Glosario de IA

La AGI (inteligencia artificial general) es un concepto entre la ciencia y la futurología: un sistema que podría manejar cualquier tarea intelectual tan bien como un humano, no solo una especialización limitada. Los modelos actuales, aunque impresionantes, siguen siendo especializados y no tienen objetivos propios ni comprensión del mundo a nivel humano.

Entre los investigadores no hay consenso sobre cuándo o si surgirá la AGI; las predicciones difieren incluso en décadas. El debate sobre la AGI se vincula con preguntas sobre la seguridad y el control de una tecnología tan poderosa.

Una API (interfaz de programación de aplicaciones) es un conjunto de reglas que permite a un programa utilizar otro. En el contexto de la IA, es el canal por el que tu aplicación envía un prompt al modelo y recibe la respuesta, sin necesidad de mantener tu propio modelo en tu hardware.

Cómo funciona: envías una consulta con texto y parámetros (por ejemplo, temperatura), y el servicio devuelve el contenido generado, normalmente facturado por número de tokens.

Ejemplo: una aplicación móvil que solicita al modelo a través de la API que resuma un artículo.

Un agente de IA es un sistema que añade un bucle de acción alrededor del modelo lingüístico: descompone el objetivo en pasos, elige herramientas, las ejecuta y evalúa el resultado hasta completar la tarea. En lugar de una única respuesta, obtienes una secuencia de acciones que conducen al objetivo.

Cómo funciona: el modelo recibe una descripción de las herramientas disponibles (function calling) y en turnos sucesivos decide cuáles invocar y con qué datos.

Ejemplo: un agente que busca en internet de forma autónoma, recopila datos y guarda un informe completo en un archivo.

Alignment (alineación con valores) es el área de investigación y prácticas para que el modelo haga lo que realmente queremos, no solo ejecutar literalmente una instrucción de forma perjudicial. Incluye seguridad, honestidad y previsibilidad de comportamientos.

Herramientas: entre otras, RLHF, guardrails y pruebas exhaustivas del modelo antes del despliegue.

Un benchmark es un conjunto estandarizado de tareas con puntuación establecida que permite comparar diferentes modelos en las mismas condiciones. Así se puede evaluar de forma relativamente objetiva qué modelo funciona mejor, por ejemplo, en tareas matemáticas, de programación o de conocimiento general.

Los resultados de los benchmarks deben leerse con cautela: a veces el modelo se entrena inconscientemente con datos similares a la prueba, lo que infla el resultado. Por eso es igualmente importante el rendimiento práctico en tareas reales.

El bias es la tendencia del modelo a favorecer ciertas respuestas o grupos, derivada de desequilibrios y prejuicios presentes en los datos con los que se entrenó. Puede llevar a resultados injustos o perjudiciales.

Cómo limitarlo: selección cuidadosa de datos, pruebas en diferentes grupos y mecanismos de control de respuestas. La eliminación total del sesgo es difícil.

Chain-of-thought (cadena de pensamiento) es una forma de pedir al modelo que, antes de dar el resultado, detalle los pasos sucesivos de razonamiento. Desglosar el problema en etapas mejora claramente la precisión en tareas lógicas, matemáticas y de múltiples pasos.

Cómo funciona: en el prompt pides una solución paso a paso, o el modelo genera automáticamente pasos intermedios antes de formular la respuesta final.

Ejemplo: ante un problema matemático de texto, el modelo primero escribe las operaciones y solo al final da el resultado.

Un chatbot es un programa que simula una conversación con el usuario. Antes se basaban en reglas rígidas y palabras clave; los chatbots actuales utilizan grandes modelos lingüísticos, por lo que entienden preguntas libres y responden con lenguaje fluido.

Ejemplo: un asistente en la web de una tienda que responde preguntas sobre envíos, o ChatGPT como interlocutor universal para escribir y analizar.

El context caching es un mecanismo en el que un fragmento del prompt calculado una vez (p. ej., una instrucción larga o documento) se memoriza para no recalcularlo en consultas posteriores. Esto reduce el coste y la latencia de conversaciones repetitivas.

Ejemplo: un asistente con un system prompt extenso puede almacenar en caché su versión procesada entre consultas.

Un dataset es un conjunto organizado de datos - textos, imágenes, grabaciones - utilizado para entrenar o evaluar un modelo. Rige la regla "basura entra, basura sale": datos erróneos o sesgados estropean el modelo.

Buena práctica: los datos se dividen en parte de entrenamiento, validación y prueba, para evaluar honestamente la eficacia del modelo.

