Glosario de la IA
Los conceptos de la inteligencia artificial explicados de forma sencilla: machine learning, deep learning, LLM, NLP, RAG, embeddings, fine-tuning, MCP…
Lo básico
- Inteligencia artificial (IA)
- El conjunto de técnicas que permiten a una máquina realizar tareas llamadas inteligentes: entender un texto, reconocer una imagen, tomar una decisión.
- Machine learning (aprendizaje automático)
- Una rama de la IA en la que la máquina aprende a partir de ejemplos en lugar de programarse regla a regla. Por ejemplo, a partir de miles de correos marcados como «spam» o «normal», aprende a clasificarlos sola. Los métodos clásicos (regresión, árboles de decisión) se usan sobre todo con datos tabulares.
- Deep learning (aprendizaje profundo)
- Una rama del machine learning que usa redes neuronales con muchas capas. Necesita muchos datos y mucho cálculo, pero destaca con texto, imagen y sonido. Todos los modelos recientes (LLM, generadores de imágenes, reconocimiento de voz) se basan en el deep learning.
- Red neuronal
- Un modelo matemático inspirado en el cerebro, formado por capas de «neuronas» conectadas entre sí. Al ajustar los pesos de esas conexiones durante el entrenamiento, la red aprende a transformar una entrada (texto, imagen) en una salida (una respuesta, una categoría).
- Modelo
- El resultado de un entrenamiento: un archivo de parámetros (los pesos) que sabe realizar una tarea. Se descarga, se llama mediante una API o se ejecuta en local. Ver la guía →
Los grandes campos
- NLP (procesamiento del lenguaje natural)
- Todo lo relacionado con el texto: escribir, resumir, traducir, clasificar, extraer información, responder preguntas.
- Visión por computador (computer vision)
- Todo lo relacionado con la imagen y el vídeo: reconocer objetos, clasificar una foto, detectar caras, generar imágenes.
- Multimodal
- Un modelo que trata varios tipos de datos a la vez: describir una imagen con texto, responder a una pregunta sobre una foto, generar un vídeo a partir de un texto.
- IA generativa
- Los modelos que producen contenido nuevo (texto, imagen, vídeo, sonido, código) en lugar de solo clasificar o predecir.
Los modelos de lenguaje
- LLM (gran modelo de lenguaje)
- Un modelo de deep learning entrenado con enormes cantidades de texto para predecir cómo sigue un texto. Es lo que hace funcionar a Claude, GPT, Mistral o Llama. Ver la guía →
- Transformer
- La arquitectura de red neuronal detrás de casi todos los modelos de lenguaje actuales. Su mecanismo de atención le permite mirar todas las palabras de un texto a la vez y relacionar cada una con las demás, en lugar de leerlas una a una.
- Clasificador
- Un modelo que coloca una entrada en una categoría: spam o no, opinión positiva o negativa, tipo de solicitud de un cliente. No escribe texto, elige una etiqueta de una lista.
- Codificador (encoder)
- Un modelo (o parte de un modelo) que lee un texto entero y lo convierte en números que resumen su sentido. Los modelos de embeddings y muchos clasificadores son codificadores, como BERT. Ver la guía →
- Decodificador (decoder)
- Un modelo (o parte de un modelo) que escribe un texto token a token, prediciendo cada vez el siguiente. Los LLM como Claude, GPT, Mistral o Llama son decodificadores. Ver la guía →
- Token
- El fragmento de texto que lee un LLM, a menudo una parte de palabra. Los límites (tamaño del contexto) y los precios de los modelos se cuentan en tokens.
- Ventana de contexto
- La cantidad de texto (en tokens) que un modelo puede leer de una vez: la pregunta, las instrucciones, los documentos y la respuesta.
- Alucinación
- Una respuesta falsa dada con seguridad por un modelo que inventa en lugar de decir que no sabe. El RAG y las salvaguardas la reducen.
- Inferencia
- Usar un modelo ya entrenado para obtener una respuesta, por oposición al entrenamiento. Ver la guía →
- Cuantización
- Reducir la precisión de los números de un modelo (por ejemplo de 16 a 4 bits) para que ocupe menos memoria y funcione en un equipo más modesto, a costa de una ligera pérdida de calidad. Ver la guía →
- Tokenizador (tokenizer)
- La herramienta que corta un texto en tokens antes de dárselo al modelo. Cada familia de modelos tiene el suyo: el mismo texto no cuenta el mismo número de tokens en todas partes.
