📑 DICCIONARIO DE TÉRMINOS, ACRÓNIMOS Y SIGLAS

           BAJAR            NOTA: En orden alfabético ascendente                       


 

ALGORITMO: Un algoritmo es un conjunto de instrucciones o pasos que una máquina sigue para resolver un problema o realizar una tarea. En inteligencia artificial los algoritmos son las "recetas" que permiten a los sistemas "aprender" (mediante prueba y error supervisado o refuerzo) y tomar decisiones.

​

ALUCINACIONES: En el contexto de la inteligencia artificial, las alucinaciones ocurren cuando un modelo, como un chatbot o un sistema de generación de texto, produce respuestas o resultados que no son correctos ni están basados en datos reales. Es decir, inventa o genera información falsa que parece creíble, pero no tiene fundamento en los datos que fue entrenado. Esto lo hace el modelo porque está obligado por definición a contestar (devolver un output).

​

ANOMALIAS: Son datos que se desvían significativamente del patrón o comportamiento esperado. Estos datos inusuales pueden indicar errores, fraudes, fallos del sistema u otros eventos poco comunes. Detectar anomalías es útil para identificar problemas o eventos fuera de lo normal.

​

API (Application Programming Interface): Es un conjunto de reglas y protocolos que permiten que diferentes programas o sistemas se comuniquen entre sí. En inteligencia artificial, las API permiten integrar modelos de IA, como servicios de procesamiento de lenguaje o reconocimiento de imágenes, en otras aplicaciones de manera sencilla.

​

APRENDIZAJE NO SUPERVISADO: Es un tipo de aprendizaje automático (machine learning) en el que el modelo trabaja con datos que no tienen etiquetas ni respuestas conocidas. El objetivo es descubrir patrones, relaciones o estructuras ocultas en los datos, como agrupar elementos similares (clustering) o reducir la dimensión de los datos. A diferencia del aprendizaje supervisado, no se le da al modelo ejemplos con respuestas correctas, por lo que debe aprender por sí mismo a interpretar los datos.

​

APRENDIZAJE POR REFUERZO: Es un tipo de aprendizaje automático (machine learning) en el que el modelo se entrena con datos etiquetados, es decir, ejemplos que ya tienen las respuestas correctas. El objetivo es que el modelo aprenda a predecir o clasificar nuevos datos basándose en esos ejemplos. Por ejemplo, si entrenas un modelo con imágenes de gatos y perros (etiquetadas como "gato" o "perro"), aprenderá a identificar si una nueva imagen es de un gato o un perro.

​

APRENDIZAJE SUPERVISADO: Es un tipo de aprendizaje automático (machine learning) en el que un modelo aprende a tomar decisiones mediante ensayo y error. El modelo interactúa con un entorno y recibe recompensas o penalizaciones según sus acciones. El objetivo es que el modelo maximice las recompensas a largo plazo, aprendiendo qué acciones son las mejores para alcanzar un objetivo. Es similar a cómo los humanos o animales aprenden comportamientos a través de las consecuencias de sus acciones.

​

ARQUITECTURA: La arquitectura en inteligencia artificial se refiere al diseño y estructuración de sistemas informáticos que permiten a las máquinas realizar tareas que normalmente requieren inteligencia humana. Es el conjunto de principios y componentes que definen cómo se organiza y funciona un sistema artificial inteligente.

​

ARRAY (arreglo): Es una estructura de datos más general que puede ser de una o más dimensiones. Un array unidimensional puede ser similar a un vector, pero un array también puede ser bidimensional (como una tabla o matriz) o tener más dimensiones, lo que lo hace más flexible para almacenar y manipular grandes cantidades de datos en IA.

​

ASSISTANT API: Es una interfaz que permite a los desarrolladores integrar y utilizar las capacidades de un asistente virtual en sus propias aplicaciones. Estas capacidades pueden incluir procesamiento de lenguaje natural, generación de respuestas, manejo de conversaciones, y otras funciones avanzadas de inteligencia artificial. A través de esta API, los desarrolladores pueden construir asistentes personalizados o mejorar la interacción con los usuarios, permitiendo que las aplicaciones respondan de forma más inteligente y automática a las necesidades de los usuarios.

​

ATS (Applicant Tracking System): Es un software que ayuda a gestionar el proceso de contratación automatizando tareas como la recolección, clasificación y evaluación de candidatos. Utiliza algoritmos y técnicas de IA para filtrar currículums, identificar las mejores coincidencias con las descripciones de los trabajos y optimizar el proceso de selección. Esto agiliza la contratación y reduce la carga de trabajo para los equipos de recursos humanos.

​

BIAS: Un bias o sesgo es una tendencia en el modelo que provoca resultados parciales o inexactos, generalmente debido a datos de entrenamiento incompletos o no representativos, interpretaciones erróneas de patrones o influencias inconscientes de los desarrolladores. Esto puede causar que la IA discrimine o perpetúe desigualdades, por lo que es esencial identificar y mitigar sesgos para garantizar decisiones justas y precisas.

