Glosario de IA
Elige lo que quieres aprender, comprender o lograr con la IA y descubre las oportunidades de aprendizaje, guías y herramientas relevantes.
Mostrando 120 de 120
A
Adaptación de bajo rango (LoRA)
LoRA es una técnica que te permite ajustar modelos de IA masivos entrenando solo una pequeña fracción de sus parámetros, lo que hace posible personalizar modelos en hardware de consumo.
Agente autónomo
Un agente autónomo es un agente de IA configurado para ejecutar su ciclo con comparativamente mayor independencia y adaptar sus acciones con menos puntos de control humano.
Agente de IA
Un agente de IA es un sistema de software individual que utiliza un modelo de IA para interpretar el contexto, elegir los siguientes pasos y ejecutar acciones hacia un objetivo, a menudo mediante herramientas externas o API.
Ajuste fino (Fine-Tuning)
El ajuste fino es la práctica de refinar un modelo de IA preentrenado en un conjunto de datos más pequeño y especializado, permitiéndole adaptar su conocimiento general a tareas, industrias o voces de marca únicas.
Ajuste fino eficiente en parámetros (PEFT)
PEFT es un método para personalizar grandes modelos de IA entrenando solo una pequeña fracción de sus parámetros, lo que reduce significativamente el coste computacional y la memoria requerida en comparación con el ajuste fino completo.
Ajuste fino supervisado (SFT)
El ajuste fino supervisado es el proceso de tomar un modelo de IA de propósito general y entrenarlo en un conjunto de datos más pequeño y de alta calidad de pares de entrada-salida para mejorar su precisión y comportamiento para aplicaciones específicas.
Alucinación de IA
Una alucinación de IA es un fenómeno en el que un modelo de inteligencia artificial genera información falsa o engañosa con total confianza, presentando a menudo hechos fabricados como si fueran verdades verificadas.
API (Interfaz de Programación de Aplicaciones)
Una API es un conjunto de protocolos y herramientas definidos que permite que diferentes aplicaciones de software se comuniquen e intercambien datos entre sí.
Aprendizaje automático
El aprendizaje automático es un subcampo de la inteligencia artificial centrado en el desarrollo de algoritmos que permiten a las computadoras aprender patrones a partir de datos y tomar predicciones o decisiones sin ser programadas explícitamente para cada tarea específica.
Aprendizaje no supervisado
El aprendizaje no supervisado es un tipo de aprendizaje automático donde los modelos exploran datos no etiquetados para descubrir estructuras, patrones o agrupaciones ocultas sin que se les diga qué buscar o cuáles son las respuestas correctas.
Aprendizaje por Refuerzo
El Aprendizaje por Refuerzo es un método para entrenar agentes de IA para lograr objetivos mediante prueba y error, donde el agente aprende qué acciones producen las recompensas a largo plazo más altas a través de la interacción continua con su entorno.
Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF)
RLHF es una técnica de entrenamiento que utiliza clasificaciones humanas de respuestas generadas por IA para enseñar al modelo qué resultados son más útiles, precisos y seguros, alineando efectivamente el comportamiento de la IA con las expectativas humanas.
Aprendizaje por transferencia
El aprendizaje por transferencia es un método de IA que reutiliza las características aprendidas de un modelo preentrenado para resolver un problema nuevo y relacionado, ahorrando tiempo y recursos computacionales significativos en comparación con el entrenamiento desde cero.
Aprendizaje profundo (Deep Learning)
El aprendizaje profundo es un subcampo especializado del aprendizaje automático que utiliza redes neuronales artificiales multicapa para modelar patrones y representaciones complejos en grandes conjuntos de datos.
Aprendizaje supervisado
El aprendizaje supervisado es un método de aprendizaje automático donde un modelo de IA se entrena utilizando datos etiquetados, lo que significa que los ejemplos de entrada se emparejan con las respuestas correctas, permitiendo al modelo aprender patrones y realizar predicciones sobre datos nuevos y no vistos.
Autoatención (Self-Attention)
La autoatención es una técnica que permite a los modelos de IA comprender el contexto determinando cuánto enfoque poner en diferentes partes de una secuencia de entrada al procesar un elemento específico.
