Una entidad autónoma que percibe su entorno a través de sensores y actúa sobre él mediante actuadores para alcanzar sus […]

El proceso de tomar un modelo de lenguaje pre-entrenado y re-entrenarlo con un conjunto de datos más pequeño y específico. […]

Un conjunto de reglas o instrucciones paso a paso que se le dan a un ordenador para resolver un problema […]

Algoritmo de optimización inspirado en la selección natural. Utiliza procesos como mutación y selección para encontrar soluciones óptimas, evolucionando una […]

Técnica de NLP para determinar el tono emocional de un texto (positivo, negativo o neutro). Muy usada en marketing para […]

Uso de datos y algoritmos de machine learning para identificar probabilidades de resultados futuros basándose en históricos. Se usa para […]

Subcampo de la IA donde los algoritmos no se programan explícitamente, sino que aprenden a partir de datos. El sistema […]

Enfoque de ML donde el modelo se entrena en múltiples dispositivos descentralizados sin que los datos salgan de ellos, mejorando […]

Tipo de ML con datos no etiquetados. El algoritmo busca patrones por sí mismo, como agrupar clientes con comportamientos similares […]

Método en el que un agente aprende mediante prueba y error, recibiendo recompensas y castigos, con el objetivo de maximizar […]

Subcampo del ML que usa redes neuronales profundas para reconocer patrones complejos en imágenes, audio y texto; base de los […]

El algoritmo se entrena con datos etiquetados por humanos (p. ej., imágenes marcadas como “gato”) para aprender a reconocerlos.

Modelo supervisado con estructura de árbol; cada rama es una condición y las hojas representan resultados.

Diseño de la red neuronal: número de capas, neuronas por capa y conexiones. La arquitectura condiciona capacidad y rendimiento.

Mecanismo clave en Transformers que pondera la importancia de distintas partes de la entrada, “enfocándose” en lo relevante.

Técnicas para ampliar artificialmente el conjunto de entrenamiento (rotar, recortar, ruido), mejorando robustez y reduciendo sobreajuste.

Uso de tecnología para realizar tareas antes humanas. La IA permite automatizar procesos cognitivos como decisiones o atención al cliente.

Algoritmo que permite a las redes ajustar pesos a partir del error de predicción, propagándolo hacia atrás por las capas.

Método estadístico basado en el teorema de Bayes que trata la probabilidad como grado de creencia y actualiza con nueva […]

Modelo de lenguaje de Google que procesa texto en ambas direcciones simultáneamente para entender mejor el contexto.

Conjuntos de datos muy grandes y complejos que requieren nuevas herramientas. IA/ML son clave para analizarlos y extraer valor.

Modelos (sobre todo de Deep Learning) cuyo funcionamiento interno es difícil de interpretar para los humanos.

Conjunto de neuronas que procesan información en bloque. Redes profundas: entrada, varias ocultas y salida.

Capa entre entrada y salida donde ocurre la mayor parte del aprendizaje de características.

Disciplina que usa métodos científicos y algoritmos para extraer conocimiento de datos; ML es una herramienta central.

Tarea supervisada que asigna una etiqueta a cada entrada (spam/no spam, perro/gato…).

Tarea no supervisada que agrupa datos en clústeres de alta similitud interna.

Procesos mentales de adquirir conocimiento. La IA busca replicarlos (razonamiento, resolución de problemas…).

Provisión de servicios informáticos por Internet; fundamental para IA por la capacidad de cómputo y escalado.

Colección organizada de datos para entrenar/validar/probar modelos. Calidad y tamaño son cruciales.

Porción del dataset usada para entrenar el modelo.

Porción separada que se usa tras el entrenamiento para evaluar la generalización.

Porción usada durante el entrenamiento para ajustar hiperparámetros y evitar sobreajuste.

Gran colección de textos para entrenar modelos de NLP (libros, Wikipedia, noticias…).

Identifica elementos que se desvían del patrón esperado (fraude, ciberataques, fallos industriales…).

Identifica y localiza objetos en imágenes o vídeo dibujando cuadros alrededor de ellos.

Estudia implicaciones morales y sociales: sesgo algorítmico, privacidad, responsabilidad y efectos laborales.

Técnicas para hacer comprensibles las decisiones de modelos complejos. Crucial en ámbitos críticos.

Transforma datos brutos en características numéricas útiles para los modelos.

Función que decide si una neurona se activa, permitiendo aprender relaciones no lineales.

Mide la discrepancia entre predicción y realidad; el entrenamiento busca minimizarla.

Capacidad de rendir bien con datos nuevos tras entrenar con un conjunto limitado.

Familia de LLMs de OpenAI: generativos y pre-entrenados en grandes corpus.

Acelera cálculos masivos de Deep Learning, reduciendo tiempos de entrenamiento.

Algoritmo de optimización que ajusta parámetros en la dirección que más reduce el error.

Atajos o reglas prácticas para resolver problemas cuando la solución perfecta es impracticable.