​

BIG DATA: Se refiere a conjuntos de datos extremadamente grandes, complejos y variados que son difíciles de procesar utilizando herramientas y métodos tradicionales. Estos datos suelen ser generados a gran velocidad y provienen de diversas fuentes, como redes sociales, dispositivos IoT, transacciones, sensores, entre otros. La clave del Big Data es la capacidad de analizar estos grandes volúmenes de datos para extraer información valiosa, patrones y tendencias que puedan ayudar en la toma de decisiones o en el desarrollo de nuevas tecnologías, como la inteligencia artificial.

​

BOUNDING BOX: O caja de contorno, en Computer Vision. Es una forma rectangular que encapsula o circunda objetos de interés en una imagen. Su propósito principal es definir la ubicación y tamaño de un objeto en un espacio bidimensional o tridimensional. Las bounding boxes se usan principalmente en tareas de detección de objetos, donde se identifican y clasifican objetos en imágenes y videos. Son fundamentales para localizar y analizar objetos en imágenes. Existen diferentes formas de representar las bounding boxes, como coordenadas de los vértices superiores e inferiores, o un conjunto de coordenadas junto con la anchura y altura. Son fáciles de implementar y entender, y cada vez más eficientes computacionalmente. Permiten representar objetos de diferentes formas y tamaños de manera robusta.

​

CLOUD COMPUTING:  También conocido como computación en la nube, es un modelo de servicio que permite acceder a recursos informáticos, como almacenamiento, procesamiento y aplicaciones, a través de internet en lugar de tener que gestionarlos en servidores locales o dispositivos personales. Los usuarios pueden alquilar estos recursos de manera flexible y escalable, pagando solo por lo que necesitan y utilizando la potencia de grandes centros de datos distribuidos. Esto facilita la ejecución de proyectos que requieren mucho poder computacional, como los relacionados con inteligencia artificial o Big Data, sin necesidad de infraestructura física propia.

​

CNN: O Red Neuronal Convolucional, es un tipo de red neuronal diseñada para procesar imágenes y videos. Utiliza capas de convolución para detectar patrones visuales, como bordes y formas, lo que permite clasificar imágenes, reconocer objetos y realizar otras tareas de visión por computadora. Su estructura combina capas de filtros y reducción de datos, permitiéndole aprender características complejas de forma eficiente.

​

COMMON CRAWL: Es una gran fuente de datos web abiertos que se utiliza para entrenar modelos de lenguaje y otras aplicaciones de IA. Proporciona enormes cantidades de texto y otros contenidos extraídos de la web, lo que permite a los investigadores y desarrolladores entrenar modelos con datos reales y diversos, mejorando su rendimiento en tareas como la comprensión del lenguaje natural y la generación de texto.

​

COMPUTER VISION: También conocido como visión por computadora, es un campo de la inteligencia artificial que permite a las máquinas interpretar y comprender el mundo visual. Utiliza algoritmos y técnicas para que los ordenadores puedan "ver" y analizar imágenes, videos o cualquier tipo de datos visuales. Esto incluye tareas como reconocer objetos, identificar rostros, detectar movimientos o interpretar escenas. Es fundamental en aplicaciones como la conducción autónoma, el reconocimiento facial, el análisis de imágenes médicas y la realidad aumentada.

​

CONTEXT WINDOW: Específicamente en modelos de lenguaje como GPT, la context window se refiere a la cantidad máxima de palabras, tokens o caracteres que un modelo puede procesar y "recordar" en una sola vez. Es decir, es el tamaño del texto que el modelo puede tener en cuenta para generar una respuesta o realizar una tarea. Si el texto excede el límite de la ventana de contexto, el modelo pierde parte de la información anterior. Modelos con una mayor ventana de contexto pueden entender mejor las relaciones y patrones en textos largos.

​

DASHBOARD: O tablero, es una herramienta visual que muestra de manera clara y concisa datos importantes, métricas y KPIs (indicadores clave de rendimiento) en un solo lugar. Suele utilizar gráficos, tablas y otros elementos visuales para facilitar la interpretación rápida de la información. En el ámbito de la inteligencia artificial y el machine learning, los dashboards se utilizan para monitorear el rendimiento de modelos, visualizar resultados de análisis de datos y tomar decisiones basadas en los datos en tiempo real.

​

DATA ANALYST: O analista de datos, es un profesional que recopila, procesa y analiza datos para extraer información útil y relevante. Su trabajo consiste en interpretar los datos para ayudar a las empresas o instituciones a tomar decisiones informadas. Utilizan herramientas estadísticas, software especializado y técnicas de visualización de datos para identificar patrones, tendencias y correlaciones que puedan mejorar la eficiencia, identificar oportunidades o resolver problemas. En resumen, un data analyst transforma los datos en insights que guían decisiones estratégicas.

​

DATA MINING: O minería de datos, es el proceso de explorar grandes conjuntos de datos para identificar patrones, relaciones y tendencias ocultas. Utiliza técnicas estadísticas, algoritmos de machine learning y herramientas avanzadas para descubrir información útil que no es evidente a simple vista. El objetivo es extraer conocimiento valioso de los datos que puede ayudar en la toma de decisiones, como predecir comportamientos de los clientes, detectar fraudes o mejorar procesos de negocio. Es una parte clave del análisis de Big Data.

