Glosario
Todos los conceptos, de la A a la Z
215 conceptos de Inteligencia Artificial explicados en capas: una frase, una explicación sencilla y una técnica.
A
- AccuracyEl porcentaje de predicciones correctas sobre el total de predicciones.
- Activation FunctionUna función no lineal que se aplica a la salida de cada neurona y permite a la red aprender relaciones complejas.
- Adversarial AttackModificar una entrada de forma sutil —a menudo imperceptible para humanos— para que un modelo cometa un error.
- Agentic AIEl enfoque de construir sistemas de IA que actúan con cierto grado de autonomía para lograr objetivos, en lugar de solo responder.
- Agentic RAGUna variante de RAG en la que un agente decide cuándo, qué y cuántas veces buscar, en lugar de hacer una sola búsqueda fija.
- Agentic WorkflowUn proceso de varios pasos donde uno o más LLMs ejecutan partes de la tarea dentro de una estructura definida por el desarrollador.
- AI AgentUn sistema en el que un modelo de IA decide por sí mismo qué pasos dar y qué herramientas usar para cumplir un objetivo.
- AI AlignmentEl problema de lograr que los sistemas de IA persigan los objetivos y valores que realmente pretendemos, no una versión distorsionada de ellos.
- AI EngineeringLa disciplina de construir productos y sistemas confiables sobre modelos de IA existentes, especialmente LLMs.
- AI SafetyEl campo que busca que los sistemas de IA funcionen de forma confiable, sin causar daños, incluso a medida que se vuelven más capaces.
- Álgebra linealLa rama de las matemáticas que estudia vectores, matrices y transformaciones lineales; es el lenguaje de cálculo de la IA.
- Algorithmic BiasCuando un sistema de IA produce resultados sistemáticamente injustos o distorsionados para ciertos grupos de personas.
- AlgoritmoUna secuencia finita de pasos bien definidos para resolver un problema o realizar una tarea.
- APIUna interfaz que permite que un programa use los servicios de otro; en IA, la forma habitual de enviar solicitudes a un modelo alojado por un proveedor.
- Approximate Nearest NeighborANNAlgoritmos que encuentran vectores muy cercanos a una consulta sin compararla con todos, a cambio de una pequeña pérdida de exactitud.
- AttentionUn mecanismo que permite a un modelo decidir qué partes de la entrada son más relevantes para procesar cada elemento.
- Autonomous AgentUn agente que puede trabajar durante periodos largos y tomar muchas decisiones seguidas con poca o ninguna intervención humana.
B
- BackpropagationEl algoritmo que calcula cuánto contribuyó cada parámetro de una red al error, propagando ese error desde la salida hacia atrás.
- BatchUn grupo de ejemplos que el modelo procesa juntos antes de actualizar sus parámetros.
- BatchingAgrupar varias solicitudes para procesarlas juntas en el hardware y aprovecharlo mejor.
- BenchmarkUn conjunto estandarizado de pruebas que permite comparar el desempeño de distintos modelos en las mismas tareas.
- Bias (parámetro)Un parámetro que se suma a la salida de una neurona y le permite desplazar su respuesta, independientemente de la entrada.
C
- Chain-of-ThoughtCoTHacer que un modelo escriba sus pasos intermedios de razonamiento antes de dar la respuesta final.
- ChunkingDividir documentos largos en fragmentos más pequeños (chunks) para indexarlos y recuperarlos en un sistema RAG.
- ComputeLa cantidad de procesamiento que se usa para entrenar o ejecutar un modelo, normalmente medida en FLOPs o en horas de GPU.
- Computer UseLa capacidad de un modelo de operar una computadora como lo haría una persona: ver la pantalla, mover el cursor, hacer clic y escribir.
- Computer VisionEl campo de la IA que permite a las computadoras interpretar y entender imágenes y video.
- Confusion MatrixUna tabla que muestra cuántas predicciones de cada clase fueron correctas y en qué se confundió el modelo.
