Glosario de Inteligencia Artificial

A

Algoritmo
Conjunto ordenado de pasos o instrucciones que se siguen para resolver una tarea. Una receta de cocina es una analogía sencilla: indica qué hacer, en qué orden y bajo qué condiciones. En IA, los algoritmos permiten clasificar información, reconocer patrones, recomendar contenidos o generar texto.

Algoritmo de aprendizaje
Procedimiento que ajusta un modelo a partir de ejemplos o datos. En vez de programar una regla específica para cada caso, se le presentan muchos casos y el algoritmo encuentra relaciones útiles entre ellos.

Alucinación
Respuesta inventada, incorrecta o no verificable producida por un sistema de IA generativa, aunque esté formulada con seguridad y parezca plausible. Por ejemplo, una IA puede citar un libro, una ley o un artículo académico que no existe. Por eso, sus resultados deben verificarse antes de usarlos como fuente.

Aprendizaje automático o machine learning*
Rama de la IA que crea sistemas capaces de aprender patrones a partir de datos. Por ejemplo, un sistema puede aprender a distinguir mensajes de correo no deseado al analizar ejemplos previamente identificados como spam o no spam.

Aprendizaje por refuerzo
Método de aprendizaje en el que un sistema prueba acciones en un entorno y recibe recompensas o penalizaciones según sus resultados. Con el tiempo, aprende qué decisiones suelen producir mejores resultados. Se usa, por ejemplo, en juegos, robótica y optimización.

Aprendizaje profundo o deep learning*
Tipo de aprendizaje automático basado en redes neuronales con muchas capas. Es especialmente útil para procesar imágenes, audio, texto y otros datos complejos.

Aprendizaje supervisado
Forma de entrenamiento en la que los datos incluyen la respuesta correcta o etiqueta. Por ejemplo, se puede entrenar un modelo con miles de correos marcados previamente como “spam” o “no spam”.

Aprendizaje no supervisado
Forma de aprendizaje en la que el sistema recibe datos sin respuestas previamente indicadas y busca agrupamientos, regularidades o estructuras. Por ejemplo, puede reunir documentos similares por tema sin que una persona haya definido las categorías antes.

B

Base de datos
Conjunto organizado de datos que puede consultarse, actualizarse y administrarse. Puede contener registros bibliográficos, transacciones, imágenes, perfiles de usuarios o información de muchas otras clases.

Bias o sesgo
Distorsión sistemática que puede afectar los datos, el diseño o los resultados de un sistema de IA. Un sesgo puede generar decisiones injustas o menos precisas para ciertos grupos si los datos de entrenamiento son incompletos, desequilibrados o reflejan desigualdades existentes.

C

Chatbot
Programa diseñado para conversar con personas por texto o voz. Algunos chatbots siguen reglas predefinidas; otros usan IA generativa y modelos de lenguaje para producir respuestas más flexibles.

Clasificación
Tarea en la que un sistema asigna una categoría a cada elemento. Por ejemplo: clasificar una reseña como positiva, negativa o neutral; o un documento como jurídico, médico o educativo.

Conjunto de datos o dataset*
Colección estructurada de información utilizada para entrenar, validar o evaluar un modelo. Puede estar formada por textos, imágenes, audios, números, registros de usuarios u otros materiales.

Contexto
Información que acompaña una consulta y ayuda a interpretar qué se necesita. En un asistente conversacional, el contexto puede incluir instrucciones, mensajes anteriores, documentos aportados o datos recuperados de una fuente confiable.

D

Dato
Representación de un hecho, observación, medida o registro. Un dato puede ser una fecha, una palabra, una fotografía, una coordenada, una cifra de préstamo o una grabación de audio. Los datos son la materia prima de muchos sistemas de IA.

Datos de entrenamiento
Parte de un conjunto de datos usada para que un modelo aprenda patrones. Su calidad, diversidad, actualidad y pertinencia influyen directamente en el comportamiento del modelo.

Datos de prueba
Datos reservados que no se usan durante el entrenamiento y sirven para comprobar cómo responde un modelo ante casos nuevos. Ayudan a evaluar si el sistema realmente aprendió y no solo memorizó los ejemplos recibidos.

E

Embeddings o incrustaciones vectoriales
Representaciones numéricas de textos, imágenes u otros objetos que permiten calcular cuáles son más parecidos entre sí. Por ejemplo, una búsqueda semántica puede recuperar documentos sobre “bibliotecas escolares” aunque la consulta use la expresión “centros de recursos educativos”.

Entrenamiento
Proceso mediante el cual un modelo ajusta sus parámetros internos al analizar datos. Es la etapa en que “aprende” patrones, aunque no aprende como una persona: realiza cálculos estadísticos y matemáticos para reducir errores en sus predicciones o respuestas.