​

DATA SCIENCE: O ciencia de datos, es un campo interdisciplinario que combina técnicas de estadística, matemáticas, programación y análisis para extraer conocimientos y tomar decisiones basadas en datos. Los científicos de datos utilizan grandes volúmenes de datos para construir modelos predictivos, identificar patrones y obtener insights que pueden aplicarse en diversos sectores, como negocios, salud, finanzas y tecnología. La ciencia de datos incluye procesos como la recopilación de datos, limpieza, análisis, visualización y el uso de machine learning para hacer predicciones o automatizar decisiones.

​

DATA SPLIT: Es el proceso de dividir un conjunto de datos en tres partes: entrenamiento (para enseñar al modelo), validación (para ajustar su rendimiento) y prueba (para evaluar su precisión final). Esto ayuda a garantizar que el modelo generalice bien a datos nuevos.

​

DATASET: Es un conjunto de datos organizado, generalmente en forma de tablas, que se utiliza para entrenar y evaluar modelos de machine learning. Cada fila representa un ejemplo o instancia, y cada columna contiene una característica o variable de esos ejemplos.

​

DATASET BALANCEADO: Es aquel en el que las clases o categorías están representadas de manera equitativa. Es decir, cada clase tiene un número similar de ejemplos. Esto es importante en machine learning, ya que un dataset desequilibrado (con muchas más instancias de una clase que de otra) puede sesgar el modelo hacia la clase mayoritaria, afectando su capacidad de predecir correctamente las clases minoritarias.

​

DEEP LEARNING: Es una rama del machine learning que se basa en redes neuronales artificiales de muchas capas (redes neuronales profundas). Estas redes están diseñadas para aprender representaciones complejas de los datos, imitando en parte el funcionamiento del cerebro humano. Es especialmente útil para tareas como el reconocimiento de imágenes, procesamiento de lenguaje natural y análisis de grandes volúmenes de datos, donde se requiere identificar patrones complejos.

​

EMBEDDING: Es una representación numérica de datos, como palabras, imágenes o cualquier tipo de información, en un espacio vectorial de menor dimensión. Su objetivo es capturar las características o relaciones más importantes del dato en un formato que el modelo de IA pueda procesar de manera eficiente.

​

ENTRENE: En inteligencia artificial, "entrenar" se refiere al proceso de preparar y capacitar a un modelo de IA para realizar tareas específicas. Este proceso implica: Alimentar al modelo con grandes cantidades de datos etiquetados, que sirven como base de aprendizaje. Permitir que el modelo analice y procese estos datos para identificar patrones y relaciones.
Iterativamente ajustar y refinar el modelo basándose en sus errores y desempeño. El objetivo es que el modelo aprenda a tomar decisiones y hacer predicciones de manera precisa, utilizando los patrones extraídos de los datos de entrenamiento. Este proceso de aprendizaje continuo permite que la IA mejore su rendimiento con el tiempo, adaptándose a nuevas situaciones y datos.
​

EPOCH: Una epoch es una pasada completa a través del conjunto de datos de entrenamiento por parte del modelo. Durante una epoch, el modelo ajusta sus parámetros (pesos) a medida que aprende de los datos. Generalmente, se necesitan varias epochs para que el modelo optimice su rendimiento, ya que en cada epoch el modelo mejora basándose en el error acumulado de las iteraciones anteriores.

​

ESCALAR VARIABLES NUMÉRICAS: En Machine Learning, escalar las variables significa cambiar sus valores para que todas estén en un rango similar o en una misma escala. Esto sirve para evitar que algunas variables dominen sobre otras.
​

ETIQUETAS: Son las respuestas o categorías que se asignan a cada ejemplo en un conjunto de datos. En machine learning supervisado, las etiquetas indican el valor o clase que queremos que el modelo prediga. Por ejemplo, en un dataset de imágenes de animales, las etiquetas serían "gato", "perro", etc., y se utilizan para que el modelo aprenda a identificar correctamente los animales en nuevas imágenes.

​

EXPLICABILIDAD: Se refiere a la capacidad de un modelo para hacer comprensibles sus decisiones y procesos a los humanos. En modelos complejos como los de deep learning, es difícil entender cómo se toman las decisiones, por lo que la explicabilidad busca ofrecer transparencia, justificando por qué un modelo ha llegado a una conclusión. Es importante para garantizar la confianza, la ética y el uso responsable de la IA, especialmente en áreas sensibles como la salud, la justicia o las finanzas.

​

FINE-TUNING: Es una técnica en la que se toma un modelo de IA pre-entrenado y se ajusta (o afina) a una nueva tarea específica, entrenándolo con un conjunto de datos más pequeño y especializado. En lugar de entrenar un modelo desde cero, el fine-tuning permite aprovechar los conocimientos previos del modelo y adaptarlos a nuevas necesidades, ahorrando tiempo y recursos.

