiento del modelo.

Inferencia: es el proceso de usar un modelo ya entrenado para hacer predicciones sobre datos nuevos. A diferencia del entrenamiento, en el cual el modelo ajusta sus parámetros, la inferencia consiste en aplicar los parámetros aprendidos para generar salidas basadas en las nuevas entradas.

Inteligencia Artificial (IA): es el campo de la informática que se centra en crear máquinas y sistemas capaces de realizar tareas que requieren inteligencia humana, como el reconocimiento de patrones, el aprendizaje de datos, la toma de decisiones y la resolución de problemas. Abarca una amplia gama de disciplinas, desde el aprendizaje automático hasta la visión por computadora y la robótica, con aplicaciones en diversos sectores, como la medicina, la educación, el transporte y la seguridad.

Inteligencia Artificial Descriptiva: Se centra en analizar grandes volúmenes de datos para extraer información útil sobre patrones, tendencias y comportamientos. La IA Descriptiva es fundamental para la toma de decisiones basada en datos. Por ejemplo, se utiliza en herramientas de análisis de mercado, sistemas de evaluación de riesgos en bancos y análisis de redes sociales. Sectores como finanzas, marketing y salud dependen de este tipo de IA para entender procesos complejos o comportamientos humanos.

Inteligencia Artificial débil (Narrow AI): Es el tipo más común y se diseña para resolver tareas específicas con alta eficiencia, aunque carece de flexibilidad para abordar problemas fuera de su ámbito. Algunos ejemplos incluyen asistentes virtuales como Alexa o Siri, algoritmos de recomendación en plataformas de cine y sistemas de reconocimiento facial. Su principal limitación es que no puede «pensar» o aplicar lo aprendido en contextos diferentes.

Inteligencia Artificial Fuerte o General (General AI): La IA fuerte aspira a tener habilidades cognitivas generales, como aprender, razonar y adaptarse a cualquier tarea intelectual que un humano pueda realizar. Este tipo de inteligencia artificial tiene un enorme potencial para resolver problemas complejos y transformar múltiples áreas del conocimiento, aunque aún no se ha desarrollado completamente.

Inteligencia Artificial Generativa: La IA Generativa se especializa en crear contenido nuevo y original, como textos, imágenes, música o videos, basándose en los datos con los que fue entrenada. Ejemplos destacados incluyen GPT-4, que genera texto coherente y natural, DALL·E, que crea imágenes a partir de descripciones textuales, y DeepArt, que genera obras de arte digitales. Las aplicaciones de la IA Generativa son muy amplias, desde diseño gráfico y marketing hasta la creación de videojuegos y entretenimiento.

Inteligencia Artificial Híbrida: Combina múltiples enfoques de inteligencia artificial, como el aprendizaje supervisado y los modelos generativos, para abordar problemas más complejos. Un ejemplo podría ser un sistema de atención médica que utilice modelos generativos para diagnosticar enfermedades y algoritmos supervisados para personalizar tratamientos.

Inteligencia Artificial Reactiva: Este tipo de IA responde exclusivamente a estímulos del entorno en tiempo real, sin capacidad para almacenar información pasada ni planificar a futuro. Un ejemplo clásico es Deep Blue, el programa de IBM que venció al campeón de ajedrez G. Kasparov en 1997.

Inteligencia Artificial Súper Inteligente: Inteligencia artificial hipotética que excede ampliamente las capacidades humanas en todas las áreas, desde habilidades intelectuales hasta creatividad y resolución de problemas. Un ejemplo teórico sería una IA capaz de rediseñarse continuamente para mejorar indefinidamente.

Inteligencia Artificial Teórica o de Autoconciencia: Es un tipo de inteligencia artificial hipotética que tendría conciencia de sí misma, emociones, intenciones y la capacidad de comprender su impacto en el mundo. Este concepto plantea desafíos éticos fundamentales, como si una IA consciente debería tener derechos. Por ahora, pertenece más al ámbito de la especulación y la filosofía que a la tecnología práctica.