- Constitutional AIUn método de alineación en el que un modelo se entrena para seguir un conjunto explícito de principios, usando retroalimentación generada por IA.
- Context WindowLa cantidad máxima de tokens que un modelo puede considerar a la vez, incluyendo tu mensaje, el historial y su propia respuesta.
- ConvolutionUna operación que desliza un pequeño filtro sobre una imagen (u otra señal) y calcula en cada posición qué tanto coincide con un patrón.
- Convolutional Neural NetworkCNNUn tipo de red neuronal diseñado para imágenes que aprende a detectar patrones locales —bordes, texturas, formas— usando filtros que recorren la imagen.
- Cosine SimilarityUna medida de qué tan parecidos son dos vectores según el ángulo entre ellos, sin importar su longitud.
- CPUEl procesador de propósito general de una computadora, optimizado para ejecutar tareas variadas de forma secuencial y flexible.
- Cross-EntropyLa función de pérdida estándar para clasificación y modelos de lenguaje: penaliza al modelo cuando asigna baja probabilidad a la respuesta correcta.
- CUDALa plataforma de programación de NVIDIA que permite usar sus GPUs para cálculo general, incluida la IA.
D
- Data CenterUna instalación que aloja miles de servidores, con la energía, refrigeración y red necesarias para operarlos continuamente.
- Data ContaminationCuando los datos de evaluación aparecen (total o parcialmente) en los datos de entrenamiento, inflando artificialmente los resultados.
- DatasetUna colección organizada de ejemplos que se usa para entrenar, validar o evaluar un modelo.
- DatosLa información —texto, imágenes, números, audio— de la que un modelo aprende y sobre la que hace predicciones.
- DecoderLa parte de un modelo que genera una secuencia de salida, un elemento a la vez, a partir de lo anterior.
- Deep LearningUn tipo de machine learning que usa redes neuronales con muchas capas para aprender representaciones cada vez más abstractas de los datos.
- Dense ModelUn modelo en el que todos los parámetros participan en el procesamiento de cada entrada.
- DerivadaUna medida de qué tan rápido cambia el resultado de una función cuando cambias un poco su entrada.
- Diffusion ModelUn modelo generativo que aprende a crear imágenes (u otros datos) partiendo de ruido aleatorio y eliminándolo paso a paso.
- Direct Preference OptimizationDPOUn método para ajustar un modelo con datos de preferencia directamente, sin entrenar un modelo de recompensa ni usar aprendizaje por refuerzo.
- Distribución de probabilidadUna descripción de todos los resultados posibles de algo incierto y de qué tan probable es cada uno.
E
- Embedding ModelUn modelo especializado en convertir textos (u otros datos) en embeddings útiles para buscar y comparar.
- Embedding SpaceEl espacio de muchas dimensiones donde viven los embeddings y donde la distancia entre puntos refleja similitud de significado.
- EmbeddingsUna forma de convertir información como palabras, imágenes o documentos en listas de números que una computadora puede comparar matemáticamente.
- Emergent CapabilitiesCapacidades que parecen aparecer de forma relativamente abrupta en modelos grandes y que no se observan en versiones más pequeñas.
- EncoderLa parte de un modelo que convierte una entrada en una representación interna rica en contexto.
- Encoder-DecoderUna arquitectura en la que un encoder comprende la entrada y un decoder genera la salida a partir de esa comprensión.
- EpochUna pasada completa del modelo por todo el dataset de entrenamiento.
- EscalarUn solo número, como 3, −0.5 o 1,024.
- EvaluationEl proceso sistemático de medir qué tan bien funciona un modelo o sistema de IA en las tareas que importan.
- ExplainabilityXAILa capacidad de explicar, en términos comprensibles para personas, por qué un modelo tomó una decisión concreta.
- Exploration vs. ExploitationEl dilema entre aprovechar lo que ya se sabe que funciona y probar opciones nuevas que podrían ser mejores.
F
- F1 ScoreUna métrica que combina precisión y recall en un solo número mediante su media armónica.
- FeatureUna propiedad medible de un ejemplo que el modelo usa como entrada para hacer una predicción.