Automatización con IA
La automatización con IA utiliza el aprendizaje automático y software inteligente para realizar tareas repetitivas o complejas, permitiendo que los sistemas tomen decisiones, procesen datos y ejecuten flujos de trabajo de forma autónoma.
B
Base de conocimientos
Una base de conocimientos es una colección curada de datos, documentos y hechos a los que accede un sistema de IA para recuperar información relevante, asegurando que sus respuestas se basen en conocimientos organizacionales o de dominio específicos, confiables y actualizados.
Benchmark
Un benchmark es una prueba estandarizada utilizada para medir y comparar qué tan bien funcionan diferentes modelos de IA en tareas específicas, como la comprensión del lenguaje, la programación o el reconocimiento de imágenes.
Bucle de agente
El bucle de agente es el ciclo fundamental que permite a un agente de IA funcionar de forma autónoma observando su entorno, decidiendo una acción, ejecutándola y evaluando el resultado para determinar el siguiente paso.
Búsqueda híbrida
Una técnica de recuperación que combina la búsqueda tradicional basada en palabras clave (léxica) con la búsqueda semántica basada en vectores para aprovechar tanto la coincidencia exacta de términos como la comprensión conceptual.
Búsqueda Semántica
Una técnica de búsqueda que utiliza incrustaciones vectoriales y procesamiento de lenguaje natural para recuperar información basada en el significado conceptual y la intención de una consulta en lugar de coincidencias exactas de palabras clave.
C
Característica (Feature)
Una característica es un dato o atributo específico utilizado por un modelo de IA para realizar predicciones o identificar patrones, como los metros cuadrados de una casa o el color de un píxel en una imagen.
Chain-of-Thought
Chain-of-Thought (CoT) es una técnica de prompting que anima a los modelos de lenguaje grandes a generar una serie de pasos de razonamiento intermedios antes de llegar a una respuesta final. Al articular explícitamente la progresión lógica, el modelo puede resolver tareas complejas de aritmética, sentido común y razonamiento simbólico con mayor precisión.
Chunking
El chunking divide documentos largos en piezas más pequeñas y manejables para que los modelos de IA puedan procesarlos de manera más efectiva, asegurando que la información recuperada siga siendo relevante y se ajuste a la ventana de contexto del modelo.
Clave de API
Una clave de API actúa como una contraseña digital que identifica su aplicación ante un proveedor de servicios, permitiéndole acceder de forma segura a datos o modelos de IA mientras rastrea el uso y aplica límites de tasa.
Codificación posicional
La codificación posicional es un método que añade información relacionada con el orden a los datos de entrada, permitiendo que modelos como los Transformers entiendan la secuencia y la estructura de las palabras, ya que procesan todos los tokens simultáneamente en lugar de uno por uno.
Computer Vision
Computer vision es la tecnología de IA que permite a las máquinas 'ver' y comprender el mundo visual, permitiéndoles identificar objetos, rastrear movimientos e interpretar escenas complejas a partir de imágenes o transmisiones de video.
Conjunto de datos (Dataset)
Un conjunto de datos es una colección curada de información utilizada para enseñar a los modelos de IA. Actúa como la fuente principal de conocimiento, permitiendo a los algoritmos identificar patrones, hacer predicciones o generar nuevo contenido basado en los ejemplos proporcionados.
Context Engineering
Context engineering es la práctica de curar y organizar los datos introducidos en un modelo de IA para asegurar que tenga la información necesaria para generar respuestas precisas, relevantes y de alta calidad.
Cuantización
La cuantización reduce la huella de memoria y los requisitos computacionales de los modelos de IA al convertir números de alta precisión en formatos de menor precisión, permitiendo una inferencia más rápida en hardware con recursos limitados como dispositivos móviles y procesadores de borde.
D
Datos de entrenamiento
Los datos de entrenamiento son la colección de información utilizada para enseñar a un modelo de IA. Al analizar estos ejemplos, el modelo aprende a reconocer patrones y realizar tareas específicas, como clasificar imágenes o generar texto.