​

FRAMEWORK: Es un conjunto de herramientas, bibliotecas y reglas predefinidas que facilitan el desarrollo y la implementación de modelos de IA. Ayuda a los desarrolladores a crear aplicaciones más rápido, proporcionando una estructura básica sobre la cual construir, en lugar de tener que empezar desde cero. Ejemplos populares incluyen TensorFlow y PyTorch.

​

FORECASTING: O pronóstico, es el proceso de predecir valores futuros basándose en datos históricos. En machine learning y análisis de datos, se utilizan modelos para analizar patrones pasados y proyectar posibles resultados futuros, como ventas, demanda, clima o precios. Es común en finanzas, negocios y planificación logística, donde la capacidad de anticipar cambios es crucial para la toma de decisiones.

​

GARBAGE: O "basura", se refiere a datos de mala calidad, irrelevantes o incorrectos que pueden afectar negativamente el rendimiento de un modelo o análisis. El concepto se resume en la frase "garbage in, garbage out" (basura entra, basura sale), lo que significa que si los datos de entrada son malos, los resultados o predicciones también lo serán. Es fundamental trabajar con datos limpios y precisos para obtener modelos y análisis confiables.

​

GPU: O Unidad de Procesamiento Gráfico por sus siglas en inglés, es un tipo de procesador diseñado para manejar cálculos intensivos y en paralelo, como los que se necesitan para procesar gráficos y video. En inteligencia artificial y machine learning, las GPUs son muy útiles porque pueden acelerar significativamente el entrenamiento de modelos complejos, como redes neuronales profundas, al procesar grandes cantidades de datos de manera simultánea. Esto las hace mucho más eficientes que las CPU para ciertas tareas relacionadas con deep learning y big data.

​

HERRAMIENTAS DE VISUALIZACIÓN: Transforman datos en gráficos y dashboards para facilitar su análisis. Ejemplos comunes incluyen Tableau, Power BI, Matplotlib, y Google Data Studio. Estas herramientas ayudan a identificar patrones y tomar decisiones informadas rápidamente.

​

HIDDEN LAYERS: O capas ocultas, son capas intermedias en una red neuronal que procesan la información entre la capa de entrada y la capa de salida. Estas capas realizan cálculos complejos y transforman los datos mediante funciones activación, permitiendo al modelo aprender patrones más profundos y abstractos. En redes neuronales profundas (deep learning), suele haber muchas capas ocultas, lo que permite al modelo capturar relaciones complejas en los datos.

​

HUMANIZERS: Son herramientas o técnicas diseñadas para hacer que las interacciones de IA o los modelos automatizados parezcan más humanas. Su objetivo es mejorar la interacción y la experiencia del usuario haciendo que la IA sea más comprensiva, empática o adaptada al comportamiento humano. Esto puede incluir aspectos como el uso de un lenguaje más natural, emociones simuladas o respuestas adaptadas al contexto, para que las personas perciban a la IA como más cercana y "humana".

​

IA GENERATIVA: Es un tipo de inteligencia artificial que crea contenido nuevo, como texto, imágenes, audio o video, a partir de datos existentes. Utiliza modelos como redes generativas adversarias (GANs) o transformadores (como GPT) para generar resultados originales basados en patrones aprendidos. Es útil en áreas como la creación de arte, generación de texto automático, síntesis de imágenes, y creación de modelos 3D, entre otros.

​

IDE: Entorno de Desarrollo Integrado, por sus siglas en inglés. Es una aplicación de software que proporciona herramientas completas para programar y desarrollar aplicaciones. Un IDE generalmente incluye un editor de código, un depurador, y un compilador o intérprete, todo en una única interfaz. Ejemplos populares de IDEs son Visual Studio Code, PyCharm y Eclipse. Los IDEs facilitan el desarrollo al ofrecer autocompletado, resaltado de sintaxis y gestión de proyectos en un solo lugar.

​

ITERACIONES: En machine learning y programación se refieren a los ciclos repetitivos en los que un proceso o algoritmo se ejecuta varias veces para mejorar o refinar los resultados. En el entrenamiento de modelos, cada iteración implica actualizar los parámetros del modelo basándose en los errores anteriores, con el objetivo de minimizar el error y mejorar la precisión del modelo a lo largo del tiempo.

​

JUPYTER: Es una plataforma interactiva que permite crear y compartir documentos llamados notebooks, que pueden contener código ejecutable, visualizaciones, texto explicativo y ecuaciones matemáticas. Es especialmente popular en data science y machine learning porque permite realizar análisis de datos, experimentar con código y visualizar resultados en un solo entorno. Jupyter soporta varios lenguajes de programación, siendo Python el más utilizado.

​

KAGGLE: Es una plataforma en línea para científicos de datos y entusiastas del machine learning. Ofrece competencias donde los usuarios pueden resolver problemas reales usando datos, colaborar con otros y aprender nuevas técnicas. Kaggle también proporciona datasets públicos, notebooks interactivos, y herramientas como GPUs para entrenar modelos. Es un lugar popular para aprender, compartir proyectos, y mejorar habilidades en ciencia de datos y machine learning.