- Feedforward NetworkFFNUna red neuronal en la que la información fluye en una sola dirección; en un Transformer, procesa cada token por separado después de la atención.
- Few-Shot LearningIncluir unos pocos ejemplos de la tarea dentro del prompt para mostrarle al modelo exactamente qué se espera.
- Fine-TuningContinuar el entrenamiento de un modelo ya entrenado con datos específicos para especializarlo en una tarea, estilo o dominio.
- FLOPsOperaciones de punto flotante: la unidad para medir cuánto cálculo requiere un modelo (FLOPs) o cuánto puede hacer un chip por segundo (FLOP/s).
- Foundation ModelUn modelo grande entrenado con datos amplios y diversos que sirve como base para muchas tareas distintas.
- Function CallingHacer que un modelo genere, en formato estructurado, el nombre y los argumentos de una función que la aplicación debe ejecutar.
G
- GeneralizationLa capacidad de un modelo de funcionar bien con datos que no vio durante el entrenamiento.
- Generative Adversarial NetworkGANUn modelo generativo formado por dos redes que compiten: una genera datos falsos y otra intenta distinguirlos de los reales.
- Generative AIIA capaz de crear contenido nuevo —texto, imágenes, código, audio o video— a partir de lo que aprendió de grandes cantidades de datos.
- GPUUn procesador con miles de núcleos diseñado para hacer muchos cálculos en paralelo; es el hardware principal para entrenar y ejecutar modelos de IA.
- Gradient DescentUn algoritmo de optimización que ajusta los parámetros de un modelo dando pequeños pasos en la dirección que más reduce el error.
- GradienteUn vector que indica, para cada parámetro, en qué dirección y con qué intensidad cambia una función; apunta hacia donde la función crece más rápido.
- GroundingHacer que las respuestas de un modelo se basen en fuentes concretas y verificables en lugar de solo en su memoria.
- GuardrailControles alrededor de un modelo que filtran, validan o bloquean entradas y salidas para mantener su comportamiento dentro de límites seguros.
H
- HallucinationCuando un modelo genera información falsa o inventada presentándola con seguridad como si fuera cierta.
- Hidden LayerCualquier capa entre la entrada y la salida, donde la red construye sus representaciones internas.
- Human EvaluationEvaluar las respuestas de un modelo mediante el juicio de personas, a menudo expertas, según criterios definidos.
- Human-in-the-LoopHITLDiseñar un sistema de IA para que una persona revise, apruebe o corrija sus decisiones en puntos clave.
- Hybrid SearchCombinar búsqueda semántica (vectores) y búsqueda por palabras clave para obtener lo mejor de ambas.
I
- Image ClassificationLa tarea de asignar una etiqueta a una imagen completa, por ejemplo «gato», «perro» o «avión».
- Image GenerationCrear imágenes nuevas con IA, normalmente a partir de una descripción en texto.
- In-Context LearningICLLa capacidad de un LLM de aprender una tarea a partir de instrucciones o ejemplos incluidos en el prompt, sin cambiar sus pesos.
- InferenceEl momento en que un modelo ya entrenado se usa para producir una respuesta a partir de una entrada nueva.
- Inference OptimizationEl conjunto de técnicas para ejecutar modelos más rápido, con menos memoria y a menor costo sin perder calidad.
- Inference ServerEl software que carga un modelo en el hardware y atiende solicitudes de muchos usuarios de forma eficiente.
- Input LayerLa primera capa de una red neuronal, que recibe los datos en forma numérica.
- Instruction TuningAjustar un modelo con muchas tareas descritas como instrucciones para que aprenda a seguir instrucciones en general.
- Inteligencia ArtificialIAEl campo que construye sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como entender lenguaje, reconocer imágenes o tomar decisiones.
- InterpretabilityEl estudio de cómo y por qué un modelo produce sus resultados, para poder entenderlo, verificarlo y corregirlo.
J
K
- Keyword SearchBuscar documentos según las palabras exactas que contienen, puntuando qué tan relevantes son esas coincidencias.
