Conceptos esenciales para entender la inteligencia artificial sin perderse en la jerga.
91 términos
Campo que diseña sistemas capaces de producir predicciones, contenido, recomendaciones o decisiones.
No implica conciencia: combina modelos, reglas, datos e infraestructura para cumplir objetivos explícitos o implícitos con distintos grados de autonomía.
Ejemplo prácticoUn sistema que prioriza estudios médicos para revisión profesional.
Fuente: OECD definition of an AI systemSistema basado en máquinas que infiere cómo generar resultados a partir de entradas.
Incluye más que el modelo: datos, interfaces, reglas, supervisión humana, infraestructura y procesos de operación que afectan entornos físicos o virtuales.
Ejemplo prácticoUn recomendador compuesto por modelo, catálogo, API, controles y monitoreo.
Fuente: OECD definition of an AI systemTécnicas que permiten aprender patrones desde datos en lugar de programar cada regla.
El entrenamiento ajusta parámetros para mejorar una función objetivo; su utilidad depende de la calidad de datos, validación y capacidad de generalizar.
Ejemplo prácticoPredecir abandono de clientes usando historiales etiquetados.
Fuente: Google Machine Learning GlossaryEntrenamiento con ejemplos que incluyen la respuesta correcta o etiqueta.
El modelo aprende una relación entre entradas y objetivos; se utiliza principalmente para clasificación y regresión y requiere etiquetas representativas.
Ejemplo prácticoClasificar correos como spam o legítimos.
Fuente: Google Machine Learning GlossaryAprendizaje de estructuras en datos sin etiquetas de respuesta.
Busca agrupaciones, representaciones, anomalías o regularidades sin una verdad objetivo explícita; los resultados necesitan interpretación posterior.
Ejemplo prácticoSegmentar clientes por patrones de compra.
Fuente: Google Machine Learning GlossaryParadigma donde un agente aprende mediante recompensas y consecuencias.
El agente interactúa con un entorno y optimiza una política para maximizar recompensa acumulada, equilibrando exploración y explotación.
Ejemplo prácticoAprender una estrategia de control para un robot simulado.
Fuente: Google Machine Learning GlossaryEstructura matemática con parámetros que transforma entradas en resultados.
Es el artefacto aprendido o diseñado que se usa durante la inferencia; no debe confundirse con el sistema completo que lo integra.
Ejemplo prácticoUna red neuronal que estima demanda semanal.
Fuente: Google Machine Learning GlossaryProcedimiento definido para resolver una tarea o realizar un cálculo.
En ML, un algoritmo puede especificar cómo entrenar un modelo, optimizar parámetros o ejecutar una búsqueda; el algoritmo no es necesariamente el modelo resultante.
Ejemplo prácticoDescenso de gradiente para minimizar una pérdida.
Fuente: Google Machine Learning GlossaryProceso de ajustar un modelo usando datos y una función objetivo.
Itera sobre ejemplos, calcula errores y modifica parámetros; debe separarse conceptualmente de validación, prueba e inferencia en producción.
Ejemplo prácticoAjustar una red durante 20 épocas con mini lotes.
Fuente: Google Machine Learning GlossaryUso de un modelo entrenado para generar una predicción o respuesta.
Puede ejecutarse en línea, por lotes o en un dispositivo; su costo se evalúa con latencia, rendimiento, memoria y calidad de salida.
Ejemplo prácticoGenerar una respuesta de un LLM ante una consulta.
Fuente: Google Machine Learning GlossaryColección organizada de ejemplos utilizada para desarrollar o evaluar modelos.
Debe documentar procedencia, licencia, cobertura, sesgos, transformaciones y particiones para evitar fugas y conclusiones engañosas.
Ejemplo prácticoImágenes etiquetadas divididas en entrenamiento, validación y prueba.
Fuente: Google Machine Learning GlossaryVariable de entrada que un modelo utiliza para aprender o predecir.
Puede ser original o derivada mediante ingeniería de características; su definición debe permanecer consistente entre entrenamiento e inferencia.
Ejemplo prácticoAntigüedad de cuenta para predecir abandono.
Fuente: Google Machine Learning GlossaryValor objetivo asociado a un ejemplo supervisado.
Representa la respuesta que el modelo intenta predecir; errores, ambigüedad o criterios inconsistentes de etiquetado limitan el desempeño alcanzable.
Ejemplo prácticoFraude o no fraude para cada transacción histórica.
Fuente: Google Machine Learning GlossaryValor interno que el modelo aprende durante el entrenamiento.
Pesos y sesgos codifican el comportamiento adquirido; la cantidad de parámetros influye en capacidad, memoria y costo, pero no garantiza calidad.
Ejemplo prácticoLos pesos de las capas de un Transformer.
Fuente: Google Machine Learning GlossaryConfiguración elegida antes o alrededor del entrenamiento, no aprendida directamente.
Controla arquitectura u optimización y suele seleccionarse con experimentos, búsqueda o validación, evitando ajustar decisiones con el conjunto de prueba.
Ejemplo prácticoTasa de aprendizaje, tamaño de lote o número de capas.
Fuente: Google Machine Learning GlossaryUna pasada completa del algoritmo de entrenamiento por los ejemplos disponibles.
Varias épocas permiten seguir ajustando parámetros, pero demasiadas pueden aumentar sobreajuste; se observan curvas de entrenamiento y validación.
Ejemplo prácticoEntrenar diez épocas sobre un millón de ejemplos.
Fuente: Google Machine Learning GlossaryGrupo de ejemplos procesado conjuntamente en una iteración.
El tamaño de lote afecta estabilidad del gradiente, memoria, paralelismo y velocidad; un mini lote aproxima el gradiente del conjunto completo.
Ejemplo prácticoProcesar 64 imágenes antes de actualizar los pesos.
Fuente: Google Machine Learning GlossaryMagnitud con la que un optimizador actualiza parámetros.
Un valor alto puede desestabilizar el entrenamiento y uno bajo volverlo lento; frecuentemente se modifica con calendarios y calentamiento inicial.
Ejemplo prácticoReducir la tasa cuando la pérdida de validación se estanca.
Fuente: Google Machine Learning GlossaryFunción que cuantifica el error que el entrenamiento intenta minimizar.
Debe corresponder al tipo de tarea y no siempre coincide con la métrica de negocio; puede incorporar regularización o varios objetivos.
Ejemplo prácticoEntropía cruzada para clasificación multiclase.
Fuente: Google Machine Learning GlossaryMétodo iterativo que actualiza parámetros en dirección opuesta al gradiente.
Usa derivadas de la pérdida para buscar valores mejores; variantes como SGD y Adam cambian cómo estiman y acumulan las actualizaciones.
Ejemplo prácticoAdam actualiza los pesos de una red tras cada mini lote.
Fuente: Google Machine Learning Glossary