Decodificador (Decoder)
Un decodificador es la parte de un modelo de IA responsable de tomar información comprimida y expandirla en una salida significativa, como traducir texto o generar imágenes a partir de un prompt.
Destilación de conocimientos
Una técnica de aprendizaje automático donde un modelo 'alumno' compacto es entrenado para reproducir el comportamiento y la distribución de salida de un modelo 'profesor' más grande y preentrenado.
E
Embedding
Un embedding es una representación vectorial continua y de baja dimensión de datos discretos, como texto o imágenes, donde la distancia geométrica entre vectores corresponde a la similitud semántica de los puntos de datos subyacentes.
Encoder
Un encoder es un componente de red neuronal que transforma datos de entrada en una representación latente comprimida y de alta dimensión, a menudo denominada vector de contexto o embedding.
Encoder-Decoder
Un encoder-decoder es una arquitectura de red neuronal que consta de dos componentes principales: un encoder que comprime los datos de entrada en una representación latente, y un decoder que reconstruye o transforma esa representación en una salida objetivo.
Endpoint
Un endpoint es una URL específica que actúa como puerta de enlace para que las aplicaciones de software se comuniquen con un modelo o servicio de IA, permitiéndoles enviar datos y recibir resultados procesados.
Espacio latente
El espacio latente es un espacio matemático oculto y comprimido donde los modelos de IA organizan los datos. Al mapear entradas complejas en este espacio, los modelos pueden identificar relaciones, interpolar entre conceptos y generar resultados nuevos y significativos.
Etiqueta
Una etiqueta es la 'clave de respuestas' adjunta a los puntos de datos en el aprendizaje supervisado. Le dice a la IA cuál debería ser la salida correcta para una entrada determinada, permitiendo que el modelo aprenda patrones a través del entrenamiento.
Evals
Las Evals son las pruebas y métricas estandarizadas utilizadas para verificar que un modelo de IA se comporte como se espera, permanezca seguro y funcione con precisión antes y después de su despliegue en aplicaciones del mundo real.
Evaluación de modelos
La evaluación de modelos es la práctica esencial de probar sistemas de IA para garantizar que funcionen de manera precisa, confiable y segura antes de que se utilicen en aplicaciones del mundo real.
F
F1 Score
El F1 Score es la media armónica de la precisión y la recuperación, proporcionando una métrica única que equilibra el compromiso entre falsos positivos y falsos negativos en modelos de clasificación.
Few-Shot Prompting
El few-shot prompting mejora la precisión de la IA al proporcionar al modelo algunos ejemplos concretos de la tarea deseada, ayudándole a entender el formato, el tono y la lógica esperados antes de generar una respuesta.
G
Generación Aumentada por Recuperación (RAG)
RAG es una técnica que conecta modelos de IA con fuentes de datos externas, permitiéndoles proporcionar respuestas precisas y actualizadas al 'buscar' información en lugar de depender únicamente de sus datos de entrenamiento internos.
Generación de imágenes
La generación de imágenes es una rama de la IA generativa que utiliza modelos de aprendizaje automático, típicamente modelos de difusión o redes generativas antagónicas (GAN), para sintetizar nuevas imágenes visuales a partir de descripciones textuales u otros datos de entrada.
Generalización
La generalización es la capacidad de un modelo de IA para aplicar lo que ha aprendido durante el entrenamiento a datos nuevos y desconocidos, asegurando que funcione de manera fiable en escenarios del mundo real en lugar de solo repetir información memorizada.
Gestión de riesgos de IA
Un enfoque estructurado para identificar y minimizar los riesgos técnicos, éticos y operativos inherentes al despliegue de sistemas de IA, asegurando que se alineen con los estándares de seguridad y los objetivos organizacionales.
Grounding
El grounding es el proceso de vincular la salida de un modelo de IA generativa a fuentes de datos externas específicas y verificables para garantizar la precisión fáctica y reducir la dependencia de los parámetros de entrenamiento internos del modelo.