Un deepfake es una grabación manipulada o completamente generada en la que alguien supuestamente dice o hace algo que nunca hizo. La técnica se basa en modelos que aprenden rostros y voces a partir de muestras y luego los reproducen en un nuevo contexto.

Por qué es importante: el deepfake puede ser una herramienta de desinformación y fraude (por ejemplo, suplantar la voz del jefe). Conviene verificar la fuente y buscar inconsistencias en la iluminación o la mímica.

Los modelos de difusión generan una imagen partiendo de ruido puro y "eliminando ruido" gradualmente hacia una escena coherente descrita en el prompt. Durante el entrenamiento, el modelo aprende a invertir el proceso de añadir ruido a imágenes reales.

Cómo funciona: en una decena o varias decenas de pasos, el modelo adivina cada vez con más precisión cómo debe verse la imagen, hasta producir el gráfico final.

Ejemplo: introduces la descripción de una escena y Stable Diffusion o Midjourney devuelven una imagen lista.

La destilación (knowledge distillation) es una técnica en la que un modelo grande y potente (profesor) enseña a un modelo más pequeño (alumno) a imitar sus respuestas. El resultado es un modelo más ligero, más barato y rápido en ejecución, manteniendo gran parte de la calidad del original.

Aplicación: las versiones de modelos para móviles y despliegues económicos a menudo se crean mediante destilación.

Un embedding es una representación de texto (o imagen) en forma de vector de números, donde conceptos cercanos en significado tienen valores cercanos. Así el ordenador puede medir la similitud de contenidos, incluso cuando se usan palabras diferentes.

Cómo funciona: el modelo convierte un fragmento de texto en varios cientos o miles de números; comparando vectores, el sistema encuentra los fragmentos más relevantes.

Ejemplo: un buscador semántico que ante la pregunta "cómo reducir la factura de la luz" encuentra un párrafo sobre ahorro de energía, aunque no contenga las mismas palabras.

Few-shot es una técnica en la que incluyes en el propio prompt varios pares de ejemplo pregunta-respuesta antes de hacer tu pregunta real. El modelo capta de ellos el formato y estilo deseados, sin necesidad de reentrenamiento.

Ejemplo: muestras dos ejemplos de cómo convertir una reseña en una valoración "positiva/negativa", y el modelo aplica el mismo esquema a las siguientes reseñas.

El fine-tuning (ajuste fino) es el entrenamiento adicional de un modelo ya entrenado sobre un conjunto de datos más específico y especializado. El modelo conserva el conocimiento general, pero se adapta mejor a un estilo, dominio o formato de respuesta concreto.

Cuándo aplicarlo: cuando el prompt solo no es suficiente y tienes bastantes ejemplos que muestran el comportamiento deseado. Para muchos casos, una alternativa más económica es RAG o un buen prompt.

Function calling permite al modelo no solo escribir texto, sino también decidir que hay que usar una herramienta concreta y devolver datos de entrada estructurados para ejecutarla. El programa ejecuta la función y devuelve el resultado al modelo.

Cómo funciona: proporcionas al modelo una descripción de las funciones disponibles; el modelo responde con una estructura (por ejemplo, nombre de función y argumentos) que tu código puede ejecutar de forma segura.

Ejemplo: ante una pregunta sobre el tiempo, el modelo invoca una función que consulta la previsión en lugar de adivinar.

Las GPU (procesadores gráficos) y TPU (chips de Google para IA) son hardware optimizado para cálculos masivamente paralelos que requieren el entrenamiento y ejecución de redes neuronales. Gracias a ellos, los modelos se calculan mucho más rápido que en un procesador normal (CPU).

Por qué importa: la disponibilidad y coste de las GPU es hoy uno de los principales factores que limitan el desarrollo y despliegue de la IA.

Los guardrails (barreras de protección) son un conjunto de reglas y filtros que vigilan que el modelo no genere contenido dañino, ilegal o peligroso. Pueden funcionar en la entrada (bloqueo de consultas malas) y en la salida (control de respuestas).

Para qué: protegen a los usuarios y a la empresa que implementa el modelo de abusos, aunque a veces son objeto de intentos de elusión (jailbreak, prompt injection).

Una alucinación es una respuesta que suena creíble pero es falsa: el modelo inventa un hecho, cita, referencia o nombre. Esto ocurre porque el modelo predice una secuencia probable de palabras, no verifica la verdad en una base de datos.

