Conceptos esenciales para entender la inteligencia artificial sin perderse en la jerga.
91 términos
Situación en la que un modelo memoriza particularidades y falla en datos nuevos.
Se detecta cuando mejora el entrenamiento pero empeora la validación; puede mitigarse con más datos, regularización, simplificación o parada temprana.
Ejemplo prácticoUn clasificador logra 99% al entrenar y 72% al validar.
Fuente: Google Machine Learning GlossaryFalla de un modelo demasiado simple o insuficientemente entrenado para captar el patrón.
Produce bajo desempeño tanto en entrenamiento como en validación; puede requerir mejores características, más capacidad o una optimización más adecuada.
Ejemplo prácticoUna línea recta intenta representar una relación fuertemente curva.
Fuente: Google Machine Learning GlossaryCapacidad de funcionar correctamente con datos no vistos durante el entrenamiento.
Es el objetivo central de ML y exige una evaluación separada, representativa y libre de fuga de información.
Ejemplo prácticoUn detector entrenado en una ciudad mantiene calidad en otra.
Fuente: Google Machine Learning GlossaryTarea de asignar una o varias categorías a una entrada.
Puede ser binaria, multiclase o multietiqueta y normalmente produce puntuaciones o probabilidades que se convierten en decisiones mediante umbrales.
Ejemplo prácticoDeterminar el tema principal de una consulta.
Fuente: Google Machine Learning GlossaryTarea de predecir un valor numérico continuo.
Se evalúa con métricas como error absoluto o cuadrático y requiere analizar residuos, valores atípicos y cambios de distribución.
Ejemplo prácticoEstimar el tiempo de entrega en minutos.
Fuente: Google Machine Learning GlossaryAgrupación de ejemplos similares sin etiquetas predefinidas.
El resultado depende de la representación, medida de distancia y algoritmo; los grupos no constituyen automáticamente categorías verdaderas.
Ejemplo prácticoAgrupar documentos por similitud temática.
Fuente: Google Machine Learning GlossaryModelo compuesto por capas de unidades conectadas con pesos aprendidos.
Cada capa transforma representaciones mediante operaciones lineales y activaciones no lineales; profundidad y arquitectura determinan su capacidad inductiva.
Ejemplo prácticoUna red estima si una imagen contiene un defecto.
Fuente: Google Machine Learning GlossarySubcampo de ML basado en redes neuronales con múltiples capas.
Aprende representaciones jerárquicas a gran escala y sustenta gran parte de la visión, voz y modelos generativos actuales, con alto costo de datos y cómputo.
Ejemplo prácticoUn Transformer aprende lenguaje desde grandes corpus.
Fuente: Google Machine Learning GlossaryAlgoritmo para calcular cómo contribuye cada parámetro al error.
Aplica la regla de la cadena desde la salida hacia capas anteriores y entrega gradientes al optimizador para actualizar los pesos.
Ejemplo prácticoCalcular gradientes de una CNN después de una predicción errónea.
Fuente: Google Machine Learning GlossaryArquitectura que aplica filtros compartidos para detectar patrones locales.
Las convoluciones explotan estructura espacial y fueron fundamentales en visión; también pueden aplicarse a audio y secuencias.
Ejemplo prácticoDetectar bordes, texturas y objetos en fotografías.
Fuente: Google Machine Learning GlossaryArquitectura neuronal basada principalmente en mecanismos de atención.
Procesa relaciones entre tokens con alto paralelismo y es la base de numerosos modelos de lenguaje, visión y sistemas multimodales.
Ejemplo prácticoUn modelo traduce un documento atendiendo a palabras distantes.
Fuente: Google Machine Learning GlossaryMecanismo que asigna diferente importancia a elementos de una entrada.
Calcula combinaciones ponderadas según su relevancia contextual, permitiendo relacionar tokens lejanos y construir representaciones dependientes del contexto.
Ejemplo prácticoRelacionar un pronombre con el sustantivo al que se refiere.
Fuente: Google Machine Learning GlossaryVector numérico que representa significado o propiedades de un elemento.
Elementos semánticamente relacionados tienden a ubicarse cerca en el espacio vectorial; la calidad depende del modelo, dominio y métrica usada.
Ejemplo prácticoRepresentar consultas y documentos para búsqueda semántica.
Fuente: Google Machine Learning GlossaryUnidad discreta que un modelo procesa, como una palabra, fragmento o símbolo.
La tokenización determina longitud, costo y límites de contexto; un token no equivale necesariamente a una palabra ni a un carácter.
Ejemplo prácticoUna palabra poco frecuente se divide en varios fragmentos.
Fuente: Hugging Face Transformers GlossaryComponente que convierte texto en tokens e identificadores numéricos.
Debe coincidir con el usado al entrenar el modelo; maneja vocabulario, caracteres especiales, padding y truncamiento.
Ejemplo prácticoConvertir una consulta en IDs antes de enviarla al Transformer.
Fuente: Hugging Face Transformers GlossaryCantidad máxima de tokens que un modelo puede considerar en una interacción.
Incluye instrucciones, historial, documentos recuperados y salida reservada; superar el límite obliga a truncar, resumir o dividir información.
Ejemplo prácticoUn agente resume conversaciones antiguas para liberar contexto.
Fuente: Google Machine Learning GlossaryModelo entrenado a gran escala para procesar y generar lenguaje.
Predice tokens condicionados por contexto y puede adaptarse a múltiples tareas, pero no garantiza verdad, razonamiento fiable ni conocimiento actualizado.
Ejemplo prácticoGenerar un borrador, extraer datos o responder preguntas.
Fuente: Google Machine Learning GlossaryModelo de propósito amplio preentrenado que puede adaptarse a muchas tareas.
Sirve como base para ajuste fino, prompting o aplicaciones especializadas; sus capacidades y riesgos se heredan en sistemas derivados.
Ejemplo prácticoUn modelo base se adapta para soporte técnico.
Fuente: Google Machine Learning GlossaryIA que produce contenido nuevo como texto, imágenes, audio, video o código.
Genera muestras a partir de patrones aprendidos y condiciones de entrada; la fluidez no demuestra exactitud, originalidad ni autorización legal.
Ejemplo prácticoCrear una imagen desde una descripción textual.
Fuente: Google Machine Learning GlossaryEntrenamiento inicial de un modelo con grandes volúmenes de datos generales.
Aprende representaciones reutilizables mediante objetivos autosupervisados antes de cualquier adaptación específica.
Ejemplo prácticoPredecir tokens ocultos o siguientes en un corpus masivo.
Fuente: Google Machine Learning Glossary