Guardrail
Los guardrails de IA son mecanismos de seguridad automatizados que monitorean y filtran las interacciones entre los usuarios y los modelos de IA para evitar que se genere o procese contenido dañino, sesgado o fuera de tema.
H
Hiperparámetro
Los hiperparámetros son los "controles" o ajustes que gobiernan el proceso de aprendizaje de un modelo de IA. A diferencia de los parámetros internos del modelo aprendidos a partir de los datos, estos deben ser configurados manualmente por los desarrolladores antes de iniciar el entrenamiento.
Human-in-the-Loop
Un paradigma de diseño en inteligencia artificial donde se requiere la intervención humana en etapas específicas del proceso de toma de decisiones o aprendizaje de un sistema para validar, corregir o guiar los resultados.
I
IA Agéntica
La IA agéntica es un paradigma de diseño para sistemas que persiguen objetivos mediante planificación, razonamiento, uso de herramientas y acciones de varios pasos, en lugar de producir únicamente una respuesta.
IA generativa
La IA generativa se refiere a modelos de aprendizaje automático que crean contenido nuevo en lugar de solo analizar o clasificar datos existentes. Al identificar patrones en conjuntos de datos masivos, estos sistemas pueden producir texto similar al humano, imágenes realistas o código funcional basado en las instrucciones del usuario.
IA Multimodal
La IA multimodal se refiere a sistemas de aprendizaje automático diseñados para procesar, interpretar y sintetizar información de múltiples modalidades de datos distintas (como texto, imágenes, audio y video) simultáneamente para realizar tareas complejas.
Inferencia
La inferencia es la etapa en la que un modelo de IA entrenado se pone en funcionamiento, procesando datos del mundo real para proporcionar predicciones, clasificaciones o contenido generado basado en el conocimiento que adquirió durante su fase de entrenamiento.
Inferencia por lotes
La inferencia por lotes es el proceso de ejecutar un modelo de aprendizaje automático en una gran colección de puntos de datos simultáneamente, en lugar de procesar solicitudes individuales en tiempo real.
Ingeniería de Prompts
La ingeniería de prompts es el arte y la ciencia de elaborar instrucciones precisas para modelos de IA para asegurar que el contenido generado cumpla con requisitos, tono y objetivos estructurales específicos.
Inteligencia Artificial
La Inteligencia Artificial se refiere a sistemas informáticos diseñados para simular funciones cognitivas humanas, permitiendo a las máquinas procesar información, resolver problemas complejos y adaptarse a nuevas entradas mediante el aprendizaje basado en datos.
Inyección de Prompts
La inyección de prompts es una técnica donde los usuarios manipulan la entrada de una IA para eludir sus filtros de seguridad o instrucciones del sistema, engañando al modelo para que realice tareas no autorizadas o divulgue datos sensibles.
J
K
L
Límite de tasa
Un límite de tasa es una medida de seguridad y estabilidad que limita cuántas veces un usuario puede acceder a una API o servicio durante un período determinado, evitando la sobrecarga y el abuso del sistema.
Llamada a funciones
La llamada a funciones permite a los modelos de IA cerrar la brecha entre la generación de texto y la acción en el mundo real al activar herramientas de software externas, API o bases de datos basadas en las solicitudes del usuario.
M
Mecanismo de atención
Una técnica de IA que permite a los modelos centrarse selectivamente en las partes más relevantes de una entrada, como palabras específicas en una oración, para mejorar la comprensión del contexto y la precisión de la salida.
Memoria de agente
La memoria de agente se refiere a los componentes arquitectónicos que permiten a un agente de IA almacenar, gestionar y recuperar información a través de interacciones, permitiéndole mantener el contexto y aprender de experiencias pasadas.
Mixture of Experts (MoE)
Mixture of Experts es una arquitectura de IA que mejora la eficiencia mediante un sistema de "activación" que utiliza solo una pequeña parte especializada de los parámetros totales del modelo para cualquier entrada dada, en lugar de ejecutar toda la red.
Model Context Protocol (MCP)
MCP es un estándar abierto que permite a los modelos de IA conectarse de manera fácil y segura a sistemas, bases de datos y herramientas externas, permitiéndoles acceder a datos en tiempo real y realizar acciones sin necesidad de integraciones personalizadas para cada conexión.