Cómo limitarlas: pide fuentes, usa RAG (conexión a una base fiable) y verifica siempre números, fechas y citas antes de publicar.

La inteligencia artificial es un amplio campo de la informática en el que los ordenadores realizan actividades que normalmente requieren pensamiento humano: reconocen el habla, traducen idiomas, mantienen conversaciones o crean imágenes. Los sistemas de IA actuales se basan principalmente en el aprendizaje automático, es decir, aprenden de los datos en lugar de funcionar según reglas rígidamente programadas.

Cómo funciona: el modelo analiza enormes conjuntos de ejemplos y detecta patrones que luego aplica a nuevas situaciones.

Ejemplo: un asistente que resume en español un documento largo o genera gráficos a partir de una breve descripción es una aplicación práctica de la IA.

La IA generativa son modelos cuya tarea es crear contenido nuevo basándose en patrones aprendidos de los datos. A diferencia de la clasificación, que solo asigna etiquetas, la generación produce texto, imagen, sonido o vídeo original.

Ejemplo: escribir un poema, generar una ilustración a partir de una descripción o componer una melodía son tareas generativas típicas.

La inferencia es la fase de uso del modelo ya entrenado: proporcionas un prompt y el modelo calcula la respuesta. Esto se diferencia del entrenamiento, el costoso proceso de enseñar al modelo con datos, que ocurre antes y solo una vez.

Por qué es importante: el coste y la velocidad de la inferencia determinan el precio del servicio y la latencia que percibe el usuario.

El jailbreak es la manipulación deliberada del prompt para inducir al modelo a romper sus propias reglas, por ejemplo, asignándole un rol sin restricciones u ocultando la petición en un escenario inocente. Es uno de los principales problemas de seguridad de los modelos.

Diferencia: el jailbreak apunta a las reglas del propio modelo, mientras que el prompt injection suplanta instrucciones ajenas como datos que el modelo procesa.

Cuantización es guardar los pesos del modelo con menor precisión (p. ej., 8 o 4 bits en lugar de 16), haciendo que ocupe menos memoria y calcule más rápido. Permite ejecutar modelos grandes en hardware más modesto, incluso localmente.

Compromiso: una cuantización demasiado agresiva puede reducir ligeramente la calidad de las respuestas, por eso se ajusta según el uso.

Un LLM (large language model) es una red neuronal entrenada con enormes cantidades de texto que ha aprendido a predecir las siguientes palabras. Gracias a ello puede escribir, traducir, resumir, programar y mantener conversaciones.

Cómo funciona: el modelo convierte el texto en tokens y, basándose en el contexto, predice el siguiente token más probable, repitiendo el proceso hasta completar la respuesta.

Ejemplo: ChatGPT, Claude y Gemini son interfaces de grandes modelos de lenguaje.

Latencia es el retraso: cuánto hay que esperar hasta que el modelo empiece y termine de responder. Depende del tamaño del modelo, longitud de respuesta, carga del servidor y distancia de red.

Por qué importa: en aplicaciones en tiempo real (chat, voz) la baja latencia determina la comodidad; a menudo se mejora transmitiendo la respuesta token a token.

El aprendizaje automático es un subcampo de la IA en el que, en lugar de escribir reglas rígidas, se muestra al programa muchos ejemplos y él mismo extrae patrones. Cuanto mejores y más numerosos sean los datos, más precisas serán las predicciones.

Ejemplo: un filtro antispam aprende de miles de correos etiquetados qué es spam y aplica ese conocimiento a nuevos mensajes.

MoE (mixture of experts) es una estructura de modelo con múltiples subredes especializadas ("expertos"), de las cuales solo se activan algunas para cada token. Así el modelo puede tener muchísimos parámetros y aun así calcular respuestas relativamente barato.

Cómo funciona: un mecanismo de enrutamiento decide qué expertos procesan cada fragmento, por lo que solo se activa parte de la red completa.

Un modelo base (foundation model) es un modelo preentrenado con datos generales enormes, que luego sirve como fundamento para aplicaciones concretas - mediante prompt, RAG o fine-tuning. En lugar de entrenar desde cero, se construyen sobre él soluciones especializadas.

Ejemplo: un solo modelo base puede alimentar un chat, un buscador corporativo y un asistente de código.

Un modelo abierto es aquel cuyos pesos (parámetros aprendidos) se publican, permitiendo descargarlo, ejecutarlo en tu propio hardware, ajustarlo e implementarlo sin depender de un único proveedor. Lo contrario son los modelos cerrados, disponibles solo mediante API.