Parámetro de configuración fijado antes del entrenamiento (tasa de aprendizaje, capas…).

IA enfocada en tareas específicas; no posee inteligencia general ni conciencia.

Hipotética IA con capacidad cognitiva comparable o superior a la humana en cualquier tarea.

Modelos que crean contenido nuevo (texto, imágenes, música, código) a partir de patrones aprendidos.

Representa palabras como vectores; términos similares quedan cercanos en el espacio semántico.

Uso de un modelo ya entrenado para predecir sobre datos nuevos (fase de “uso”).

Campo dedicado a crear máquinas capaces de realizar tareas que requieren inteligencia humana.

Enfoque clásico basado en símbolos y reglas lógicas explícitas programadas por expertos.

Red de objetos con sensores y software conectados a Internet; la IA analiza sus datos para actuar.

Reduce una palabra a su lema teniendo en cuenta el contexto (a diferencia del stemming).

Modelo de lenguaje entrenado con grandes cantidades de texto para comprender y generar lenguaje humano.

Tipo de RNN capaz de “recordar” durante más tiempo; útil en texto y series temporales.

Modelo donde cada evento depende solo del estado inmediatamente anterior; útil en secuencias.

Descubre patrones y correlaciones en grandes datos combinando estadísticas, BBDD e IA.

Resultado del entrenamiento de un algoritmo; contiene el “conocimiento” aprendido para predecir.

Secuencia contigua de n elementos (palabras, letras). Útil en modelos de lenguaje.

Unidad básica de una red neuronal; aplica función de activación a sus entradas y produce una salida.

Interacción entre ordenadores y lenguaje humano: entender, interpretar y generar texto/voz.

Infraestructura de nube optimizada para cargas de IA (entrenamiento e inferencia).

Convierte imágenes o PDFs de texto en texto editable y buscable.

Valores internos que el modelo aprende durante el entrenamiento (p. ej., pesos en redes).

Red neuronal más simple (clasificador binario); base de arquitecturas más complejas.

Reduce tamaño del modelo eliminando parámetros o conexiones poco importantes, ganando eficiencia.

Instrucción o texto inicial que se da a un modelo generativo. Su calidad determina la salida.

Diseño de prompts efectivos para guiar modelos generativos hacia mejores resultados.

Localiza y clasifica entidades (personas, organizaciones, lugares, fechas, etc.) en un texto.

Identifica y clasifica objetos, personas, lugares y acciones en imágenes.

Identifica regularidades y estructuras en datos; base de aplicaciones como reconocimiento facial.

Convierte voz hablada en texto; base de asistentes como Siri, Alexa o Google Assistant.

Dos redes compiten: un generador crea datos y un discriminador intenta detectarlos; así el generador mejora.

Modelo inspirado en el cerebro; neuronas interconectadas en capas que aprenden de los datos.

Red especializada en datos visuales (imágenes). Muy eficaz en clasificación y detección.

Red para datos secuenciales; mantiene “memoria” de pasos anteriores.

Tarea supervisada para predecir valores numéricos continuos (p. ej., precio de una casa).

Diseño, construcción y uso de robots. La IA aporta el “cerebro” para percibir, razonar y actuar.

Divide una imagen en segmentos asignando cada píxel a una categoría.

Tendencia de un algoritmo a producir resultados prejuiciosos por datos o supuestos sesgados.

Variante de “Sesgo” centrada en efectos producidos por el propio sistema; véase la entrada «Sesgo (Bias)».

Hipótesis de un punto en que el crecimiento tecnológico se vuelve incontrolable, con cambios imprevisibles.

Predice preferencias de usuarios (Netflix, Amazon, Spotify) para sugerir contenidos o productos.

Programa clásico que emula decisiones de un experto en un dominio usando reglas y base de conocimiento.

Cuando el modelo aprende el ruido del entrenamiento y falla al generalizar a datos nuevos.

Reduce palabras a su raíz eliminando sufijos; más simple que la lematización y a veces menos preciso.

Palabras muy comunes (“el”, “un”, “en”) que a menudo se eliminan por aportar poco significado.

Modelo demasiado simple para la complejidad de los datos; rinde mal en entrenamiento y prueba.

Hiperparámetro que controla el tamaño de los pasos al ajustar pesos en cada iteración.

Estructura de datos multidimensional (generaliza vectores y matrices) clave en Deep Learning.

Biblioteca de ML/DL de Google para construir, entrenar y desplegar modelos a gran escala.

Prueba de Alan Turing para valorar si una máquina exhibe comportamiento indistinguible del humano.

Divide un texto en tokens (palabras, caracteres o sub-palabras) como entrada para modelos.

Traduce texto o voz entre idiomas con IA; los Transformers han elevado mucho su calidad.

Aplica el estilo artístico de una imagen al contenido de otra mediante redes neuronales.

Arquitectura que revolucionó el NLP con su mecanismo de atención para capturar contexto de forma eficaz.

Entrena máquinas para interpretar el mundo visual: identificar y clasificar objetos y reaccionar a lo que ven.