- Knowledge BaseLa colección organizada de documentos e información que un sistema de IA puede consultar para responder.
- Knowledge DistillationEntrenar un modelo pequeño (alumno) para imitar el comportamiento de un modelo grande (maestro), conservando buena parte de su calidad.
- KV CacheUna memoria que guarda las keys y values ya calculadas de los tokens anteriores para no recalcularlas en cada paso de generación.
L
- LabelLa respuesta correcta asociada a un ejemplo de entrenamiento, que el modelo aprende a predecir.
- Large Language ModelLLMUn modelo de IA entrenado con enormes cantidades de texto para predecir la siguiente palabra, lo que le permite conversar, escribir, resumir y razonar.
- LatencyEl tiempo que tarda un sistema en responder a una solicitud.
- Latent DiffusionUn modelo de difusión que trabaja en un espacio comprimido de la imagen en lugar de en sus píxeles, lo que lo hace mucho más eficiente.
- Latent ReasoningEnfoques en los que un modelo razona en sus representaciones internas (vectores) en lugar de, o además de, escribir su razonamiento como texto.
- Latent SpaceEl espacio de representaciones internas y comprimidas que un modelo aprende para describir sus datos.
- LayerUn grupo de neuronas que procesa la información al mismo nivel dentro de una red neuronal.
- Layer NormalizationUna técnica que reescala los valores dentro de cada capa para mantenerlos en un rango estable y hacer el entrenamiento más confiable.
- Learning RateUn hiperparámetro que controla qué tan grandes son los ajustes que se hacen a los parámetros en cada paso de entrenamiento.
- LLM-as-a-JudgeUsar un modelo de lenguaje para evaluar automáticamente las respuestas de otro modelo (o del mismo) según criterios definidos.
- Long-Term MemoryInformación que un sistema de IA guarda fuera del modelo para recordarla en futuras sesiones.
- LoRAUna técnica de fine-tuning que congela los pesos originales y entrena pequeñas matrices adicionales de bajo rango que modifican su comportamiento.
- Loss FunctionUna fórmula que mide qué tan equivocadas están las predicciones del modelo; el entrenamiento busca hacerla lo más pequeña posible.
M
- Machine LearningMLUna rama de la IA en la que las computadoras aprenden patrones a partir de datos en lugar de seguir reglas programadas a mano.
- Machine TranslationTraducir texto o voz de un idioma a otro de forma automática.
- MatrizUna tabla rectangular de números organizada en filas y columnas.
- Mechanistic InterpretabilityUn enfoque de investigación que intenta descifrar los algoritmos internos de una red neuronal a nivel de neuronas, características y circuitos.
- MemoryLos mecanismos que permiten a un sistema de IA conservar información entre pasos, conversaciones o sesiones.
- Mixture of ExpertsMoEUna arquitectura que divide parte del modelo en varios «expertos» y activa solo algunos para cada token, logrando mucha capacidad con menor costo por consulta.
- MLOpsLas prácticas para desplegar, monitorear y mantener modelos de machine learning en producción de forma confiable.
- Model CollapseLa degradación que sufren los modelos generativos cuando se entrenan repetidamente con datos generados por otros modelos, perdiendo diversidad y calidad.
- Model CompressionEl conjunto de técnicas para reducir el tamaño y el costo computacional de un modelo manteniendo su calidad.
- Model Context ProtocolMCPUn protocolo abierto para conectar aplicaciones de IA con herramientas y fuentes de datos de forma estandarizada.
- Model DeploymentEl proceso de poner un modelo a disposición de usuarios o sistemas reales para que haga inferencias en producción.
- Model DriftLa degradación del rendimiento de un modelo en producción porque los datos o el mundo cambiaron respecto a su entrenamiento.
- ModeloEl resultado de entrenar un algoritmo con datos: una función que recibe una entrada y produce una predicción o una respuesta.
- Multi-Agent SystemUn sistema en el que varios agentes de IA, cada uno con un rol, colaboran o se coordinan para resolver una tarea.