Inteligencia Artificial con Memoria Limitada: Esta IA puede almacenar temporalmente información pasada para tomar decisiones informadas. Es más avanzada que la IA reactiva y se utiliza en sistemas modernos, como los coches autónomos, que monitorean el tráfico, los peatones y las condiciones climáticas para ajustar su comportamiento en tiempo real. Esta capacidad le permite adaptarse a contextos dinámicos con mayor precisión.

Inteligencia Artificial General (IAG), también conocida como IA fuerte, se refiere a un tipo de IA que tiene la capacidad de comprender, aprender y aplicar habilidades cognitivas humanas de forma flexible en una amplia variedad de contextos. A diferencia de la IA débil, que está diseñada para tareas específicas (como la clasificación de imágenes), la IAG es capaz de realizar cualquier tarea cognitiva que un ser humano pueda realizar.

Interpretabilidad: capacidad de comprender cómo un modelo de aprendizaje automático llega a sus decisiones o predicciones. Dado que muchos modelos de IA, como las redes neuronales profundas, son considerados «caja negra» debido a su complejidad, la interpretabilidad se ha convertido en un área importante para garantizar la transparencia, la justicia y la confianza en las decisiones automatizadas.

Minería de datos: proceso de extraer patrones, tendencias e información significativa de grandes volúmenes de datos. Utiliza técnicas de aprendizaje automático, estadística y análisis de bases de datos para descubrir relaciones que no son obvias a simple vista. Se emplea en diversas áreas como el análisis de comportamiento de los clientes, la detección de fraudes, y la predicción de tendencias en el mercado.

Minería de textos: proceso de extraer información significativa de grandes volúmenes de texto no estructurado. Utiliza técnicas de procesamiento de lenguaje natural (NLP), análisis de sentimientos y clasificación de texto para convertir el texto en datos estructurados que pueden ser analizados. Se utiliza en áreas como análisis de opiniones, detección de fraudes y filtrado de spam.

Modelo predictivo: modelo de aprendizaje automático utilizado para hacer predicciones sobre datos futuros. Basado en patrones aprendidos a partir de datos históricos, un modelo predictivo puede estimar resultados futuros en diversas áreas como ventas, demanda, comportamiento del cliente, etc.

Neurite: las redes neuronales están formadas por unidades llamadas «neuronas artificiales», y los «neurites» serían los enlaces entre estas neuronas. En este caso, los neurites representan las conexiones sinápticas que permiten que la información fluya de una neurona a otra en una red.

Perceptrón: modelo más básico de neurona artificial utilizado en redes neuronales. Consiste en una unidad de procesamiento que toma varias entradas, las pondera, las suma y pasa el resultado a través de una función de activación para producir una salida. Es la base de las redes neuronales modernas.

Pipeline: secuencia de pasos o procesos que se siguen de manera organizada para procesar y analizar datos. En el contexto del aprendizaje automático, un pipeline incluye todas las etapas, desde la preparación de datos, entrenamiento del modelo, hasta la evaluación y despliegue.

Programación genética: enfoque de algoritmos evolutivos en el que los programas informáticos se evolucionan mediante un proceso inspirado en la selección natural. En este proceso, los programas son tratados como una población que se somete a mutaciones y cruzamientos para generar soluciones nuevas y mejores para un problema específico. Se utiliza en optimización y búsqueda de soluciones en entornos complejos.

Reconocimiento de voz: tecnología que convierte la voz humana en texto. Utiliza modelos de aprendizaje automático y procesamiento de lenguaje natural (NLP) para identificar palabras y frases a partir de sonidos. Es fundamental en aplicaciones como asistentes virtuales (como Siri o Alexa), traducción automática de voz y transcripción automática.

Red generativa adversarial (GAN): las Generative Adversarial Networks (GANs), en español Redes Generativas Adversarias (RGAs), son una técnica de aprendizaje profundo que consta de dos redes neuronales (la generadora y la discriminadora) que se utilizan para generar datos sintéticos que son similares a los datos de entrenamiento originales.