Modelo de difusión
Una clase de modelos generativos que aprenden a crear datos invirtiendo iterativamente un proceso de adición de ruido gaussiano a una muestra hasta que se recupera la distribución de datos original.
Modelo de IA
Un modelo de IA es un sistema digital entrenado con grandes conjuntos de datos para realizar tareas específicas, como identificar objetos en imágenes, traducir idiomas o predecir tendencias futuras basadas en patrones aprendidos.
Modelo de lenguaje
Un modelo de lenguaje es un sistema de IA diseñado para comprender, generar y manipular el lenguaje humano prediciendo la siguiente palabra o carácter en una secuencia basada en patrones aprendidos de cantidades masivas de datos de texto.
Modelo de lenguaje grande (LLM)
Un modelo de lenguaje grande es un sistema de IA sofisticado capaz de procesar y generar texto similar al humano prediciendo la siguiente palabra más probable en una secuencia basada en patrones aprendidos de grandes cantidades de datos.
Modelo de razonamiento
Un modelo de razonamiento es un sistema de IA entrenado para desglosar problemas complejos en pasos lógicos, a menudo utilizando procesos de 'pensamiento' internos para verificar su propia lógica antes de proporcionar una respuesta.
Modelo fundacional
Un modelo fundacional es un sistema de IA masivo entrenado con datos generales que sirve como base versátil para construir muchas aplicaciones especializadas diferentes, en lugar de limitarse a una sola tarea específica.
Modelo generativo
Un modelo generativo es un sistema de IA que aprende patrones de datos existentes para crear contenido totalmente nuevo y original, como texto, imágenes, audio o código, en lugar de solo clasificar o analizar información existente.
Muestreo
El muestreo es el método que utilizan los modelos de IA para elegir la siguiente palabra en una oración. Al ajustar los parámetros, los usuarios pueden controlar si la salida de la IA es predecible y factual o creativa y diversa.
O
Optimización de Preferencia Directa (DPO)
La Optimización de Preferencia Directa es una técnica simplificada para entrenar modelos de IA para que sigan las preferencias humanas. Simplifica el proceso de alineación eliminando la necesidad de un aprendizaje por refuerzo complejo, haciéndolo más rápido y estable que los métodos tradicionales.
Orquestación de flujos de trabajo
La coordinación, gestión y secuenciación automatizada de procesos complejos de varios pasos a través de sistemas de software, servicios y agentes de IA dispares.
P
Parámetro
Los parámetros son los valores internos dentro de un modelo de IA que se ajustan automáticamente durante el proceso de entrenamiento para minimizar el error y mejorar la capacidad del modelo para realizar predicciones precisas.
Planificación
La planificación es la capacidad cognitiva de un agente de IA para descomponer un objetivo de alto nivel en una secuencia lógica de acciones paso a paso, lo que le permite navegar por entornos complejos y resolver problemas de múltiples etapas de manera efectiva.
Plantilla de prompt
Una plantilla de prompt es una estructura predefinida para instrucciones de IA que utiliza marcadores de posición para insertar datos variables, asegurando resultados consistentes y predecibles en diferentes tareas o entradas de usuario.
Precisión
La precisión mide con qué frecuencia un modelo de IA realiza la predicción correcta en todo un conjunto de datos. Aunque es intuitiva, puede ser engañosa cuando las clases están desequilibradas o cuando tipos específicos de errores conllevan riesgos diferentes.
Precisión
La precisión mide la fiabilidad de las predicciones positivas de un modelo al determinar qué proporción de los elementos identificados como positivos fueron realmente correctos.
Predicción del siguiente token
La predicción del siguiente token es el proceso fundamental utilizado por los Modelos de Lenguaje Grandes para generar texto calculando iterativamente la probabilidad de la siguiente palabra o fragmento de carácter basado en el contexto proporcionado por los tokens anteriores.
Preentrenamiento
El preentrenamiento es la etapa fundamental del desarrollo de IA donde un modelo aprende de cantidades masivas de datos para comprender conceptos generales, lenguaje y patrones antes de ser ajustado para aplicaciones específicas.