- Multi-Head AttentionEjecutar varios mecanismos de atención en paralelo para que el modelo capture distintos tipos de relaciones a la vez.
- Multimodal ModelUn modelo capaz de procesar y a veces generar varios tipos de información, como texto, imágenes, audio o video.
N
- Named Entity RecognitionNERDetectar y clasificar en un texto nombres de personas, organizaciones, lugares, fechas, cantidades y otras entidades.
- Natural Language ProcessingNLPEl campo de la IA dedicado a que las computadoras entiendan, analicen y generen lenguaje humano.
- Neural NetworkUn modelo formado por capas de unidades simples conectadas entre sí, que aprende ajustando la fuerza de esas conexiones.
- Neurona artificialLa unidad básica de una red neuronal: combina varias entradas con pesos, suma un bias y aplica una función de activación.
- Next-Token PredictionLa tarea con la que se entrenan los LLMs: dado un texto, predecir cuál es el token que sigue.
- NPUUn procesador especializado en IA integrado en teléfonos, laptops y otros dispositivos para ejecutar modelos de forma eficiente.
O
- Object DetectionEncontrar qué objetos hay en una imagen y dónde están, marcando cada uno con un recuadro y una etiqueta.
- Open-Weights ModelUn modelo cuyos pesos entrenados se publican para que cualquiera pueda descargarlo, ejecutarlo y adaptarlo.
- OptimizaciónEncontrar los valores que minimizan (o maximizan) una función; en IA, los parámetros que minimizan la pérdida.
- OrchestrationLa coordinación de modelos, herramientas, datos y agentes para que trabajen juntos en un flujo coherente.
- Output LayerLa última capa de una red neuronal, que produce la predicción final.
- OverfittingCuando un modelo memoriza los datos de entrenamiento, incluido su ruido, y falla con datos nuevos.
P
- Parameter-Efficient Fine-TuningPEFTTécnicas de fine-tuning que entrenan solo una pequeña fracción de parámetros adicionales en lugar de todo el modelo.
- ParámetrosLos números internos de un modelo que se ajustan durante el entrenamiento y determinan su comportamiento.
- PerplexityUna métrica que mide qué tan «sorprendido» está un modelo de lenguaje por un texto: cuanto menor, mejor predice.
- PlanningLa capacidad de un agente de dividir un objetivo complejo en pasos y decidir en qué orden ejecutarlos.
- PolicyEn aprendizaje por refuerzo, la estrategia que usa un agente para decidir qué acción tomar en cada situación.
- Positional EncodingInformación que se añade a cada token para que el modelo sepa en qué posición de la secuencia se encuentra.
- PrecisionDe todos los casos que el modelo marcó como positivos, qué proporción realmente lo era.
- Preference DataDatos que indican cuál de dos o más respuestas es mejor, usados para ajustar modelos a lo que prefieren las personas.
- PretrainingLa primera y más costosa fase de entrenamiento de un modelo fundacional, en la que aprende de enormes cantidades de datos sin etiquetar.
- ProbabilidadUn número entre 0 y 1 que expresa qué tan probable es que ocurra algo.
- Producto puntoUna operación entre dos vectores que multiplica sus componentes una a una y suma los resultados; mide qué tanto «apuntan en la misma dirección».
- PromptEl texto (y a veces imágenes u otros datos) que se le da a un modelo generativo para indicarle qué hacer.
- Prompt EngineeringLa práctica de diseñar y ajustar prompts para obtener respuestas más útiles, precisas y consistentes de un modelo.
- Prompt InjectionUn ataque en el que instrucciones maliciosas escondidas en datos (una página web, un correo, un documento) hacen que un modelo actúe contra los intereses de su usuario.
- PruningEliminar pesos, neuronas o capas poco importantes de un modelo para hacerlo más pequeño y rápido.
Q
- Q-LearningUn algoritmo de aprendizaje por refuerzo que aprende cuánto vale cada acción en cada situación para después elegir la mejor.
