Inteligencia Artificial (IA)

Disciplina que busca crear sistemas capaces de realizar tareas que tradicionalmente requieren inteligencia humana, como reconocimiento de patrones, toma de decisiones y comprensión del lenguaje.

Algoritmo

Conjunto de pasos lógicos y bien definidos que una computadora sigue para resolver un problema o realizar una tarea específica.

Dataset (Conjunto de Datos)

Conjunto estructurado de información utilizado para entrenar, validar o probar modelos de IA. Puede incluir textos, imágenes, audio, datos numéricos, etc.

Inteligencia Artificial Débil (Narrow AI)

IA diseñada para realizar tareas específicas de forma eficaz, sin consciencia o habilidades generales. Es la IA que usamos actualmente.

Inteligencia Artificial Fuerte (Strong AI)

Visión teórica donde las máquinas tendrían capacidades intelectuales generales equivalentes a las humanas, incluyendo autoconciencia. Aún no existe.

Aprendizaje Automático (Machine Learning)

Subcampo de la IA que permite a los sistemas aprender patrones de los datos y mejorar su desempeño sin programación explícita para cada situación nueva.

Aprendizaje Supervisado

El modelo aprende usando datos etiquetados (ejemplos con respuestas correctas conocidas).

Aprendizaje No Supervisado

El modelo busca patrones en datos sin etiquetas, descubriendo estructuras ocultas por sí mismo.

Aprendizaje por Refuerzo

El agente aprende mediante prueba y error, recibiendo recompensas o penalizaciones según sus acciones.

Redes Neuronales Artificiales (ANN)

Modelos computacionales inspirados en el cerebro humano, compuestos por “neuronas” artificiales conectadas que procesan información en capas.

Aprendizaje Profundo (Deep Learning)

Subcampo del machine learning que usa redes neuronales con múltiples capas para analizar datos complejos como imágenes, audio y texto.

Redes Neuronales Convolucionales (CNN)

Tipo de red neuronal especializada en procesar datos con estructura de cuadrícula, como imágenes. Utiliza filtros convolucionales para detectar características.

Redes Neuronales Recurrentes (RNN)

Redes diseñadas para procesar secuencias de datos, con memoria que permite recordar información anterior.

LSTM (Long Short-Term Memory)

Tipo especializado de RNN capaz de recordar información durante largos períodos, resolviendo el problema del desvanecimiento del gradiente.

Transformer

Arquitectura de red neuronal que utiliza mecanismos de atención para procesar secuencias de datos de forma paralela, base de los LLMs modernos.

Redes Generativas Adversarias (GANs)

Sistema de dos redes neuronales compitiendo entre sí: una genera contenido falso y otra trata de detectarlo, mejorando ambas en el proceso.

Autoencoder

Red neuronal que aprende a comprimir y reconstruir datos, útil para reducción de dimensionalidad y detección de anomalías.

Procesamiento de Lenguaje Natural (NLP)

Rama de la IA que permite a las computadoras entender, interpretar y generar lenguaje humano.

Visión por Computadora

Capacidad de las máquinas para interpretar y entender contenido visual del mundo real.

Transfer Learning

Técnica que utiliza un modelo pre-entrenado en una tarea y lo adapta para una tarea relacionada, ahorrando tiempo y datos.

Fine-tuning

Proceso de ajustar un modelo pre-entrenado con datos específicos de la nueva tarea, refinando sus parámetros.

Few-shot Learning

Capacidad de aprender nuevas tareas con muy pocos ejemplos de entrenamiento.

Zero-shot Learning

Habilidad de realizar tareas sin haber visto ejemplos específicos durante el entrenamiento.

Ensemble Learning

Técnica que combina múltiples modelos para obtener mejores resultados que cualquier modelo individual.

Aprendizaje Multi-modal

IA que puede procesar y combinar diferentes tipos de datos (texto, imagen, audio) simultáneamente.

Big Data

Conjuntos de datos tan grandes y complejos que requieren herramientas especiales para su procesamiento y análisis.

Data Mining

Proceso de descubrir patrones y conocimiento útil en grandes conjuntos de datos.