​

KERAS: Es una biblioteca de código abierto para construir y entrenar modelos de redes neuronales. Es fácil de usar y modular, lo que permite a los desarrolladores diseñar modelos de deep learning de manera rápida. Keras funciona como una capa de alto nivel sobre bibliotecas más potentes como TensorFlow, simplificando el proceso de crear y entrenar redes neuronales complejas. Es ideal para principiantes y expertos que buscan desarrollar modelos de machine learning con menos complejidad técnica.

​

LDM (Latent Diffusion Model): Es un tipo de modelo generativo basado en la técnica de difusión latente, que genera imágenes u otros tipos de datos de alta calidad a partir de ruido. Los LDMs funcionan aplicando un proceso de difusión, que comienza con datos aleatorios (ruido) y gradualmente los transforma en datos estructurados, como imágenes, a través de una serie de pasos. Se utilizan principalmente en tareas como la generación de imágenes y la síntesis de contenidos. Este enfoque permite modelos más eficientes y precisos en comparación con otras técnicas generativas.

​

LEARNING RATE: En la inteligencia artificial es la velocidad a la que un modelo de aprendizaje automático se adapta a los datos en cada iteración del entrenamiento. Indica el tamaño del paso que se toma para llegar a la solución óptima en un problema de optimización. Es un parámetro crucial que afecta tanto la precisión como la eficiencia del modelo. Un learning rate adecuado permite reducir el error conforme pasan las épocas hasta llegar al mínimo buscado. Se pueden utilizar técnicas como el decrecimiento del learning rate conforme disminuye la función de pérdida para lograr un ajuste óptimo. Los valores típicos suelen estar entre 0.1, 0.01 y 0.001. Una elección incorrecta puede llevar a problemas de convergencia o lentitud excesiva en el entrenamiento.

​

LLM (Large Languaje Model): Es un tipo de modelo de inteligencia artificial entrenado en grandes cantidades de datos textuales para comprender y generar lenguaje natural. Estos modelos, como GPT, pueden realizar tareas como traducción, resumen, generación de texto y responder preguntas. Los LLMs son capaces de aprender patrones complejos del lenguaje y generar respuestas coherentes y relevantes basadas en los datos con los que fueron entrenados. Son ampliamente utilizados en aplicaciones de chatbots, asistentes virtuales y otros sistemas de procesamiento del lenguaje natural.

​

MACHINE LEARNING: O aprendizaje automático, es una rama de la inteligencia artificial que permite a los sistemas aprender de los datos y mejorar su rendimiento en tareas específicas sin ser programados explícitamente para ello. Los algoritmos de machine learning identifican patrones en los datos y utilizan esos patrones para hacer predicciones o tomar decisiones. Se aplica en áreas como reconocimiento de voz, recomendación de productos, detección de fraudes y muchos más.

​

MARKDOWN: Ees un lenguaje de marcado ligero que permite dar formato a texto de manera sencilla utilizando una sintaxis simple. Se utiliza principalmente para crear documentos que luego se pueden convertir a HTML u otros formatos. Con Markdown, puedes agregar encabezados, listas, enlaces, imágenes, y más, sin la complejidad de lenguajes como HTML. Es muy popular en plataformas como GitHub, Jupyter notebooks, y sistemas de blogs debido a su simplicidad y facilidad de lectura.

​

MEMORIA RAM: O Random Access Memory, es un tipo de memoria volátil que los dispositivos utilizan para almacenar temporalmente datos y programas que están en uso activo. A diferencia del almacenamiento permanente, como un disco duro, la RAM se borra cuando el dispositivo se apaga. Es fundamental para el rendimiento de un sistema, ya que permite un acceso rápido a los datos, facilitando que los programas y el sistema operativo funcionen de manera eficiente. Cuanta más RAM tiene un dispositivo, mayor es su capacidad para manejar múltiples tareas y aplicaciones de forma simultánea.

​

MODELO: Es una representación matemática o computacional que se entrena con datos para realizar tareas específicas, como hacer predicciones, clasificar información o tomar decisiones. El modelo aprende patrones a partir de los datos y, una vez entrenado, puede aplicarse a nuevas entradas para generar resultados. Los modelos pueden ser de diferentes tipos, como redes neuronales, árboles de decisión o máquinas de soporte vectorial, dependiendo del tipo de tarea y los datos utilizados.

​

MODELO CRÍTICO: Cuando el modelo de IA en entrenamiento está destinado a una tarea de gran importancia, en la que un margen de error, aunque sea pequeño, no es aceptable. Por ejemplo, en conducción autónoma, el vehículo conducido por un modelo de IA no se puede permitir errores, porque resultarían en accidente de tráfico. En estos modelos, el porcentaje de acierto debe ser cercano al 100%.

​

MODELO FUNDACIONAL: Es un tipo de modelo de gran escala que se entrena con enormes cantidades de datos no supervisados y que luego puede adaptarse a diversas tareas. Estos modelos son generalistas y pueden aplicarse a múltiples dominios, desde procesamiento de lenguaje natural hasta visión por computadora, sin necesidad de empezar de cero. Ejemplos de modelos fundacionales incluyen GPT y BERT. Son llamados "fundacionales" porque sirven como base para el desarrollo de aplicaciones más específicas mediante técnicas como el fine-tuning.

