Términos de Inteligencia Artificial Explicados: Un Glosario Completo

Inteligencia Artificial: Un Nuevo Lenguaje

La inteligencia artificial está transformando el mundo y, al mismo tiempo, inventando todo un nuevo vocabulario para describir cómo lo hace. Pasar cinco minutos leyendo sobre IA te hará topar con términos como LLM, RAG, RLHF y una docena más que pueden hacer sentir inseguros incluso a los expertos en tecnología. Este glosario busca solucionar eso. Se actualiza regularmente a medida que el campo evoluciona, por lo que es un documento vivo, como los sistemas de IA que describe.

Conceptos Fundamentales

Inteligencia General Artificial (AGI): Se refiere a una IA más capaz que el humano promedio en muchas (si no la mayoría) tareas. Según Sam Altman (CEO de OpenAI), es el «equivalente a un humano mediano que podrías contratar como colega». Google DeepMind lo define como «IA al menos tan capaz como los humanos en la mayoría de tareas cognitivas».

Agente de IA: Herramienta que utiliza tecnologías de IA para realizar una serie de tareas en tu nombre, más allá de lo que un chatbot básico puede hacer: gestionar gastos, reservar boletos o escribir y mantener código. El concepto implica un sistema autónomo que puede recurrir a múltiples sistemas de IA para realizar tareas de varios pasos.

Puntos finales de API: Son como «botones» en la parte posterior de un software que otros programas pueden presionar para hacer que funcione. Los desarrolladores usan estas interfaces para construir integraciones. Con el avance de los agentes de IA, estos pueden encontrar y usar estos puntos finales por sí mismos, abriendo posibilidades de automatización poderosas.

Modelos y Arquitecturas

Modelo de Lenguaje Grande (LLM): Son los modelos utilizados por asistentes de IA populares como ChatGPT, Claude, Gemini, Llama, Copilot o Le Chat. Los LLM son redes neuronales profundas con miles de millones de parámetros numéricos que aprenden las relaciones entre palabras y frases, creando una representación multidimensional del lenguaje.

Red Neuronal: Estructura algorítmica multicapa que impulsa el aprendizaje profundo. Inspirada en las conexiones del cerebro humano, el auge de las GPU (unidades de procesamiento gráfico) permitió entrenar algoritmos con muchas más capas, logrando mejor rendimiento en reconocimiento de voz, navegación autónoma y descubrimiento de fármacos.

Aprendizaje Profundo (Deep Learning): Subconjunto del aprendizaje automático donde los algoritmos se diseñan con una red neuronal artificial multicapa. Pueden identificar características importantes en los datos por sí mismos, sin intervención humana, pero requieren millones de datos y más tiempo de entrenamiento.

Difusión: Tecnología en el corazón de muchos modelos generativos de arte, música y texto. Inspirado en la física, los sistemas de difusión «destruyen» la estructura de los datos añadiendo ruido, y luego aprenden un proceso de «difusión inversa» para restaurar los datos originales.

Procesos de Entrenamiento y Optimización

Entrenamiento: Proceso donde se alimentan datos al modelo para que aprenda patrones y genere resultados útiles. El sistema se adapta hacia un objetivo deseado mediante la identificación de características en los datos. Puede ser costoso debido al gran volumen de entradas.

Ajuste Fino (Fine-Tuning): Entrenamiento adicional de un modelo para optimizar su rendimiento en una tarea más específica, alimentándolo con nuevos datos orientados a esa tarea. Muchas startups toman LLM como base y los ajustan con su propio conocimiento de dominio.

Destilación (Distillation): Técnica para extraer conocimiento de un modelo grande usando un modelo «maestro-alumno». Las solicitudes al modelo maestro y sus salidas se usan para entrenar un modelo estudiante más pequeño y eficiente. OpenAI probablemente usó esto para desarrollar GPT-4 Turbo.

Aprendizaje por Refuerzo (Reinforcement Learning): Método de entrenamiento donde el sistema aprende probando cosas y recibiendo recompensas por respuestas correctas, similar a entrenar una mascota con premios. Técnicas como RLHF (aprendizaje por refuerzo con retroalimentación humana) son centrales para afinar modelos.

Pesos (Weights): Parámetros numéricos que determinan la importancia de diferentes características en los datos durante el entrenamiento. Comienzan asignados aleatoriamente y se ajustan para que la salida se acerque más al objetivo. Definen lo más relevante en el conjunto de datos.

Problemas y Conceptos Avanzados

Alucinación (Hallucination): Término preferido para cuando los modelos de IA inventan información incorrecta. Es un gran problema para la calidad de la IA. Las alucinaciones pueden ser engañosas y peligrosas, por ejemplo, en consultas de salud. Se cree que surgen por lagunas en los datos de entrenamiento.

RAMageddon: Nuevo término para una tendencia de escasez de chips de memoria RAM. A medida que la IA florece, las grandes empresas compran tanta RAM para sus centros de datos que queda poca para el resto, elevando los precios y afectando a la industria de videojuegos, electrónica de consumo y empresas.

Auto-mejora Recursiva (RSI): Umbral donde los modelos de IA comienzan a mejorarse a sí mismos sin intervención humana, acelerando capacidades y autonomía. Algunas startups ya buscan construir modelos con esta capacidad, aunque descartan implicaciones apocalípticas.

Tokens y Rendimiento (Throughput): Los tokens son fragmentos de texto en los que los modelos dividen el lenguaje antes de procesarlo. El rendimiento de tokens mide cuánto trabajo de IA puede manejar un sistema en un período de tiempo. Maximizar el rendimiento de tokens es un objetivo clave en infraestructura de IA.

Pérdida de Validación (Validation Loss): Número que indica qué tan bien está aprendiendo un modelo durante el entrenamiento (menor es mejor). Ayuda a detectar sobreajuste (overfitting), donde el modelo memoriza los datos en lugar de aprender patrones generalizables.

Conceptos Relacionados

Código Abierto (Open Source): En IA, se refiere a modelos cuyo código subyacente está disponible públicamente para su uso, inspección o modificación. Ejemplo: la familia Llama de Meta. En contraste, el código cerrado (closed source) mantiene privado el código, como los modelos GPT de OpenAI.

Paralelización (Parallelization): Hacer muchas cosas al mismo tiempo en lugar de una tras otra. En IA, es fundamental para entrenamiento e inferencia; las GPU modernas realizan miles de cálculos en paralelo, lo que permite construir modelos más grandes y complejos más rápidamente.

Transferencia de Aprendizaje (Transfer Learning): Técnica donde un modelo previamente entrenado se usa como punto de partida para desarrollar un nuevo modelo para una tarea diferente pero relacionada, ahorrando costos de desarrollo. Útil cuando los datos para la nueva tarea son limitados.

Inferencia (Inference): Proceso de ejecutar un modelo de IA para hacer predicciones o conclusiones a partir de datos previamente vistos. No puede ocurrir sin entrenamiento. Diferentes hardware (GPU, CPU, aceleradores) pueden realizar inferencia, pero no todos manejan modelos muy grandes igual de bien.

Este artículo se actualiza regularmente con nueva información sobre el cambiante mundo de la inteligencia artificial.