Feature Engineering

Proceso de seleccionar, modificar o crear características (features) relevantes de los datos para mejorar el rendimiento del modelo.

Normalización de Datos

Técnica para estandarizar el rango de características de los datos, mejorando el entrenamiento del modelo.

Data Augmentation

Técnicas para aumentar artificialmente el tamaño del dataset creando versiones modificadas de los datos existentes.

Entrenamiento de IA

Proceso donde un modelo analiza datos para reconocer patrones, ajustando sus parámetros iterativamente para mejorar la precisión.

Sesgo en IA (Bias)

Prejuicios o tendencias en los datos o algoritmos que pueden llevar a resultados inexactos o discriminatorios.

Overfitting (Sobreajuste)

Cuando un modelo aprende demasiado específicamente los datos de entrenamiento y no generaliza bien a datos nuevos.

Precisión vs. Exactitud

Precisión: Consistencia en los resultados.
Exactitud: Qué tan cerca están los resultados del valor real.

Cross-validation

Técnica para evaluar la generalización de un modelo dividiendo los datos en múltiples conjuntos de entrenamiento y validación.

Matriz de Confusión

Tabla que muestra el rendimiento de un modelo de clasificación, comparando predicciones con valores reales.

Métricas de Evaluación

Conjuntos de Datos (Data Splits)

• Training Set: Datos para entrenar el modelo (70-80%)
• Validation Set: Datos para ajustar hiperparámetros (10-15%)
• Test Set: Datos para evaluación final (10-15%)

Gradient Descent

Algoritmo de optimización que encuentra los mejores parámetros del modelo minimizando la función de pérdida.

Backpropagation

Algoritmo que calcula gradientes en redes neuronales, propagando errores hacia atrás para actualizar pesos.

Hiperparámetros

Configuraciones del modelo que se establecen antes del entrenamiento (tasa de aprendizaje, número de capas, etc.).

Regularización

Técnicas para prevenir overfitting añadiendo penalizaciones o restricciones al modelo.

Dropout

Técnica de regularización que desactiva aleatoriamente algunas neuronas durante el entrenamiento para prevenir overfitting.

API (Application Programming Interface)

Interfaz que permite a diferentes software comunicarse, muy usada para acceder a servicios de IA.

Cloud Computing en IA

Uso de servicios en la nube para entrenar y desplegar modelos de IA, aprovechando recursos computacionales escalables.

Edge AI

IA que se ejecuta directamente en dispositivos locales (smartphones, sensores) en lugar de en la nube.

MLOps (Machine Learning Operations)

Prácticas para automatizar y gestionar el ciclo de vida completo de modelos de ML en producción.

Model Deployment

Proceso de poner un modelo entrenado en producción para que pueda ser usado por aplicaciones reales.

Inteligencia Artificial Generativa

IA capaz de crear contenido nuevo (texto, imágenes, música, código) basándose en patrones aprendidos.

Large Language Model (LLM)

Modelos de lenguaje de gran escala entrenados con enormes cantidades de texto para comprender y generar lenguaje natural.

Prompt Engineering

Arte de diseñar instrucciones efectivas para obtener los mejores resultados de modelos de IA generativa.

Mecanismo de Atención

Técnica que permite a los modelos focalizarse en partes específicas de la entrada cuando procesan información.

Inteligencia Artificial General (AGI)

IA hipotética que igualaría o superaría la inteligencia humana en todas las tareas cognitivas. Aún no existe.

Retrieval-Augmented Generation (RAG)

Técnica que combina la generación de texto con la búsqueda de información en bases de datos externas.

IA Explicable (XAI)

Métodos y técnicas para hacer que las decisiones de IA sean comprensibles para los humanos.

Alineación de IA

Problema de asegurar que los objetivos y comportamientos de la IA estén alineados con valores humanos.

Seguridad en IA (AI Safety)

Campo dedicado a desarrollar IA que sea robusta, confiable y no cause daños involuntarios.

Fairness (Equidad) en IA

Principio de que los sistemas de IA deben tratar a todos los grupos de manera justa y no discriminatoria.

Privacy-Preserving AI

Técnicas para entrenar modelos de IA sin comprometer la privacidad de los datos personales.