​

MULTIMODAL: En inteligencia artificial se refiere a la capacidad de un modelo o sistema para procesar y combinar diferentes tipos de datos o modalidades, como texto, imágenes, audio, video, o incluso señales sensoriales, para generar una respuesta o realizar una tarea. Los modelos multimodales integran información de varias fuentes para mejorar la comprensión y generar resultados más precisos. Un ejemplo es un sistema que puede interpretar una imagen (visión) y generar una descripción (texto) o un chatbot que puede comprender tanto el lenguaje hablado (audio) como el escrito (texto).

​

NEURONAS: En el contexto de inteligencia artificial, las neuronas son los componentes básicos de las redes neuronales artificiales. Imitan el comportamiento de las neuronas biológicas en el cerebro. Cada neurona recibe entradas (datos), las procesa aplicando una función matemática (función de activación) y luego pasa la información resultante a otras neuronas. A través de este proceso, las neuronas trabajan juntas en múltiples capas para aprender patrones complejos a partir de los datos y tomar decisiones o hacer predicciones.

​

NLP (Natural Language Processing): Oprocesamiento del lenguaje natural es un campo de la inteligencia artificial que se centra en la interacción entre las máquinas y el lenguaje humano. El objetivo de NLP es permitir que las computadoras comprendan, interpreten y generen lenguaje de manera similar a los humanos. Las aplicaciones de NLP incluyen chatbots, traducción automática, análisis de sentimientos, resumen de texto, reconocimiento de voz, y más.

​

NoSQL: Es un tipo de base de datos que no sigue el modelo relacional tradicional basado en tablas como las bases de datos SQL. En lugar de eso, utiliza diferentes modelos de datos como documentos, claves-valor, gráficos o columnas. Las bases de datos NoSQL son especialmente adecuadas para manejar grandes volúmenes de datos no estructurados o semiestructurados y ofrecen mayor flexibilidad y escalabilidad que las bases de datos relacionales. Son comúnmente usadas en aplicaciones que requieren alta disponibilidad y rendimiento, como big data, redes sociales y aplicaciones en tiempo real.

​

OCR (pattern recognition): O reconocimiento óptico de caracteres, es una tecnología que permite convertir imágenes de texto impreso o escrito a mano en texto digital editable. El OCR analiza las imágenes de documentos, fotos o escaneos para identificar y extraer los caracteres, permitiendo que el contenido se pueda editar, buscar o procesar por máquinas. Es ampliamente utilizado en la digitalización de documentos, procesamiento de facturas, y lectura automática de formularios o libros.

​

ONE SHOT PROMPTING: Es una técnica en la que se proporciona a un modelo de inteligencia artificial un solo ejemplo o instrucción para realizar una tarea específica. En lugar de entrenar el modelo con muchos ejemplos (como en el aprendizaje tradicional), se le muestra un solo caso para que comprenda la tarea. Esta técnica es útil en modelos avanzados de lenguaje natural, como los modelos grandes (LLMs), que pueden generalizar bien incluso con poca información, realizando correctamente la tarea basándose en ese único ejemplo.

​

OVERFITTING: O sobreajuste, es cuando un modelo de Machine Learning se ajusta demasiado a los datos de entrenamiento, aprendiendo tanto los patrones como el ruido específico de esos datos. Como resultado, el modelo tiene un rendimiento excelente en el conjunto de entrenamiento pero falla en generalizar a datos nuevos, mostrando baja precisión en el conjunto de prueba.

​

PERCEPTRÓN: Es el componente más básico de una red neuronal artificial y representa una sola neurona. Fue uno de los primeros modelos de machine learning, diseñado para clasificar datos binarios. Un perceptrón recibe varias entradas, las pondera con ciertos pesos, suma los resultados y aplica una función de activación para producir una salida (normalmente 0 o 1). Si la salida supera un umbral, se activa; si no, no. Aunque simple, es la base de redes neuronales más complejas utilizadas en el deep learning.

​

PIPELINE: Es una serie de pasos secuenciales y automatizados que procesan datos y entrenan modelos de manera eficiente. Cada paso en el pipeline realiza una tarea específica, como la recolección de datos, preprocesamiento, entrenamiento del modelo, validación y despliegue. Los pipelines ayudan a organizar y estructurar el flujo de trabajo, facilitando la repetición del proceso y la integración de diferentes componentes.

​

PLATEAU: En inteligencia artificial se refiere a un punto en el proceso de aprendizaje automático donde el rendimiento del modelo no mejora significativamente, a pesar de seguir entrenándolo con más datos o ajustando los parámetros. Es como si el modelo hubiera alcanzado un techo y no pudiera superarlo fácilmente. Esto suele ocurrir cuando el modelo ha aprendido todas las patrones relevantes en los datos disponibles y necesita más información o una reformulación del problema para avanzar.