Prompting estructurado
Una metodología de ingeniería de prompts que organiza las instrucciones de entrada en secciones distintas y etiquetadas para mejorar la capacidad del modelo de analizar requisitos complejos y mantener la consistencia.
Protocolo Agente a Agente (A2A)
Los protocolos A2A proporcionan el lenguaje común y las reglas que permiten a los agentes de IA independientes interactuar, compartir recursos y completar tareas complejas coordinando sus acciones de forma autónoma.
R
Recall
El recall mide la capacidad de un modelo de IA para encontrar todos los elementos relevantes en un conjunto de datos. Responde a la pregunta: 'De todos los casos positivos reales, ¿cuántos detectó con éxito el modelo?'
Recuperación
La recuperación es el proceso computacional de identificar y extraer la información más relevante de una base de conocimientos externa grande para proporcionar contexto a la respuesta de un modelo de IA. Por lo general, implica consultar una base de datos utilizando similitud semántica para encontrar datos que aborden un prompt de usuario específico.
Red Neuronal
Un modelo computacional inspirado en la estructura y función de los cerebros biológicos, que consiste en capas interconectadas de nodos que procesan datos a través de conexiones ponderadas para identificar patrones complejos.
Red Neuronal Convolucional (CNN)
Un tipo especializado de arquitectura de red neuronal diseñada para procesar datos visuales mediante la identificación de patrones como bordes, texturas y formas a través de una serie de filtros matemáticos.
Red neuronal de alimentación directa (Feed-Forward Network)
Una arquitectura de red neuronal fundamental donde los datos viajan en una sola dirección a través de capas de neuronas, sin bucles de retroalimentación ni ciclos, lo que la hace ideal para asignar entradas a salidas específicas.
Red Neuronal Recurrente (RNN)
Un tipo de red neuronal diseñada para procesar datos secuenciales, como texto o series temporales, mediante el uso de bucles de retroalimentación para retener información de pasos anteriores en la secuencia.
Red Teaming
El red teaming es una práctica de seguridad rigurosa donde los evaluadores actúan como adversarios para sondear los modelos de IA en busca de debilidades, como la generación de contenido tóxico, la revelación de datos privados o la omisión de salvaguardas de seguridad.
Reranking
El reranking es una técnica posterior a la recuperación que utiliza un modelo especializado para reevaluar y ordenar un pequeño subconjunto de resultados de búsqueda, asegurando que la información más relevante se priorice para el usuario.
Role Prompting
El role prompting es la práctica de instruir a una IA para que adopte una persona o rol profesional específico, lo que ayuda a guiar el tono, la experiencia y la perspectiva del modelo para producir respuestas más relevantes y personalizadas.
S
Salida Estructurada
La salida estructurada obliga a los modelos de IA a devolver datos en un formato consistente y legible por máquina, lo que permite una integración perfecta con aplicaciones de software, bases de datos y flujos de trabajo automatizados.
Seguimiento de instrucciones
La capacidad de un modelo de IA para comprender y realizar tareas con precisión basándose en instrucciones en lenguaje natural, actuando efectivamente como una interfaz versátil para ejecutar la intención del usuario.
Servicio de modelos
El servicio de modelos es la infraestructura y el proceso de software que permite a los modelos de IA entrenados recibir datos de entrada y devolver predicciones o resultados a usuarios y aplicaciones en tiempo real o en modos por lotes.
Sesgo
El sesgo ocurre cuando los modelos de IA producen resultados prejuiciosos o injustos debido a datos de entrenamiento defectuosos o elecciones de diseño. A menudo refleja y amplifica las desigualdades sociales existentes, lo que lleva a resultados discriminatorios en los procesos de toma de decisiones automatizados.
Similitud de coseno
Una métrica matemática utilizada para medir el coseno del ángulo entre dos vectores distintos de cero en un espacio multidimensional, determinando cuán similares son sus orientaciones independientemente de su magnitud.
