El mundo de la inteligencia artificial es profundo y a menudo complejo, repleto de jerga técnica que puede resultar abrumadora. Para ayudarte a navegar por este panorama en constante evolución, hemos creado una guía esencial con las definiciones de los términos más importantes y comunes. Este glosario se actualiza regularmente para reflejar los nuevos avances y conceptos emergentes en la frontera de la IA.
Un término nebuloso que generalmente se refiere a una IA más capaz que el humano promedio en muchas, si no la mayoría, de las tareas. Sam Altman, CEO de OpenAI, la describió recientemente como el «equivalente de un humano mediano que podrías contratar como compañero de trabajo». Su definición exacta varía entre los principales laboratorios de investigación.
Una herramienta que utiliza tecnologías de IA para realizar una serie de tareas en tu nombre de manera autónoma, como gestionar gastos o reservar mesas, yendo más allá de lo que hace un chatbot básico. Implica un sistema que puede utilizar múltiples modelos de IA para llevar a cabo tareas de múltiples pasos.
En el contexto de la IA, significa descomponer un problema en pasos intermedios más pequeños para mejorar la calidad del resultado final. Los modelos de razonamiento están optimizados para este tipo de pensamiento, lo que lleva a respuestas más precisas, especialmente en lógica o codificación.
Se refiere al poder computacional vital que permite operar a los modelos de IA. Este procesamiento alimenta la industria, permitiendo entrenar y desplegar modelos potentes. Es la abreviatura del hardware como GPUs, CPUs y TPUs que forman la base de la IA moderna.
Un subconjunto del aprendizaje automático que utiliza redes neuronales artificiales de múltiples capas. Esta estructura permite a los algoritmos identificar características importantes en los datos por sí mismos y aprender de los errores, pero requiere grandes volúmenes de datos y un entrenamiento costoso.
La tecnología central de muchos modelos generativos de arte, música y texto. Inspirada en la física, estos sistemas aprenden a recuperar datos del ruido, lo que permite generar contenido nuevo y realista.
Técnica para extraer conocimiento de un modelo grande (el ‘maestro’) y transferirlo a uno más pequeño y eficiente (el ‘estudiante’). Se utiliza para crear versiones optimizadas de modelos, como el GPT-4 Turbo de OpenAI.
El entrenamiento adicional de un modelo de IA para optimizar su rendimiento en una tarea o área específica, alimentándolo con datos especializados. Es una práctica común para adaptar modelos de lenguaje grandes a productos comerciales.
Un marco de aprendizaje automático que enfrenta a dos redes neuronales: un generador que crea datos y un discriminador que los evalúa. Esta competencia optimiza la producción de resultados realistas, como en herramientas de deepfake.
El término preferido por la industria para cuando los modelos de IA inventan información incorrecta. Es un gran problema de calidad que surge de lagunas en los datos de entrenamiento y conlleva riesgos de desinformación.
El proceso de ejecutar un modelo de IA entrenado para hacer prediciones o sacar conclusiones. Puede realizarse en distintos hardware, desde teléfonos hasta potentes servidores en la nube.
Los modelos de IA detrás de asistentes populares como ChatGPT, Claude o Gemini. Son redes neuronales profundas con miles de millones de parámetros que aprenden patrones del lenguaje a partir de textos masivos para generar respuestas coherentes.
Una técnica de optimización que hace que el proceso de inferencia sea más eficiente al almacenar cálculos para consultas futuras, reduciendo el tiempo y el poder computacional necesario para generar respuestas.
La estructura algorítmica multicapa que sustenta el aprendizaje profundo y el auge de la IA generativa. Inspirada en el cerebro humano, su potencia se desbloqueó con el hardware de procesamiento gráfico (GPUs).
Término coloquial para la creciente escasez y encarecimiento de los chips de memoria RAM, impulsada por la enorme demanda de la industria de la IA para sus centros de datos, afectando a otros sectores como el gaming y la electrónica de consumo.
El proceso fundamental de alimentar datos a un modelo de IA para que aprenda patrones y genere resultados útiles. Es lo que da forma a la IA a partir de una estructura matemática inicial y puede ser costoso por la gran cantidad de datos y cómputo requeridos.
Las unidades básicas de comunicación entre humanos e IA. Representan segmentos de datos procesados o producidos por un LLM. La tokenización traduce el lenguaje humano para que la IA lo entienda. Su uso también determina los costos en los servicios de IA empresariales.
Técnica que utiliza un modelo previamente entrenado como punto de partida para una nueva tarea relacionada, permitiendo reutilizar conocimiento y ahorrar recursos en el desarrollo.
Parámetros numéricos centrales en el entrenamiento de la IA que determinan la importancia de diferentes características en los datos de entrada. Se ajustan durante el entrenamiento para que el modelo produzca resultados más precisos.
El campo de la inteligencia artificial avanza a un ritmo vertiginoso. Esta guía de términos se actualizará periódicamente para incluir nuevos conceptos y definiciones a medida que los investigadores empujen las fronteras de lo posible y identifiquen nuevos riesgos y oportunidades. Dominar este lenguaje es el primer paso para comprender la tecnología que está dando forma a nuestro futuro.
Estas buscando algo?
Nuestros Programas:
Al Ritmo de Miami Healthy
Aprende qué comer y cómo vivir mejor para elevar tu bienestar.
Despertando con Claudio María Domínguez
Reflexiones de espiritualidad, bienestar y conciencia Claudio María Domínguez
Misterios Ocultos
OVNIs, enigmas históricos y lo inexplicable contado por expertos.
Inmigrar a Miami
Tu puente a los Estados Unidos Te ayudamos a alcanzar tus sueños americanos con soluciones personalizada.