​

PRE-PROMPT (Prompt de sistema): Se refiere a un texto o instrucción que se proporciona a un modelo de inteligencia artificial antes de presentar la tarea principal o la pregunta específica. Se utiliza para establecer el contexto, guiar la respuesta o influir en el tono y el estilo de la salida generada por el modelo. Los pre-prompts son útiles para mejorar la calidad y relevancia de las respuestas, ya que ayudan al modelo a entender mejor lo que se espera de él antes de recibir la consulta principal.

​

PROMPT (Prompt de chat): Es una instrucción o un conjunto de palabras que se le da a un modelo de inteligencia artificial para guiar su respuesta o generación de contenido. En el contexto de modelos de lenguaje, el prompt puede ser una pregunta, un tema o una frase inicial que el modelo utiliza para generar texto relacionado. La calidad y claridad del prompt son cruciales, ya que afectan directamente la relevancia y precisión de la respuesta que proporciona el modelo.

​

PROMPT-GRAMMING / PROMP ENGINEERING: Es un enfoque que implica diseñar y ajustar cuidadosamente los prompts para interactuar eficazmente con modelos de inteligencia artificial, especialmente modelos de lenguaje como los LLM (Large Language Models). Este término combina "prompt" (instrucción) y "programming" (programación) para enfatizar que la creación de prompts se puede considerar una forma de programación. Al igual que en la programación tradicional, donde se deben seguir ciertas reglas y estructuras, el prompt-gramming requiere entender cómo los modelos responden a diferentes formulaciones y contextos para obtener los resultados deseados. Es una habilidad importante para optimizar la interacción con modelos de IA y mejorar la calidad de las respuestas generadas.

​

PYTHON: Es un lenguaje de programación de alto nivel, interpretado y de propósito general, conocido por su sintaxis clara y legible. Es ampliamente utilizado en diversas áreas, incluyendo desarrollo web, análisis de datos, inteligencia artificial, machine learning, automatización de tareas, y más. Python cuenta con una rica colección de bibliotecas y frameworks, como NumPy, pandas, TensorFlow y Flask, que facilitan el desarrollo y la implementación de proyectos complejos. Su popularidad se debe a su facilidad de aprendizaje, versatilidad y fuerte comunidad de usuarios.

​

PYTORCH: Es una biblioteca de código abierto para el aprendizaje automático y la inteligencia artificial, especialmente conocida por su flexibilidad y facilidad de uso en la investigación de deep learning. Desarrollada por Facebook, PyTorch permite construir y entrenar modelos de redes neuronales mediante un enfoque dinámico que facilita la depuración y la experimentación. Su diseño basado en tensores permite realizar cálculos eficientes en CPU y GPU, y ofrece una amplia gama de herramientas y módulos que simplifican tareas como la manipulación de datos, la construcción de modelos y la optimización. Es muy popular en la comunidad de investigadores y desarrolladores por su capacidad de facilitar prototipos rápidos y su integración con otras bibliotecas.

​

REDES NEURONALES: Son modelos computacionales inspirados en el cerebro humano, compuestos por capas de neuronas artificiales que procesan datos. Se utilizan para reconocer patrones y resolver problemas complejos. Existen varios tipos, como las redes feedforward, las convolucionales (CNN) para imágenes y las recurrentes (RNN) para secuencias de datos. Se entrenan mediante algoritmos de aprendizaje automático para mejorar su precisión en tareas como clasificación y regresión.

​

RETRIEVAL: O recuperación, se refiere al proceso de buscar y obtener información relevante de un conjunto de datos o una base de datos. En el contexto de inteligencia artificial y machine learning, se utiliza comúnmente en sistemas de recuperación de información, como motores de búsqueda y sistemas de recomendación. El objetivo del retrieval es identificar y presentar los datos más pertinentes en respuesta a una consulta del usuario, basándose en técnicas como la indexación, el análisis semántico y algoritmos de ranking.

​

ROBUSTEZ: La robustez de un dataset se refiere a su capacidad para mantener la calidad y validez de los resultados, incluso ante variaciones, ruido o errores en los datos. Un dataset robusto proporciona resultados consistentes y precisos, lo que asegura que los modelos entrenados con él puedan generalizar bien a nuevos datos y no sean sensibles a anomalías.

​

RUIDO: En el contexto de datos y machine learning, el ruido se refiere a la información irrelevante, errónea o aleatoria presente en un conjunto de datos que puede interferir con el análisis o el rendimiento de un modelo. El ruido puede surgir de diversas fuentes, como errores de medición, variaciones aleatorias en los datos o datos no representativos. La presencia de ruido puede dificultar la identificación de patrones reales y afectar la precisión de las predicciones del modelo, por lo que es fundamental limpiar y preprocesar los datos antes de su uso.

