AI Governance. Se refiere al desarrollo de políticas y normas para regular el uso de la inteligencia artificial. Esto incluye la supervisión de algoritmos, la auditoría de sistemas de IA y el cumplimiento de normativas legales y éticas.
AI Washing. Hace referencia a prácticas controvertidas por parte de empresas tecnológicas que utilizan el término de IA en productos que tienen solo un poco de tecnología generativa o incluso ninguna, con el objetivo de ganar influencia.
Algoritmo. Es una descripción clara y no ambigua de un proceso que describe cómo resolver una clase de problemas. Permite realizar cálculos, procesar datos y automatizar el razonamiento.
Alucinación. Es el término empleado cuando las herramientas de IA generativas proporcionan información incorrecta o inventada.
Application Programming Interface (API). Una API es un conjunto de reglas y definiciones que permiten la comunicación entre dos aplicaciones de software. Por ejemplo, en el comercio electrónico, las APIs conectan sitios web con servicios de pago y envío para facilitar transacciones automatizadas y eficientes.
B
Bias (Sesgos o prejuicios). Es la incorporación de prejuicios y sesgos presentes en los datos utilizados para crear algoritmos de machine learning.
Big Data. Se refiere a conjuntos de datos muy grandes y complejos que requieren herramientas especiales para su análisis. Se usa para descubrir patrones y tendencias que ayudan en la toma de decisiones.
C
Chatbot. Es un programa informático o una IA diseñada para interactuar con usuarios humanos mediante conversaciones.
D
Data (Datos). Son el componente esencial en todos los proyectos de aprendizaje automático e inteligencia artificial.
Deep Learning (Aprendizaje profundo). Es una técnica de aprendizaje automático que utiliza redes neuronales profundas para aprender de grandes volúmenes de datos no estructurados, como imágenes y texto. Es fundamental en aplicaciones como el reconocimiento facial y la traducción automática, mejorando significativamente la precisión y eficiencia.
E
Ética de datos e IA. Dado el creciente uso de datos en la inteligencia artificial, es necesario considerar las implicaciones éticas de su manejo. Este campo aborda temas de privacidad, consentimiento, equidad y transparencia en la recolección y uso de datos.
I
Inteligencia Artificial Generativa (IAG). Es una inteligencia artificial que se basa en modelos avanzados y tiene capacidades que las IA anteriores no poseían, como generar contenido. Estos modelos base también se pueden utilizar para propósitos no generativos, ofreciendo mejoras sustanciales respecto a modelos anteriores.
L
Large Language Models (LLMs) (Modelos de lenguaje grande). Son un tipo de modelos que pueden procesar grandes cantidades de texto no estructurado y aprender las relaciones entre palabras o fragmentos de palabras, lo que les permite generar texto en lenguaje natural y realizar tareas como resúmenes o extracción de conocimiento.
M
Machine Learning (ML) (Aprendizaje automático). Es un subcampo de la inteligencia artificial enfocado en desarrollar algoritmos y modelos que permiten a las computadoras aprender y mejorar automáticamente a partir de datos, sin ser programadas explícitamente. Estos modelos pueden hacer predicciones o tomar decisiones basadas en patrones descubiertos en los datos.
Modelo. Es una representación simplificada de un sistema o fenómeno real. En el aprendizaje automático, un modelo se crea a partir de datos de entrenamiento y se usa para hacer predicciones o tomar decisiones sobre nuevos datos.
Multi-Modal Learning (Aprendizaje multimodal). Es un subcampo del aprendizaje automático que se centra en la interpretación conjunta de diferentes tipos de datos y en la construcción de modelos que puedan procesar y relacionar información de múltiples tipos de datos, como imágenes, texto y audio, como por ejemplo ChatGPT-4o
Multi-Task Learning (Aprendizaje multitarea). Es un enfoque del aprendizaje automático que aprovecha las similitudes y diferencias entre varias tareas para resolverlas simultáneamente. En lugar de entrenar un modelo separado para cada tarea, utiliza una arquitectura compartida que aprovecha el conocimiento entre tareas.
N
Natural Language Processing (NLP) (Procesamiento del lenguaje natural). Es el campo de la inteligencia artificial que se ocupa de la interacción entre las computadoras y el lenguaje humano. Comprende tareas como la traducción automática, el análisis de sentimientos, la generación de lenguaje natural, el reconocimiento del habla y la comprensión del lenguaje humano.
Neural Networks (Redes neuronales). Son modelos computacionales inspirados en el funcionamiento del cerebro humano, compuestos por unidades de procesamiento interconectadas llamadas neuronas. Se utilizan en una amplia gama de aplicaciones de aprendizaje automático, siendo especialmente eficaces en tareas de reconocimiento de patrones y procesamiento de datos complejos.
P
Predicción. Es la inferencia de la salida esperada de un modelo entrenado para una nueva entrada no etiquetada. El objetivo principal del aprendizaje automático es crear modelos que puedan realizar predicciones precisas y generalizar a datos no vistos.
Prompt (Indicación). Un prompt es la entrada o instrucción proporcionada a un modelo de IA generativa para guiar su salida. El diseño y ajuste cuidadoso de estas indicaciones, conocido como prompt engineering, es crucial para obtener resultados precisos y relevantes de la IA.
Prompt Engineering (Ingeniería de prompts). Es el arte de diseñar y optimizar los prompts para modelos generativos de IA, asegurando que las respuestas generadas sean precisas y relevantes. Es importante para aplicar correctamente la IA generativa en contextos específicos.
S
Structured Data (Datos estructurados). Son datos organizados en formatos claramente definidos, como tablas. Son fáciles de analizar y esenciales para entrenar modelos de aprendizaje automático en tareas como el análisis financiero y el seguimiento de inventarios.
U
Unstructured Data (Datos no estructurados). Son datos como texto, imágenes y audio que no tienen una forma organizada predefinida, lo que los hace más difíciles de analizar sin técnicas avanzadas. Sin embargo, representan la mayoría de los datos disponibles y su análisis mediante deep learning puede revelar valiosos insights para decisiones empresariales, como entender las preferencias de los clientes y mejorar productos.
DESCARGA EL GLOSARIO
Desde aquí puedes descargar el listado de términos.
