Conceptos esenciales para entender la inteligencia artificial sin perderse en la jerga.
91 términos
Conversión de texto presente en imágenes o documentos escaneados a texto procesable.
Combina detección, reconocimiento y estructura; debe medir errores por carácter y preservar distribución cuando importa.
Ejemplo prácticoDigitalizar facturas fotografiadas.
Fuente: OECD definition of an AI systemConversión automática de audio hablado en texto.
Su calidad depende de idioma, acento, ruido y vocabulario; se evalúa frecuentemente con tasa de error de palabras.
Ejemplo prácticoTranscribir una reunión con marcas de tiempo.
Fuente: Google Machine Learning GlossaryGeneración de habla a partir de texto.
Modela pronunciación, ritmo, timbre y prosodia; requiere controles de consentimiento y prevención de suplantación en voces clonadas.
Ejemplo prácticoLeer una respuesta para un asistente accesible.
Fuente: Google Machine Learning GlossarySistema que usa un modelo para decidir acciones orientadas a un objetivo.
Combina percepción, planificación, herramientas, memoria y ciclos de verificación; la autonomía debe limitarse según riesgo y capacidad de recuperación.
Ejemplo prácticoConsultar inventario, proponer una orden y pedir aprobación.
Fuente: Google Machine Learning GlossaryCapacidad del modelo para solicitar una función externa con argumentos estructurados.
La aplicación valida y ejecuta la acción; el modelo no accede directamente al sistema, por lo que permisos y esquemas son controles críticos.
Ejemplo prácticoSolicitar `buscarPedido(id)` y usar su resultado.
Fuente: Google Machine Learning GlossaryProtocolo abierto para conectar aplicaciones de IA con herramientas y fuentes de contexto.
Estandariza descubrimiento e intercambio entre clientes y servidores MCP; no sustituye autenticación, autorización ni validación de resultados.
Ejemplo prácticoUn asistente consulta un repositorio mediante un servidor MCP.
Fuente: Google Machine Learning GlossaryMecanismo para conservar información útil fuera del contexto inmediato.
Puede ser episódica, semántica o de trabajo; necesita reglas de selección, caducidad, privacidad y corrección para evitar acumular errores.
Ejemplo prácticoRecordar preferencias confirmadas de un usuario.
Fuente: Google Machine Learning GlossarySistema donde varios agentes coordinan o compiten para resolver tareas.
La división de roles puede mejorar especialización, pero agrega comunicación, costo, errores acumulados y dificultad de evaluación.
Ejemplo prácticoUn agente investiga, otro redacta y un tercero verifica.
Fuente: Google Machine Learning GlossaryDiseño donde una persona interviene en decisiones, correcciones o aprobaciones.
Debe definir cuándo intervenir, qué información recibe y si puede revertir la acción; una aprobación superficial no constituye supervisión efectiva.
Ejemplo prácticoUn analista aprueba una transferencia marcada como riesgosa.
Fuente: NIST AI Risk Management Framework GlossaryPrácticas para desarrollar, desplegar, observar y gobernar modelos de manera reproducible.
Integra datos, experimentos, CI/CD, registro, monitoreo y respuesta a incidentes para sostener calidad después del lanzamiento.
Ejemplo prácticoPromover un modelo validado y monitorear deriva.
Fuente: Google Machine Learning GlossaryCambio en la distribución de entradas respecto del período de referencia.
Puede degradar un modelo aunque su código no cambie; debe distinguirse de deriva conceptual y analizarse con métricas y segmentos relevantes.
Ejemplo prácticoCambian los patrones de compra después de una crisis.
Fuente: Google Machine Learning GlossaryProceso sistemático para medir calidad, seguridad y utilidad de un modelo o sistema.
Combina conjuntos representativos, métricas automáticas, revisión humana y pruebas adversariales; debe versionarse y reflejar el uso real.
Ejemplo prácticoComparar versiones de un asistente en exactitud y rechazo seguro.
Fuente: Google Machine Learning GlossaryProporción total de predicciones correctas.
Es intuitiva pero puede ocultar fallas graves con clases desbalanceadas; debe complementarse con precisión, recall y análisis por segmento.
Ejemplo práctico99 aciertos sobre 100 ejemplos equivalen a 99%.
Fuente: Google Machine Learning GlossaryFracción de predicciones positivas que realmente son positivas.
Responde cuánto confiar en una alerta positiva y es prioritaria cuando los falsos positivos tienen un costo alto.
Ejemplo prácticoDe 20 alertas de fraude, 15 eran fraude: precisión 75%.
Fuente: Google Machine Learning GlossaryFracción de positivos reales detectados por el modelo.
Mide cobertura de la clase positiva y es crítica cuando omitir casos verdaderos resulta costoso.
Ejemplo prácticoDetectar 90 de 100 enfermedades reales produce recall 90%.
Fuente: Google Machine Learning GlossaryMedia armúnica entre precisión y recall.
Resume ambos valores y penaliza desequilibrios, pero no incorpora costos específicos ni desempeño de la clase negativa.
Ejemplo prácticoComparar clasificadores cuando importan falsos positivos y negativos.
Fuente: Google Machine Learning GlossaryPatrón sistemático de resultados que favorece o perjudica ciertos casos o grupos.
Puede originarse en datos, etiquetas, objetivos, diseño, implementación o contexto social; medirlo requiere definir población, daño y referencia.
Ejemplo prácticoUn sistema rinde peor para un grupo poco representado.
Fuente: NIST AI Risk Management Framework GlossaryTratamiento de impactos y oportunidades de manera justificable entre personas o grupos.
No existe una única métrica universal y algunas definiciones son incompatibles; la elección debe vincularse con el contexto, derechos y daños.
Ejemplo prácticoEvaluar tasas de error por grupo antes de desplegar.
Fuente: NIST AI Risk Management Framework GlossaryCapacidad de proporcionar razones comprensibles sobre resultados de un sistema.
Puede describir comportamiento global o una decisión local; una explicación convincente debe ser fiel y apropiada para su audiencia.
Ejemplo prácticoMostrar qué variables influyeron en una evaluación de riesgo.
Fuente: NIST AI Risk Management Framework GlossaryMarco matemático que limita cuánto revela un resultado sobre una persona individual.
Introduce aleatoriedad calibrada y cuantifica privacidad mediante parámetros; su protección depende del presupuesto acumulado y la implementación.
Ejemplo prácticoPublicar estadísticas agregadas con ruido controlado.
Fuente: Google Machine Learning Glossary