Conceptos esenciales para entender la inteligencia artificial sin perderse en la jerga.
91 términos
Entrenamiento adicional de un modelo preentrenado para un dominio o tarea.
Modifica todos o parte de sus parámetros con datos especializados; requiere controlar sobreajuste, olvido y cambios de seguridad.
Ejemplo prácticoAdaptar un modelo para clasificar reclamos internos.
Fuente: Google Machine Learning GlossaryAjuste fino con pares de instrucciones y respuestas deseadas.
Enseña al modelo a seguir pedidos y formatos, sin garantizar por sí solo preferencias humanas, factualidad o seguridad.
Ejemplo prácticoEntrenar ejemplos de pregunta, formato y respuesta correcta.
Fuente: Google Machine Learning GlossaryMétodo de alineación que utiliza preferencias humanas como señal de recompensa.
Suele entrenar un modelo de recompensa y luego optimizar la política; puede mejorar utilidad, aunque hereda sesgos de evaluadores y diseño.
Ejemplo prácticoPersonas ordenan respuestas para entrenar preferencias.
Fuente: Google Machine Learning GlossaryTécnica eficiente que entrena pequeñas matrices adicionales en lugar de todo el modelo.
Reduce memoria y costo del ajuste fino y permite mantener varios adaptadores sobre un mismo modelo base.
Ejemplo prácticoEspecializar un LLM con una GPU de menor capacidad.
Fuente: Google Machine Learning GlossaryRepresentación de pesos o activaciones con menor precisión numérica.
Reduce memoria y puede acelerar inferencia, a cambio de posibles pérdidas de calidad que deben medirse por tarea y hardware.
Ejemplo prácticoConvertir pesos de 16 bits a 4 bits para ejecutar localmente.
Fuente: Hugging Face Transformers GlossaryEntrenamiento de un modelo pequeño para imitar a uno más grande.
El estudiante aprende de salidas o representaciones del docente, buscando conservar capacidad con menor latencia y costo.
Ejemplo prácticoCrear un clasificador compacto a partir de un modelo fundacional.
Fuente: Google Machine Learning GlossaryDiseño sistemático de instrucciones y contexto para obtener resultados útiles.
Incluye objetivo, restricciones, datos, ejemplos, formato de salida y criterios de calidad; debe evaluarse como parte versionada del sistema.
Ejemplo prácticoSolicitar JSON con campos y reglas explícitas.
Fuente: Google Machine Learning GlossaryResolución de una tarea sin ejemplos específicos dentro del prompt.
Depende de capacidades adquiridas durante entrenamiento y de una instrucción clara; sirve como línea base antes de agregar ejemplos.
Ejemplo prácticoClasificar sentimiento explicando solo las categorías.
Fuente: Google Machine Learning GlossaryUso de unos pocos ejemplos en el contexto para demostrar una tarea.
Los ejemplos orientan formato y comportamiento sin actualizar parámetros; orden, diversidad y calidad pueden cambiar mucho el resultado.
Ejemplo prácticoMostrar tres conversiones antes de pedir una cuarta.
Fuente: Google Machine Learning GlossaryParámetro de decodificación que modifica la dispersión de probabilidades de salida.
Valores bajos favorecen opciones probables y consistentes; valores altos aumentan diversidad, pero no crean conocimiento ni garantizan creatividad útil.
Ejemplo prácticoUsar temperatura baja para extracción estructurada.
Fuente: Google Machine Learning GlossarySalida plausible pero falsa, inventada o no sustentada por evidencia disponible.
Puede incluir hechos, citas o razonamientos incorrectos; se mitiga con grounding, recuperación, herramientas, validación y posibilidad de abstención.
Ejemplo prácticoEl modelo inventa una norma y una URL inexistente.
Fuente: Google Machine Learning GlossaryVinculación de una respuesta con datos, contexto o herramientas verificables.
Limita la generación a evidencia pertinente y permite citar procedencia, aunque no elimina errores de recuperación o interpretación.
Ejemplo prácticoResponder usando documentos empresariales recuperados.
Fuente: Google Machine Learning GlossaryPatrón que recupera información externa y la incorpora al contexto de generación.
Separa conocimiento del modelo y contenido actualizado; exige medir indexación, recuperación, reranking, respuesta y citas de extremo a extremo.
Ejemplo prácticoConsultar manuales internos antes de responder soporte.
Fuente: Google Machine Learning GlossarySistema optimizado para almacenar vectores y buscar vecinos similares.
Suele guardar embeddings junto con metadatos y filtros; no reemplaza automáticamente una base relacional ni garantiza relevancia semántica.
Ejemplo prácticoBuscar fragmentos de documentos cercanos a una consulta.
Fuente: Google Machine Learning GlossaryRecuperación basada en significado aproximado y no solo coincidencia literal.
Compara representaciones vectoriales y puede combinarse con búsqueda por palabras, filtros y reranking para mejorar precisión.
Ejemplo prácticoEncontrar 'cancelar suscripción' con la consulta 'darme de baja'.
Fuente: Google Machine Learning GlossaryReordenamiento de candidatos con un modelo de relevancia más preciso.
Se aplica después de una recuperación rápida para mejorar los primeros resultados, con costo adicional de latencia y cómputo.
Ejemplo prácticoReordenar 50 fragmentos y enviar los cinco mejores al LLM.
Fuente: Google Machine Learning GlossaryDivisión de documentos en fragmentos manejables para indexar o contextualizar.
El tamaño y solapamiento afectan recuperación, coherencia y costo; conviene respetar estructura semántica en vez de cortar solo por caracteres.
Ejemplo prácticoSeparar un manual por secciones antes de crear embeddings.
Fuente: Google Machine Learning GlossaryCapacidad de procesar o generar más de una modalidad de información.
Un sistema multimodal alinea texto, imagen, audio o video en representaciones comunes y debe evaluarse en cada modalidad y combinación.
Ejemplo prácticoResponder preguntas sobre una imagen y una instrucción textual.
Fuente: Google Machine Learning GlossaryModelo generativo que aprende a revertir progresivamente un proceso de ruido.
Durante generación parte de ruido y lo refina condicionado por texto u otras señales; domina muchas aplicaciones modernas de imagen y video.
Ejemplo prácticoGenerar una ilustración desde un prompt.
Fuente: Google Machine Learning GlossaryCampo dedicado a analizar, comprender y generar lenguaje humano.
Incluye clasificación, extracción, traducción, búsqueda, diálogo y generación; los sistemas modernos suelen utilizar Transformers.
Ejemplo prácticoExtraer entidades y relaciones de contratos.
Fuente: Google Machine Learning Glossary