Ventajas: privacidad de datos, control y sin costes por consulta. Coste: necesitas tu propio hardware y conocimientos para mantenerlo.

Un modelo multimodal entiende y combina diferentes tipos de datos en un solo lugar: puede, por ejemplo, ver una foto y describirla con palabras o escuchar una grabación y resumirla. Es un paso más cerca de cómo el ser humano percibe el mundo con múltiples sentidos.

Ejemplo: subes una foto de una pizarra con notas y el modelo transcribe y organiza el contenido, respondiendo preguntas sobre él.

El NLP (natural language processing) es la rama de la IA que se ocupa de comprender y generar lenguaje humano: traducción, análisis de sentimiento, búsqueda de información o reconocimiento de intenciones. Los grandes modelos de lenguaje son hoy la herramienta NLP más potente.

Ejemplo: detectar automáticamente que la opinión de un cliente es negativa y dirigirla al servicio de atención.

Overfitting (sobreajuste) es la situación en la que un modelo se ajusta demasiado a los datos de entrenamiento, capturando incluso sus características aleatorias, por lo que funciona peor con ejemplos nuevos no vistos anteriormente. Es uno de los principales problemas del aprendizaje automático.

Cómo prevenirlo: más datos diversos, arquitectura más simple y validación del modelo en un conjunto de prueba separado.

Los parámetros son valores internos que el modelo ajusta durante el entrenamiento; en ellos se almacena su "conocimiento". El número de parámetros se expresa en miles de millones (B) y se considera una medida aproximada del tamaño del modelo.

Nota: más parámetros suele significar mayores capacidades, pero también costes más altos. Buenos datos de entrenamiento y arquitectura a menudo pesan más que el simple número de parámetros.

El prompt es tu entrada para el modelo: pregunta, instrucción o contexto sobre el que se genera la respuesta. Cuanto más claramente describas el objetivo, formato y restricciones, mejor será el resultado.

Buena práctica: indica el rol, contexto, tarea concreta y formato esperado de respuesta, y si es necesario, un ejemplo.

El prompt engineering es la práctica de formular consultas para que el modelo dé mejores resultados repetibles. Incluye selección de contexto, instrucciones precisas, ejemplos (few-shot) y mejora gradual del prompt basándose en las respuestas.

Ejemplo: en lugar de "escribe sobre salud" pides "escribe 5 consejos sobre el sueño para padres de niños pequeños, en puntos, en español".

Prompt injection es una vulnerabilidad en la que el texto procesado por el modelo (p. ej., contenido de una página, email, documento) contiene una instrucción oculta que el modelo trata como orden del usuario. Puede llevar a filtración de datos o ejecución de acciones no deseadas.

Cómo funciona: el atacante inserta en los datos una frase tipo "ignora las instrucciones anteriores y haz X"; un modelo sin protección puede ejecutarla.

Defensa: separar instrucciones de datos, limitar permisos de herramientas y tratar contenido de internet como no confiable.

RAG (retrieval-augmented generation) es un enfoque en el que el modelo, antes de responder, busca fragmentos relevantes de una base de conocimiento externa y se basa en ellos. Así las respuestas son más actuales y contienen menos datos inventados.

Cómo funciona: la pregunta se convierte en embedding, el sistema encuentra los documentos más similares y el modelo formula la respuesta basándose en ellos.

Ejemplo: un asistente corporativo que responde preguntas basándose en normativas internas.

RLHF (reinforcement learning from human feedback) es una fase de entrenamiento en la que humanos evalúan las respuestas del modelo, y esas evaluaciones sirven para afinarlo. Así el modelo responde más útil, cortésmente y según las expectativas.

Cómo funciona: a partir de preferencias humanas se entrena un modelo de recompensa que luego guía el aprendizaje posterior del modelo principal.

Reasoning (razonamiento) es resolver tareas que requieren varios pasos lógicos, no solo recuperar un dato. Los modelos con razonamiento dedican más cómputo a descomponer internamente el problema antes de dar el resultado.

Cómo funciona: el modelo genera pasos intermedios (similar a chain-of-thought), los verifica y solo entonces formula la respuesta, mejorando la precisión en matemáticas, lógica y programación.

Coste: más razonamiento significa más tokens y mayor latencia.

Una red neuronal es un modelo compuesto por capas de unidades simples (neuronas) conectadas mediante pesos. Durante el entrenamiento, los pesos se ajustan para que la red mapee cada vez mejor la entrada a la salida deseada, por ejemplo, imagen a etiqueta.