Sistema Multiagente
Un marco computacional que consiste en múltiples agentes inteligentes y autónomos que interactúan dentro de un entorno compartido para realizar tareas, negociar o coordinarse con el fin de alcanzar objetivos individuales o colectivos.
Sobreajuste (Overfitting)
El sobreajuste es un error de modelado donde un sistema de IA se especializa demasiado en sus datos de entrenamiento, memorizando ejemplos específicos en lugar de aprender patrones generalizables, lo que provoca fallos al encontrar información nueva del mundo real.
System Prompt
Un system prompt actúa como el 'manual de instrucciones' para una IA, definiendo cómo debe comportarse, qué tono usar y qué reglas debe seguir durante toda una conversación.
T
Temperatura
La temperatura es un ajuste que regula la aleatoriedad de la salida de una IA. Una temperatura baja hace que el modelo sea más predecible y enfocado, mientras que una temperatura alta aumenta la variedad y la creatividad.
Texto a imagen
Texto a imagen es una tecnología de IA generativa que crea imágenes originales de alta calidad basadas en instrucciones escritas, permitiendo a los usuarios visualizar conceptos, arte y diseños mediante instrucciones en lenguaje natural.
Texto a video
Texto a video es una tecnología de IA que crea clips de video originales a partir de instrucciones escritas. Interpreta texto descriptivo para generar escenas visuales, movimiento y consistencia temporal, permitiendo una rápida producción de video sin necesidad de filmación o animación tradicional.
Texto a voz
Texto a voz es una tecnología de IA que transforma texto escrito en audio hablado que suena natural, permitiendo a las máquinas comunicarse verbalmente con los usuarios a través de voces sintetizadas.
Token
Los tokens son los bloques de construcción básicos del texto utilizados por los modelos de IA. En lugar de leer palabras completas, los modelos dividen el texto en fragmentos más pequeños (como sílabas o grupos de caracteres) para procesar y predecir el lenguaje de manera más eficiente.
Tokenizador
Un tokenizador es un componente computacional que descompone el texto sin procesar en unidades más pequeñas llamadas tokens, que luego se mapean a identificadores numéricos para su procesamiento por modelos de aprendizaje automático.
Transformer
Una arquitectura de aprendizaje profundo basada en el mecanismo de autoatención (self-attention) que permite el procesamiento paralelo de datos secuenciales, capturando eficazmente dependencias de largo alcance sin necesidad de recurrencia.
U
User Prompt
Un user prompt es la entrada de texto, imagen o datos que proporcionas a un modelo de IA para guiar su respuesta, actuando como la interfaz principal para controlar el comportamiento y la salida de la IA.
Uso de herramientas
El uso de herramientas permite que los modelos de IA interactúen con el mundo exterior ejecutando código, consultando bases de datos o controlando aplicaciones de software para completar tareas que requieren datos en tiempo real o una ejecución funcional específica.
V
Vector Database
Una base de datos vectorial es un sistema de almacenamiento especializado que organiza los datos como vectores matemáticos, permitiendo a los modelos de IA realizar búsquedas semánticas rápidas y recuperar información relevante basada en el significado en lugar de coincidencias exactas de palabras clave.
Vector Search
La búsqueda vectorial es un método de recuperación impulsado por IA que encuentra información basada en el significado conceptual y el contexto, permitiendo a los sistemas comprender la intención detrás de una consulta en lugar de solo hacer coincidir palabras específicas.
Ventana de contexto
La ventana de contexto es la 'memoria de trabajo' de un modelo de IA. Define la cantidad total de texto, código o datos que el modelo puede 'ver' y analizar a la vez antes de empezar a olvidar información anterior.
Vision-Language Model (VLM)
Un Modelo de Visión-Lenguaje es un sistema de IA capaz de 'ver' e interpretar imágenes mientras utiliza el lenguaje natural para describir, analizar o responder preguntas sobre el contenido visual que procesa.
Voz a texto (Speech-to-Text)
Voz a texto es una tecnología de IA que transcribe automáticamente el audio hablado en texto escrito, permitiendo a las computadoras comprender y procesar el habla humana para diversas aplicaciones como accesibilidad, búsqueda y documentación.