- Modelo base
- Un modelo recién salido del preentrenamiento: sabe continuar un texto, pero todavía no sigue bien las instrucciones. Después se ajusta para convertirlo en un modelo instruct. Ver la guía →
- Modelo instruct
- Un modelo ajustado para seguir instrucciones y conversar. Es la versión que se usa en un asistente. Ver la guía →
- Pesos abiertos (open weights)
- Un modelo cuyos archivos de parámetros se pueden descargar: puedes ejecutarlo en tu equipo y ajustarlo. Su licencia fija lo que tienes derecho a hacer con él. Ver la guía →
- Latencia
- El tiempo de espera antes de la respuesta del modelo, sobre todo antes de que aparezca el primer token. Ver la guía →
- Rendimiento (tokens por segundo)
- La velocidad a la que un modelo escribe su respuesta. Depende del modelo, del hardware y del número de peticiones atendidas a la vez. Ver la guía →
Usar un modelo
- Prompt
- El texto enviado al modelo para pedirle algo. Un prompt reutilizable contiene variables, como {{producto}}. Ver la guía →
- Contexto (instrucción de sistema)
- Las instrucciones y ejemplos que se dan al modelo antes de la pregunta para fijar su papel, su tono y sus reglas, sin volver a entrenarlo. Ver la guía →
- Few-shot
- Dar unos pocos ejemplos (entrada y salida esperada) en el contexto para mostrar al modelo lo que se espera. Ver la guía →
- RAG (generación aumentada por recuperación)
- Hacer que un modelo responda a partir de tus documentos: se recuperan los pasajes pertinentes y se le dan junto con la pregunta. Ver la guía →
- Embeddings
- Listas de números (vectores) que representan el sentido de un texto. Dos textos de sentido parecido tienen vectores cercanos: es la base de la búsqueda semántica y del RAG. Ver la guía →
- Salida estructurada
- Obligar al modelo a responder en un formato preciso, casi siempre JSON descrito por un esquema. Ver la guía →
- Temperatura
- El ajuste que dosifica el azar en las respuestas: baja, el modelo responde de forma estable y previsible; alta, varía más. Ver la guía →
- Zero-shot
- Pedir una tarea al modelo sin darle ningún ejemplo, solo con la instrucción. Ver la guía →
- Cadena de razonamiento (chain-of-thought)
- Hacer que el modelo razone paso a paso antes de su respuesta final, lo que mejora las tareas de cálculo o de lógica. Ver la guía →
- Llamada a herramientas (function calling)
- La capacidad de un modelo para pedir la ejecución de una función (buscar, calcular, consultar una base) con parámetros estructurados y usar después el resultado. Ver la guía →
- Fragmentación (chunking)
- Cortar documentos en trozos antes de indexarlos para el RAG. El tamaño de los trozos y su solapamiento cambian la calidad de las respuestas. Ver la guía →
- Base de datos vectorial
- Una base de datos que guarda embeddings y encuentra los textos más cercanos a una pregunta. Es el motor de búsqueda del RAG. Ver la guía →
- Reranker
- Un modelo que reordena los pasajes encontrados por la búsqueda para quedarse solo con los más pertinentes antes de dárselos al LLM. Ver la guía →
Actuar y equiparse
- Agente
- Un asistente de IA que encadena varios pasos y usa herramientas para alcanzar un objetivo, en lugar de responder de una sola vez. Ver la guía →
- MCP (Model Context Protocol)
- Un estándar abierto para conectar herramientas y datos (archivos, bases, programas) a un asistente de IA, compatible con Claude, Cursor y otros. Ver la guía →
- Workflow (flujo de trabajo)
- Una cadena de pasos automatizada en la que interviene la IA, construida con una herramienta como n8n o LangGraph. Ver la guía →
Entrenar y adaptar
- Dataset (conjunto de datos)
- Un conjunto de ejemplos que sirve para entrenar, adaptar o evaluar un modelo. Ver la guía →
- Preentrenamiento
- La primera fase de entrenamiento de un modelo de lenguaje: lee enormes cantidades de texto y aprende a predecir la palabra siguiente. Es muy costosa y solo la hacen los editores de modelos; después se parte de ese modelo preentrenado para especializarlo. Ver la guía →
- Fine-tuning (ajuste fino)