- QLoRAUna variante de LoRA que carga el modelo base cuantizado a 4 bits para poder hacer fine-tuning con mucha menos memoria.
- QuantizationReducir la precisión numérica de los pesos (y a veces activaciones) de un modelo para que ocupe menos memoria y se ejecute más rápido.
- Query, Key y ValueQKVLos tres vectores que cada token genera en el mecanismo de atención: lo que busca (query), cómo se le encuentra (key) y lo que aporta (value).
R
- ReActUn patrón de agentes en el que el modelo alterna entre razonar sobre qué hacer, ejecutar una acción y observar el resultado.
- Reasoning ModelUn LLM entrenado para generar un proceso de razonamiento extenso antes de responder, lo que mejora su desempeño en problemas complejos.
- RecallDe todos los casos que realmente eran positivos, qué proporción logró detectar el modelo.
- Red TeamingAtacar deliberadamente un sistema de IA para descubrir sus fallos y comportamientos dañinos antes de que lo hagan usuarios malintencionados.
- RegularizationTécnicas que limitan la complejidad de un modelo para evitar que memorice los datos y mejorar su generalización.
- Reinforcement LearningRLUn paradigma en el que un agente aprende a tomar decisiones probando acciones y recibiendo recompensas o penalizaciones.
- Representation EngineeringRepETécnicas para leer y modificar directamente las representaciones internas de un modelo con el fin de detectar o controlar conceptos como la honestidad o el tono.
- RerankingUn segundo paso que reordena los resultados de búsqueda con un modelo más preciso para quedarse con los más relevantes.
- Residual ConnectionUn atajo que suma la entrada de una capa a su salida, facilitando el entrenamiento de redes muy profundas.
- RetrievalEl proceso de encontrar, dentro de una colección grande, los documentos o fragmentos más relevantes para una consulta.
- Retrieval-Augmented GenerationRAGUna técnica que conecta un LLM con fuentes de información externas: primero busca documentos relevantes y luego genera la respuesta basándose en ellos.
- RetrieverEl componente de un sistema RAG que recibe una consulta y devuelve los fragmentos más relevantes.
- Reward FunctionLa regla que asigna un valor numérico a lo que hace un agente, indicándole qué tan bien lo está haciendo.
- Reward ModelUn modelo entrenado para asignar una puntuación a una respuesta que estima qué tan buena la considerarían las personas.
- RLAIFUna variante de RLHF en la que las preferencias las genera un modelo de IA, guiado por principios o instrucciones, en lugar de personas.
- RLHFUna técnica para ajustar un modelo usando preferencias humanas: personas comparan respuestas y el modelo aprende a producir las preferidas.
- RouterEl componente que decide a qué expertos (en MoE) o a qué modelo (en un sistema) se envía cada entrada.
S
- SamplingEl método con el que un modelo generativo elige el siguiente token a partir de su distribución de probabilidades.
- Scaling LawsRelaciones empíricas que describen cómo mejora el rendimiento de un modelo al aumentar sus parámetros, sus datos y su cómputo.
- SegmentationClasificar cada píxel de una imagen para delimitar con precisión la forma exacta de cada objeto o región.
- Self-AttentionUna forma de atención en la que cada elemento de una secuencia se relaciona con los demás elementos de la misma secuencia.
- Self-Supervised LearningAprender de datos sin etiquetas creando la tarea a partir de los propios datos, por ejemplo, adivinar la siguiente palabra.
- Semantic SearchBuscar información por su significado en lugar de por coincidencia exacta de palabras.
- Semi-Supervised LearningCombinar pocos ejemplos etiquetados con muchos sin etiquetar para entrenar un modelo.
- Sentiment AnalysisIdentificar automáticamente si un texto expresa una opinión positiva, negativa o neutral.
- Short-Term MemoryLa información que un agente mantiene disponible durante una tarea o conversación, normalmente dentro de la ventana de contexto.
- SoftmaxUna función que convierte una lista de números cualesquiera en probabilidades positivas que suman 1.
