Glosario de IA
Explicaciones en lenguaje sencillo de conceptos clave de IA, desde LLM y RAG hasta el fine-tuning y los agentes.
LLM (gran modelo de lenguaje)
Red neuronal entrenada con enormes cantidades de texto que predice el siguiente token; impulsa chat, escritura, programación y más.
Token
Unidad básica de texto que procesa un modelo; un token equivale a unos 4 caracteres en inglés o 1–2 en chino. La facturación y los límites de contexto se miden en tokens.
RAG (generación aumentada por recuperación)
Técnica que recupera documentos relevantes de una base de conocimiento y los pasa al modelo para que responda basándose en tus datos.
Embedding
Representación vectorial numérica de texto (o imágenes) que captura el significado semántico y permite la búsqueda por similitud.
Fine-tuning (ajuste fino)
Entrenar más un modelo preentrenado con tus propios datos para que domine un estilo, formato o tarea específicos.
LoRA
Método de ajuste fino eficiente que congela los pesos base y entrena pequeñas matrices de bajo rango, reduciendo drásticamente el coste.
Ingeniería de prompts
El arte de diseñar entradas (prompts) para obtener de forma fiable resultados de alta calidad de un modelo.
Agente de IA
Sistema de IA que planifica de forma autónoma, usa herramientas y ejecuta acciones en varios pasos para lograr un objetivo.
MCP
Estándar abierto que permite a los modelos conectarse a herramientas y fuentes de datos externas de forma unificada.
Ventana de contexto
Número máximo de tokens que un modelo puede considerar a la vez; lo que queda fuera se trunca u olvida.
Alucinación
Cuando un modelo genera con seguridad contenido falso o inventado. Se mitiga con RAG, uso de herramientas y verificación.
Multimodal
Modelos que entienden y generan varios tipos de datos, como texto, imágenes, audio y vídeo.
Inferencia
El proceso de ejecutar un modelo ya entrenado para producir resultados, a diferencia de entrenarlo.
Open source / pesos abiertos
Modelos o herramientas cuyo código o pesos están disponibles públicamente para usar, estudiar y autoalojar.
Base de datos vectorial
Base de datos que almacena embeddings y realiza búsquedas rápidas por similitud; la columna vertebral de los sistemas RAG.
Transformer
La arquitectura de red neuronal detrás de los LLM modernos, que usa autoatención para procesar todos los tokens en paralelo.
Atención (Attention)
Mecanismo que permite al modelo ponderar qué partes de la entrada importan más para cada token de salida.
Tokenizador
Componente que divide el texto en tokens procesables por el modelo y los vuelve a convertir en texto.
Modelo de difusión
Modelo generativo que crea imágenes eliminando ruido aleatorio de forma gradual; impulsa herramientas como Stable Diffusion.
RLHF
Técnica de entrenamiento que alinea los modelos con las preferencias humanas mediante un modelo de recompensa aprendido de valoraciones humanas.
Cadena de pensamiento (CoT)
Técnica de prompting en la que el modelo razona paso a paso, mejorando la precisión en tareas complejas.
Aprendizaje few-shot
Guiar a un modelo dándole unos pocos ejemplos en el prompt, sin entrenamiento adicional.
Temperatura
Parámetro de muestreo que controla la aleatoriedad: valores bajos dan respuestas más precisas; altos, más creativas.
Cuantización
Reducir la precisión numérica de los pesos (p. ej., a 4 bits) para achicar el modelo y ejecutarlo en hardware modesto.
GGUF
Formato de archivo para modelos cuantizados, muy usado para ejecutar LLMs en local con herramientas como llama.cpp y Ollama.
Mezcla de expertos (MoE)
Arquitectura que envía cada token a unas pocas subredes especializadas, aumentando la capacidad sin coste proporcional.
Llamada a funciones
Capacidad que permite al modelo emitir llamadas estructuradas a funciones o herramientas externas, habilitando agentes e integraciones.
Destilación
Entrenar un modelo «alumno» más pequeño para imitar a un «maestro» mayor, conservando gran parte de la calidad a menor coste.
Seguridad y alineación de la IA
Campo dedicado a garantizar que los sistemas de IA se comporten conforme a los valores humanos y los objetivos previstos.
Zero-shot
Pedir a un modelo que realice una tarea sin ejemplos, confiando solo en su conocimiento preentrenado.
IA agéntica
Sistemas de IA que persiguen un objetivo de forma autónoma —planificando, usando herramientas y actuando en varios pasos— en lugar de solo responder a un prompt.
Vibe coding
Estilo de programación en el que describes lo que quieres en lenguaje natural y la IA genera e itera el código, priorizando la intención y el resultado.
Modelo de razonamiento
Un LLM entrenado para «pensar» antes de responder, dedicando cómputo extra a un razonamiento interno paso a paso para resolver problemas difíciles de matemáticas, código y lógica.
Texto a vídeo
Modelos de IA que generan clips de vídeo directamente desde una descripción escrita, controlando escena, movimiento y estilo con el prompt.
Modelo fundacional
Modelo grande entrenado con datos amplios que sirve de base de propósito general, adaptable a muchas tareas mediante prompts o ajuste fino.
Guardarraíles (Guardrails)
Controles de seguridad alrededor de un sistema de IA que limitan lo que puede decir o hacer: filtran contenido dañino, restringen herramientas y aplican políticas.
Prompt de sistema
La instrucción oculta que fija el rol, las reglas y el estilo de un asistente antes de cualquier mensaje del usuario: la base de su comportamiento.