- Volver a entrenar un modelo existente con tus propios ejemplos para especializarlo en un ámbito. Ver la guía →
- LoRA
- Un método de fine-tuning económico que solo entrena una pequeña parte del modelo. QLoRA lo aplica a un modelo cuantizado. Ver la guía →
- Evaluación (benchmark)
- Un conjunto de pruebas para medir la calidad de un modelo, de un prompt o de un agente. Ver la guía →
- SFT (ajuste supervisado)
- La forma más habitual de fine-tuning: se muestran al modelo preguntas y las respuestas esperadas para que aprenda a responder igual. Ver la guía →
- QLoRA
- Una variante de LoRA que carga el modelo cuantizado a 4 bits durante el ajuste, para entrenar un modelo grande con una sola tarjeta gráfica. Ver la guía →
- Época (epoch)
- Una pasada completa por todos los ejemplos del dataset durante el entrenamiento. Demasiadas épocas llevan al sobreajuste. Ver la guía →
- Datos sintéticos
- Ejemplos de entrenamiento producidos por un modelo en lugar de escritos por personas. Se obtienen rápido, pero hay que revisarlos y filtrarlos. Ver la guía →
- Destilación
- Entrenar un modelo pequeño para que imite las respuestas de uno más grande, y obtener así un modelo más barato y rápido para una tarea concreta. Ver la guía →
- RLHF
- El ajuste a partir de opiniones humanas: unas personas ordenan respuestas y el modelo aprende a producir las que prefieren. Ver la guía →
Fiabilidad y conformidad
- Salvaguarda (guardrail)
- Una regla que controla lo que entra o sale de un asistente de IA: bloquear datos personales, rechazar las peticiones fuera de tema. Ver la guía →
- Inyección de prompt
- Un ataque que esconde instrucciones en un mensaje o un documento para volver al modelo contra sus propias reglas. Ver la guía →
- Red teaming
- Atacar a propósito un sistema de IA para encontrar sus puntos débiles antes que los usuarios. Ver la guía →
- AI Act (Reglamento de IA)
- El reglamento europeo sobre inteligencia artificial: fija obligaciones de transparencia, documentación y supervisión según el nivel de riesgo del sistema. Ver la guía →
- RGPD
- El reglamento europeo de protección de datos personales, que también se aplica a los datos enviados a una IA o usados para entrenarla.
- LLM juez
- Un modelo encargado de puntuar las respuestas de otro modelo según criterios escritos, cuando no es posible una comparación exacta. Ver la guía →
Términos de las fichas
- JSONL
- Un archivo de texto con un ejemplo por línea, en el que cada línea es un objeto JSON. Es el formato estándar de los datasets de fine-tuning. Ver la guía →
- Instrucción de sistema (system prompt)
- El mensaje colocado antes de la conversación que fija el papel, el tono y las reglas del modelo. En un dataset de chat, es el mensaje con el rol «system». Ver la guía →
- Harness
- La configuración que rodea a un asistente de código (Claude Code, Codex, Cursor…): sus instrucciones, lo que puede hacer sin preguntar, lo que tiene prohibido y sus controles automáticos. Ver la guía →
- Hook
- Un comando que se lanza automáticamente en un momento concreto del trabajo de un agente, por ejemplo las pruebas después de cada cambio de archivo. Ver la guía →
- GGUF
- Un formato de archivo para modelos cuantizados, que leen llama.cpp, Ollama y LM Studio para ejecutar un modelo en un ordenador. Ver la guía →
- VRAM
- La memoria de la tarjeta gráfica. Limita el tamaño del modelo que se puede ejecutar: un modelo demasiado grande para la VRAM no se carga o va muy lento. Ver la guía →
- DPO (optimización directa de preferencias)
- Un método de ajuste que muestra al modelo, para una misma pregunta, una respuesta preferida y otra rechazada, para orientarlo hacia el estilo deseado. Ver la guía →
- Sobreajuste (overfitting)
- Cuando un modelo se aprende sus ejemplos de memoria en lugar de extraer la regla: excelente con los ejemplos de entrenamiento, malo con los casos nuevos. Un conjunto de prueba separado permite detectarlo. Ver la guía →
- Conjunto de prueba
- Una parte de los ejemplos apartada y nunca mostrada durante el entrenamiento, para medir si el modelo ha mejorado de verdad. Ver la guía →