Error
Diferencia entre la salida producida por un modelo y el resultado esperado. Durante el entrenamiento, el algoritmo intenta reducir ese error modificando los parámetros del modelo.

Ética de la IA
Área que analiza cómo diseñar, implementar y usar sistemas de IA de manera responsable. Incluye cuestiones como privacidad, sesgos, transparencia, seguridad, accesibilidad, impacto laboral, propiedad intelectual y rendición de cuentas.

G

Generalización
Capacidad de un modelo para responder razonablemente bien a datos nuevos, no vistos durante su entrenamiento. Un modelo que solo memoriza ejemplos conocidos puede fallar al enfrentarse a situaciones distintas.

GPU o unidad de procesamiento gráfico
Componente de hardware creado inicialmente para procesar gráficos, pero muy utilizado en IA porque puede realizar muchos cálculos numéricos en paralelo. Esto acelera el entrenamiento de redes neuronales y modelos grandes.

I

IA o inteligencia artificial
Campo de estudio y desarrollo de sistemas informáticos capaces de realizar tareas que normalmente asociamos con capacidades humanas, como reconocer patrones, comprender lenguaje, tomar decisiones acotadas, aprender de datos o generar contenidos.

IA estrecha o IAE
También llamada IA específica. Es una IA diseñada para realizar una tarea o un conjunto limitado de tareas, como traducir textos, detectar fraude, recomendar películas o reconocer rostros. La gran mayoría de las IA actuales pertenece a esta categoría y no posee comprensión general del mundo ni conciencia.

IA generativa o IAG
Tipo de IA capaz de producir contenido nuevo a partir de patrones aprendidos en grandes colecciones de datos. Puede generar textos, imágenes, audio, video, código o presentaciones. Sus resultados pueden ser útiles, pero no garantizan veracidad, originalidad absoluta ni ausencia de sesgos.

IA general o AGI
Idea de una inteligencia artificial hipotética capaz de aprender y desempeñarse de manera flexible en una amplia variedad de tareas intelectuales, con un nivel comparable al humano. No existe consenso en que se haya alcanzado este tipo de IA.

Inferencia
Etapa en la que un modelo ya entrenado recibe una entrada y genera una salida. Por ejemplo, cuando se escribe una pregunta en un chatbot y este genera una respuesta, el sistema está realizando inferencia.

L

Lenguaje natural
Lenguaje que usan las personas para comunicarse, como español, portugués, inglés o guaraní. Se diferencia de los lenguajes de programación y suele ser ambiguo, dependiente del contexto y rico en matices.

LLM o modelo grande de lenguaje
Modelo de IA entrenado con grandes volúmenes de texto para identificar relaciones entre palabras, frases y otros fragmentos del lenguaje. Puede generar, resumir, traducir o transformar textos. Ejemplos de aplicaciones basadas en LLM son los asistentes conversacionales modernos.

M

Matriz
Arreglo de números organizado en filas y columnas. Una matriz permite representar datos y realizar cálculos de manera ordenada. En IA se usa para almacenar, transformar y combinar grandes cantidades de información numérica.

Multiplicación de matrices
Operación matemática que combina dos matrices para producir una tercera. Es fundamental en redes neuronales porque permite transformar simultáneamente muchos datos de entrada mediante los pesos del modelo.

Modelo
Sistema matemático y computacional que ha sido configurado o entrenado para realizar una tarea. Un modelo puede predecir una categoría, estimar un valor, traducir un texto, reconocer objetos o generar contenido.

Modelo multimodal
Modelo que puede procesar o generar más de un tipo de información, por ejemplo texto e imágenes, o texto, audio y video. Un modelo multimodal puede describir una imagen, responder preguntas sobre un documento escaneado o generar imágenes a partir de una instrucción escrita.

N

Nodo o neurona artificial
Unidad básica de una red neuronal. Recibe valores de entrada, realiza una operación matemática y produce una salida que puede enviarse a otras neuronas. Es una simplificación matemática inspirada de manera muy general en las neuronas biológicas.

Normalización
Proceso de preparación de datos para que sus valores sean comparables o manejables para un modelo. Por ejemplo, puede transformar escalas muy distintas a un rango común, lo que facilita el entrenamiento.

O

Operaciones de matrices
Conjunto de cálculos realizados con matrices: suma, resta, multiplicación, transposición y otras transformaciones. En IA permiten procesar muchos valores a la vez, por ejemplo las características de una imagen o las palabras de un texto.

Optimización
Proceso de buscar los valores de los parámetros de un modelo que reducen su error. En términos simples, es el procedimiento para mejorar gradualmente el desempeño del sistema durante el entrenamiento.

Overfitting o sobreajuste
Situación en la que un modelo aprende demasiado los detalles de sus datos de entrenamiento, incluso errores o casos particulares, y luego responde mal ante información nueva. Es parecido a memorizar respuestas de un examen sin comprender cómo resolver problemas diferentes.