- Sparse AutoencodersSAERedes auxiliares que descomponen las activaciones internas de un modelo en muchas «características» interpretables, de las cuales solo unas pocas se activan a la vez.
- Sparse ModelUn modelo en el que solo una parte de sus parámetros se usa (o es distinta de cero) para procesar cada entrada.
- Speculative DecodingAcelerar la generación haciendo que un modelo pequeño proponga varios tokens y que el modelo grande los verifique de una sola vez.
- Structured OutputHacer que un modelo responda en un formato predecible y procesable por máquinas, como JSON que cumple un esquema.
- SuperalignmentEl problema de alinear sistemas de IA que podrían superar a los humanos, cuando ya no podemos evaluar directamente si su comportamiento es correcto.
- Supervised Fine-TuningSFTAjustar un modelo con ejemplos de entradas y las respuestas ideales que debería producir.
- Supervised LearningAprender a partir de ejemplos que incluyen la respuesta correcta, para luego predecirla en casos nuevos.
- Synthetic DataDatos generados artificialmente —a menudo por otros modelos de IA— para entrenar o evaluar modelos.
- System PromptLas instrucciones de base que define el desarrollador para establecer el rol, el tono y las reglas de un modelo en toda la conversación.
T
- TemperatureUn parámetro que controla qué tan aleatorias o predecibles son las respuestas de un modelo generativo.
- TensorUn arreglo de números con cualquier cantidad de dimensiones; generaliza escalares, vectores y matrices.
- Tensor CoreUnidades especializadas dentro de las GPUs de NVIDIA que multiplican matrices pequeñas a gran velocidad y baja precisión.
- Test-Time ComputeMejorar las respuestas de un modelo dándole más cómputo al momento de responder: pensar más, generar varias opciones o verificar.
- ThroughputLa cantidad de trabajo que un sistema procesa por unidad de tiempo, por ejemplo, tokens o solicitudes por segundo.
- TokenLa unidad básica de texto que procesa un modelo de lenguaje: puede ser una palabra, parte de una palabra o un signo.
- TokenizationEl proceso de dividir un texto en tokens para que un modelo pueda procesarlo.
- TokenizerEl componente que convierte texto en tokens (y tokens de vuelta en texto) usando un vocabulario fijo.
- Tool CallingLa capacidad de un modelo de solicitar el uso de herramientas externas —buscar, calcular, consultar APIs— y usar sus resultados para responder.
- Top-PUna técnica de muestreo que elige el siguiente token solo entre las opciones más probables cuya probabilidad acumulada alcanza un umbral p.
- TPUUn chip diseñado por Google específicamente para acelerar cálculos de redes neuronales.
- TrainingEl proceso en el que un modelo ajusta sus parámetros a partir de datos para mejorar en una tarea.
- Training ClusterUn conjunto de muchas computadoras con GPUs o TPUs conectadas por redes muy rápidas para entrenar modelos que no caben en una sola máquina.
- TransformerUna arquitectura de red neuronal que procesa secuencias usando mecanismos de atención para relacionar cada elemento con todos los demás.
U
V
- VectorUna lista ordenada de números que puede representar un punto o una dirección en un espacio de varias dimensiones.
- Vector DatabaseUna base de datos diseñada para almacenar embeddings y encontrar rápidamente los más parecidos a una consulta.
- Vector SearchEncontrar los vectores más cercanos a un vector de consulta dentro de una colección.
- Vision TransformerViTUna adaptación del Transformer a imágenes que divide la imagen en parches y los trata como si fueran tokens.
- VRAMLa memoria propia de una GPU, donde deben caber los pesos del modelo y los datos intermedios durante el cómputo.
W
- WeightsLos parámetros que indican cuánta importancia da el modelo a cada conexión entre sus neuronas.
- WorkflowUna secuencia predefinida de pasos para completar una tarea; en IA, un proceso cuyo orden está fijado en código aunque use modelos en algunos pasos.
- World ModelsModelos que aprenden una representación interna de cómo funciona un entorno y pueden predecir o simular qué pasará si se toman ciertas acciones.