​

SCIKIT-LEARN: Es una biblioteca de código abierto para Python que proporciona herramientas simples y eficientes para el aprendizaje automático y la minería de datos. Está diseñada para trabajar con datos estructurados y ofrece una amplia gama de algoritmos para tareas de clasificación, regresión, clustering y reducción de dimensionalidad. Scikit-learn incluye funcionalidades para la preprocesamiento de datos, validación de modelos y selección de características, lo que la convierte en una opción popular tanto para principiantes como para expertos en machine learning. Su diseño intuitivo y su integración con otras bibliotecas de Python, como NumPy y pandas, la hacen muy accesible para el análisis de datos

​

SCRAPPING: O web scraping, es el proceso de extraer información de sitios web de manera automatizada. Implica el uso de programas o scripts que recorren las páginas web, analizan el contenido HTML y recopilan datos específicos, como texto, imágenes, precios, o cualquier otra información relevante. El scraping se utiliza en diversas aplicaciones, como la recopilación de datos para análisis de mercado, la monitorización de precios, la investigación académica y la creación de bases de datos. Es importante tener en cuenta que el scraping debe realizarse respetando las políticas de uso de los sitios web y las leyes de protección de datos.

​

SDK: O Software Development Kit, es un conjunto de herramientas, bibliotecas y documentación que permite a los desarrolladores crear aplicaciones para una plataforma específica. Un SDK incluye todo lo necesario para desarrollar software, como APIs (Interfaces de Programación de Aplicaciones), ejemplos de código, herramientas de depuración y entornos de desarrollo. Los SDKs son comunes para sistemas operativos, plataformas de desarrollo de aplicaciones móviles, servicios en la nube y otras tecnologías, facilitando a los desarrolladores la integración de funcionalidades y la creación de aplicaciones más rápidamente.

​

SQL: O Structured Query Language, es un lenguaje de programación utilizado para gestionar y manipular bases de datos relacionales. Permite realizar operaciones como consultar, insertar, actualizar y eliminar datos en una base de datos. SQL utiliza una sintaxis estructurada que incluye comandos como SELECT, INSERT, UPDATE, DELETE, y CREATE TABLE, entre otros. Es fundamental para el manejo de datos en sistemas de gestión de bases de datos (DBMS) como MySQL, PostgreSQL, Oracle y Microsoft SQL Server, y es ampliamente utilizado en aplicaciones empresariales y análisis de datos.

​

TENSORFLOW: Es una biblioteca de código abierto desarrollada por Google para el aprendizaje automático y el deep learning. Proporciona un marco flexible y escalable para construir y entrenar modelos de inteligencia artificial. TensorFlow es especialmente útil para trabajar con redes neuronales y ofrece una variedad de herramientas y recursos, como Keras, que simplifican el desarrollo de modelos. Su capacidad para ejecutar cálculos en múltiples CPUs y GPUs lo hace adecuado para tareas complejas y grandes volúmenes de datos. TensorFlow es ampliamente utilizado en aplicaciones de visión por computadora, procesamiento del lenguaje natural y otras áreas de IA.

​

TOKEN: Especialmente en modelos de lenguaje como GPT, un token es una unidad de texto que el modelo utiliza para procesar y generar respuestas. Un token puede ser una palabra completa, parte de una palabra o incluso un solo carácter, dependiendo del modelo y el idioma. Los modelos dividen el texto en tokens para analizarlo y entenderlo. Por ejemplo, en inglés, la palabra "fantastic" podría dividirse en varios tokens, mientras que palabras más cortas como "dog" podrían ser un solo token. El número de tokens influye en el tamaño de la context window que el modelo puede manejar.

​

TRANSFORMER: Es un modelo de arquitectura de red neuronal utilizado principalmente en el procesamiento del lenguaje natural (NLP) y otras tareas de inteligencia artificial. Introducido en el artículo "Attention is All You Need" en 2017, el transformer se basa en el mecanismo de atención, que permite al modelo ponderar la importancia de diferentes palabras en una oración al realizar tareas como traducción, resumen y generación de texto.
Los transformers son eficaces para manejar secuencias de datos y pueden procesar múltiples palabras simultáneamente, lo que los hace más rápidos y escalables que modelos anteriores, como las redes neuronales recurrentes (RNN). Gracias a su capacidad para capturar dependencias a largo plazo en los datos, los transformers han revolucionado el campo del NLP y han dado lugar a modelos avanzados como BERT y GPT.

​

TTS (Text To Speech): Es una tecnología que utiliza IA para convertir texto escrito en habla sintetizada. Funciona mediante algoritmos que procesan el lenguaje natural y lo transforman en audio. Permite hacer accesible el texto a personas con discapacidades visuales o que prefieren consumir información auditivamente. Las voces generadas han mejorado significativamente en cuanto a naturalidad y expresividad emocional gracias a avances en aprendizaje automático y grandes bases de datos de habla humana. Los desarrolladores pueden integrar estas funcionalidades en aplicaciones mediante APIs, facilitando su implementación en diferentes plataformas y servicios.

​

VECTOR: Es una secuencia ordenada de números, normalmente en una sola dimensión, como una lista de valores. Es común en IA para representar datos o características de un objeto (por ejemplo, una imagen o una palabra) en una sola dirección. Los vectores son utilizados en álgebra lineal y se emplean para representar puntos en el espacio, entre otras cosas.

​