P

Parámetro
Valor interno que un modelo ajusta durante su entrenamiento. En una red neuronal, los pesos y sesgos son parámetros. Cuantos más parámetros tiene un modelo, mayor puede ser su capacidad para captar patrones complejos, aunque también necesita más recursos y una evaluación rigurosa.

Perceptrón
Modelo matemático simple considerado uno de los antecedentes de las redes neuronales artificiales. Recibe varias entradas, les asigna importancias o pesos, las combina y decide una salida. Puede imaginarse como una unidad que responde “sí” o “no” según la información que recibe.

Peso
Número que indica cuánta influencia tiene una entrada en una neurona artificial o en una conexión de una red neuronal. Durante el entrenamiento, el sistema ajusta los pesos para mejorar sus resultados.

Predicción
Salida que genera un modelo a partir de una entrada. No siempre se trata de anticipar el futuro: también puede ser asignar una categoría, completar una frase o estimar la probabilidad de que un contenido pertenezca a cierto grupo.

Prompt o instrucción
Texto, imagen u otra entrada que una persona proporciona a un sistema de IA para solicitar una tarea. Un buen prompt suele indicar objetivo, contexto, formato esperado, audiencia, límites y criterios de calidad.

R

RAG o generación aumentada por recuperación
Técnica que combina un modelo generativo con la búsqueda de información en documentos o bases de datos. Antes de responder, el sistema recupera fragmentos relevantes y los incorpora como contexto. Puede ayudar a producir respuestas más verificables y vinculadas con fuentes concretas, aunque la recuperación y la respuesta todavía deben evaluarse.

Red neuronal artificial
Modelo compuesto por muchas neuronas artificiales conectadas. Organiza cálculos en capas para detectar patrones cada vez más complejos. Por ejemplo, al analizar una imagen, las primeras capas pueden identificar bordes; capas posteriores pueden combinar esos elementos para reconocer formas u objetos.

Red neuronal profunda
Red neuronal con múltiples capas internas u ocultas. Esa profundidad permite aprender relaciones complejas, pero requiere gran cantidad de datos, capacidad de cálculo y evaluación cuidadosa.

S

Sesgo de automatización
Tendencia de las personas a confiar excesivamente en una recomendación o decisión producida por un sistema automático, incluso cuando podría ser errónea. El uso responsable de IA requiere mantener revisión humana y criterio profesional.

Simulación
Representación computacional de un sistema, situación o proceso real para observar cómo podría comportarse bajo diferentes condiciones. Por ejemplo, se puede simular el flujo de usuarios en una biblioteca, la propagación de una enfermedad o el funcionamiento de una red de transporte. Una simulación no es una predicción segura: depende de los supuestos y datos que se incorporen.

Sistema experto
Programa que intenta resolver problemas en un área concreta utilizando reglas y conocimientos definidos por especialistas. Fue una forma importante de IA antes del predominio actual del aprendizaje automático. Por ejemplo, un sistema experto puede aplicar reglas “si-entonces” para orientar un diagnóstico técnico.

T

Token
Unidad en que un modelo de lenguaje divide el texto para procesarlo. Un token puede ser una palabra, parte de una palabra, un signo de puntuación o un espacio, según el sistema. Los límites de texto de muchas herramientas de IA se expresan en cantidad de tokens, no necesariamente en cantidad de palabras.

Transformer
Arquitectura de red neuronal utilizada por muchos modelos grandes de lenguaje. Se destaca por su mecanismo de atención, que ayuda al modelo a identificar qué partes de una entrada son más relevantes en relación con otras partes del texto.

Transparencia
Principio según el cual debe poder conocerse información relevante sobre un sistema de IA: para qué se usa, qué datos emplea cuando corresponde, cuáles son sus límites, quién es responsable y cómo se toman o apoyan decisiones. La transparencia facilita la evaluación y la rendición de cuentas.

V

Validación
Proceso de comprobar el desempeño de un modelo mientras se desarrolla. Se usan datos distintos de los empleados para entrenarlo, con el fin de detectar problemas como el sobreajuste y elegir la mejor configuración.

Variable
Elemento que puede tomar distintos valores. En un conjunto de datos de préstamos bibliotecarios, por ejemplo, “fecha de préstamo”, “tipo de material” y “sede” pueden ser variables.

Vector
Lista ordenada de números. En IA, un vector puede representar características de un objeto, una palabra, una imagen o un documento. Los vectores permiten hacer cálculos de similitud y transformaciones matemáticas.

Idea central para recordar

La IA no es una entidad que “piensa” como una persona. Es un conjunto de métodos y sistemas que procesan datos para reconocer patrones, hacer estimaciones, clasificar información o generar contenidos. Sus resultados dependen de los datos, los objetivos, el diseño técnico, el contexto de uso y la revisión humana.