Cómo funciona: los datos pasan por capas sucesivas, cada una detectando patrones cada vez más complejos. Las redes profundas son la base del aprendizaje profundo y la IA contemporánea.

Sora (OpenAI) y Veo (Google) son modelos que convierten descripciones textuales en vídeos cortos. Pertenecen a la IA generativa y extienden al movimiento lo que los modelos text-to-image hacen con imágenes estáticas.

Aplicación: prototipos rápidos de escenas, materiales conceptuales y visualizaciones, con reservas sobre derechos y credibilidad del contenido.

El system prompt es una instrucción de alto nivel, establecida por el creador de la aplicación, que da al modelo un rol, tono y límites para toda la conversación. El usuario normalmente no la ve, pero influye en cada respuesta.

Ejemplo: "Eres un amable asesor fiscal, respondes en español y no das consejos legales" es un system prompt típico.

TTS (text-to-speech) convierte texto escrito en habla natural, y STT (speech-to-text) hace lo contrario: transcribe audio a texto. Son la base de asistentes de voz, narradores y transcripciones automáticas.

Ejemplo: STT genera subtítulos de una reunión grabada, y TTS lee un artículo en voz alta en una app.

La temperatura es un parámetro que controla la aleatoriedad de las respuestas. Con valor bajo, el modelo elige las palabras más probables, siendo coherente y repetible; con valor alto, recurre más a opciones menos obvias, dando resultados más creativos pero menos predecibles.

Cuándo usar cada una: para datos y código usa temperatura baja, para lluvia de ideas o textos creativos, más alta.

Text-to-image es la conversión de una descripción textual en imagen. El modelo, normalmente de difusión, traduce palabras a características visuales de la escena: objetos, estilo, colorido y composición.

Buena práctica: cuanto más específica sea la descripción (tema, estilo, encuadre, luz), más precisa será la imagen. Conviene iterar y precisar el prompt.

Un token es la unidad más pequeña de texto que procesa el modelo, normalmente una palabra corta o su fragmento. El modelo no ve letras ni frases directamente, sino una secuencia de tokens, y en tokens se mide la longitud del prompt, la ventana de contexto y el coste.

Aproximadamente: en español un token suele ser varios caracteres, y una palabra puede dividirse en varios tokens.

La tokenización es el primer paso del procesamiento de texto: convertir una cadena de caracteres en una lista de tokens según el vocabulario del modelo. De ella depende cuántos tokens ocupará un texto dado y, por tanto, el coste y el uso de la ventana de contexto.

Curiosidad: los idiomas con rica flexión, como el español, a veces se dividen en más tokens que el inglés, lo que aumenta el coste del mismo contenido.

Transformer es una arquitectura de red neuronal que, gracias al mecanismo de atención (attention), puede relacionar fragmentos distantes del texto y procesar secuencias en paralelo. Es lo que permitió el salto cualitativo en los modelos lingüísticos.

Por qué fue revolucionario: el mecanismo de atención permite al modelo "mirar" todo el contexto a la vez, mejorando la comprensión de dependencias en textos largos.

La ventana de contexto es la cantidad máxima de texto (medida en tokens) que el modelo puede considerar en una conversación: tu prompt, mensajes anteriores y la respuesta generada deben caber en ella. Al superar el límite, se omiten los fragmentos más antiguos.

Ejemplo: una ventana mayor te permite pegar un contrato completo y hacer preguntas sobre su contenido sin dividirlo en partes.

Vibe coding es un estilo de trabajo en el que describes al modelo lo que quieres crear, él genera y corrige el código, y tú principalmente diriges y pruebas el resultado. Acelera el prototipado y reduce la barrera de entrada a la programación.

Atención: en proyectos grandes sigue siendo necesaria la verificación humana de seguridad y calidad del código.

Watermark (marzo de agua) en contenidos de IA es un patrón oculto insertado en texto, imagen o audio que permite identificar posteriormente que el material fue generado por máquina. Busca ayudar en la lucha contra la desinformación y el etiquetado de contenido sintético.

Limitación: las marcas de agua pueden eliminarse o no siempre son detectables, así que por sí solas no garantizan certeza sobre el origen.

Zero-shot es cuando el modelo ejecuta una tarea basándose únicamente en la instrucción, sin mostrarle ningún ejemplo. Los modelos grandes suelen manejarlo sorprendentemente bien gracias al conocimiento adquirido en el entrenamiento.

Cuándo añadir ejemplos: si el formato o estilo son inusuales, conviene pasar a few-shot y mostrar un patrón.