Red neuronal: modelo computacional inspirado en el cerebro humano, compuesto por nodos (o neuronas) interconectados que realizan tareas de procesamiento de información. Los modelos de redes neuronales están organizados en capas, donde cada capa transforma la información de manera no lineal para aprender representaciones jerárquicas de los datos.

Red neuronal recurrente (RNN): tipo de red neuronal diseñada para procesar secuencias de datos, como texto, audio o series temporales. A diferencia de las redes tradicionales, las RNNs tienen conexiones que permiten que la información fluya en ciclos, lo que les permite mantener una «memoria» de entradas previas. Son útiles en aplicaciones como traducción automática, predicción de series temporales y generación de texto.

Regularización: técnica utilizada en aprendizaje automático para prevenir el sobreajuste al agregar penalizaciones a los parámetros del modelo. Al introducir un término adicional en la función de pérdida, se controla la complejidad del modelo, ayudando a que generalice mejor a nuevos datos no vistos.

Regresión: técnica de aprendizaje supervisado utilizada para predecir un valor continuo a partir de datos de entrada. Los modelos de regresión intentan ajustar una función matemática que describa la relación entre las variables independientes y dependientes. Ejemplos de regresión incluyen regresión lineal y regresión polinómica, que se aplican en áreas como la predicción de precios, temperaturas y más.

Segmentación de imágenes: proceso de dividir una imagen en diferentes regiones o partes con características similares, lo que facilita su análisis. Este proceso es clave en tareas de visión por computadora, como el reconocimiento de objetos y la detección de contornos. Existen técnicas automáticas y manuales para segmentar imágenes de manera precisa, como segmentación basada en umbral y segmentación por regiones.

Semántica: estudio del significado en los datos, especialmente en los datos textuales. En el contexto de inteligencia artificial, la semántica busca comprender e interpretar el significado de las palabras y las relaciones entre ellas en un lenguaje humano, para permitir que las máquinas procesen y generen lenguaje de manera efectiva. En NLP, esto incluye tareas como desambiguación de palabras y análisis de relaciones semánticas.

Sesgo: distorsión en datos o modelos que afecta los resultados. Sesgo es un desvío sistemático o preferencia no intencional que se introduce en un modelo de IA, lo que puede dar lugar a decisiones, resultados o predicciones que son injustas o desproporcionadas hacia ciertos grupos, características o variables. El sesgo puede surgir en varias fases del ciclo de vida de un sistema de IA, desde la recolección de datos hasta el diseño del modelo y la interpretación de los resultados.

TensorFlow: framework de código abierto desarrollado por Google para aprendizaje automático y aprendizaje profundo. Proporciona una plataforma flexible y eficiente para construir, entrenar y desplegar modelos de redes neuronales y otras aplicaciones de IA.

Validación cruzada: técnica utilizada para evaluar el rendimiento de un modelo mediante la división del conjunto de datos en varios subconjuntos (o pliegues). El modelo se entrena con algunos de estos subconjuntos y se prueba con el resto, repitiendo el proceso varias veces. Esto ayuda a asegurar que el modelo generaliza bien y no depende demasiado de un único conjunto de datos de entrenamiento.

Vectorización: proceso de convertir datos no estructurados, como texto, en representaciones numéricas (vectores) que pueden ser procesadas por algoritmos de aprendizaje automático. En procesamiento de lenguaje natural (NLP), la vectorización convierte palabras o frases en vectores de características, lo que permite que las máquinas comprendan y manipulen el texto de manera matemática.

Visión artificial: área de la inteligencia artificial que se enfoca en el desarrollo de sistemas que permiten a las computadoras interpretar y comprender imágenes o videos del mundo real. Estos sistemas utilizan cámaras y algoritmos avanzados para analizar y extraer información útil de las imágenes, lo que los hace fundamentales en aplicaciones como la inspección automatizada, el reconocimiento facial, la conducción autónoma y la medicina.