Glosario de IA: 40 definiciones para no perderse en el mundo de la inteligencia artificial
La inteligencia artificial (IA) se ha convertido en un pilar esencial de la tecnología moderna, con repercusiones en campos tan diversos como la sanidad, las finanzas y la educación.
Sin embargo, comprender las sutilezas de la IA puede resultar complejo, entre otras cosas por la jerga técnica que suele asociarse a esta disciplina.
💡 Este glosario ofrece una recopilación de 40 términos clave, cuyo objetivo es aclarar los conceptos esenciales de la IA y facilitar su comprensión a profesionales y novatos en la materia.
Chatbots
Los 🔗 chatbots son programas informáticos que utilizan la inteligencia artificial para simular una conversación con los usuarios.
Pueden responder automáticamente a preguntas, proporcionar información o realizar tareas sencillas interactuando mediante texto o voz, y suelen utilizarse en sitios web y aplicaciones.
Algoritmo
Un algoritmo es una serie de instrucciones o pasos precisos que sigue un programa informático para resolver un problema o realizar una tarea específica.
En la IA, los algoritmos permiten a las máquinas tomar decisiones, aprender o procesar datos de forma automática y eficaz.
Anotación de datos
La anotación de datos consiste en añadir etiquetas o descripciones específicas a los datos brutos (imágenes, texto, vídeo, etc.) para hacerlos comprensibles a los algoritmos de IA.
Esto permite a los modelos de aprendizaje automático reconocer objetos, acciones o conceptos en estos datos.
Aprendizajeautomático
El aprendizaje automático es una rama de la inteligencia artificial en la que las máquinas aprenden de los datos sin ser programadas explícitamente.
Identifican patrones, hacen predicciones y mejoran su rendimiento con el tiempo mediante algoritmos, como en el reconocimiento de imágenes o la traducción automática.
Aprendizajemultitarea
El aprendizaje multitarea es un método en el que un modelo de inteligencia artificial se entrena simultáneamente en varias tareas relacionadas.
Esto permite al modelo aprender de forma más eficiente compartiendo conocimientos entre tareas, mejorando así su rendimiento global en el conjunto de problemas a resolver.
Aprendizaje por refuerzo
El aprendizaje por refuerzo es una técnica de IA en la que un agente aprende a tomar decisiones interactuando con su entorno.
Recibe recompensas o castigos en función de sus acciones, y ajusta su comportamiento para maximizar las recompensas a largo plazo, como en los videojuegos o la robótica.
Aprendizaje supervisado
El aprendizaje supervisado es un método de IA en el que se entrena un modelo a partir de ejemplos etiquetados.
Cada dato de entrenamiento se asocia a una respuesta correcta, lo que permite al modelo aprender a predecir resultados similares para nuevos datos no vistos, como el reconocimiento de objetos en imágenes o la clasificación de correos electrónicos.
Aprendizaje no supervisado
L'🔗 aprendizaje no supervisado es un método de IA en el que se entrena un modelo a partir de datos sin etiquetas ni respuestas predefinidas.
Debe descubrir patrones o estructuras ocultas por sí solo, como agrupar objetos similares (clustering) o detectar anomalías, sin supervisión humana directa.
Sesgo algorítmico
El sesgo algorítmico se produce cuando un algoritmo toma decisiones injustas o poco equitativas debido a sesgos en los datos utilizados para entrenarlo.
Esto puede dar lugar a resultados discriminatorios o desigualdades que afecten a grupos específicos de personas o situaciones, como la contratación o el reconocimiento facial.
Grandes datos
Big Data se refiere a conjuntos de datos vastos y complejos, a menudo demasiado grandes o variados para procesarlos con métodos tradicionales.
Estos datos proceden de diversas fuentes (redes sociales, sensores, etc.) y requieren técnicas avanzadas, como la IA y el aprendizaje automático, para analizarlos y extraer información útil.
Clasificación
La clasificación es una técnica de aprendizaje automático en la que se entrena un modelo para asignar categorías o etiquetas predefinidas a datos nuevos.
Por ejemplo, clasificar correos electrónicos como "spam" o "no spam" o reconocer objetos en imágenes, como gatos o perros.
Agrupación
El clustering es un método de aprendizaje no supervisado que consiste en agrupar datos similares en conjuntos denominados "clusters".
A diferencia de la clasificación, no hay etiquetas predefinidas. El modelo descubre similitudes en los datos para crear estos grupos, que se utilizan para el análisis de mercado o la segmentación de clientes, por ejemplo.
Pérdida de entropía cruzada
La pérdida de entropía cruzada es una función de pérdida utilizada para evaluar el rendimiento de un modelo de clasificación. Mide la diferencia entre las predicciones del modelo y las etiquetas verdaderas.
Cuanto más incorrecta sea la predicción, mayor será la pérdida. El objetivo es minimizar esta diferencia para mejorar las predicciones.
Validación cruzada
La validación cruzada es una técnica para evaluar modelos de aprendizaje automático. Consiste en dividir un conjunto de datos en varios subconjuntos (o "pliegues").
El modelo se entrena en algunos subconjuntos y se prueba en otros. Esto permite estimar el rendimiento del modelo de forma más fiable al reducir el 🔗 sobreaprendizaje.
Curvas ROC y AUC
La curva ROC (Receiver Operating Characteristic) evalúa el rendimiento de un modelo de clasificación trazando la tasa de verdaderos positivos frente a la tasa de falsos positivos.
El AUC (Área bajo la curva) mide el área bajo esta curva. Cuanto más se acerque el AUC a 1, mejor será la capacidad del modelo para distinguir entre clases.
Conjunto de datos
Un conjunto de datos (🔗 conjunto de datos) es una colección organizada de datos utilizados para entrenar, probar o validar modelos de inteligencia artificial.
Puede contener texto, imágenes, vídeos u otro tipo de información, normalmente etiquetada, que permita 🔗 Aprendizaje automático reconocer patrones y hacer predicciones.
-hand-innv.png)
Formación demodelos
El entrenamiento de modelos consiste en utilizar un conjunto de datos para enseñar a una IA o a un modelo de aprendizaje automático a realizar una tarea específica, como la clasificación o la predicción.
El modelo ajusta sus parámetros en función de los ejemplos proporcionados, con el fin de mejorar su precisión con nuevos datos.
Ingeniería de funciones
La ingeniería de características es el proceso de selección, transformación o creación de nuevas características a partir de datos brutos con el fin de mejorar el rendimiento de un 🔗 modelo de aprendizaje automático.
Estas características permiten representar mejor los datos y facilitan al modelo la identificación de patrones o la realización de predicciones.
Función depérdida
La función de pérdida es una herramienta utilizada en el aprendizaje automático para medir la diferencia entre las predicciones de un modelo y los valores reales. Evalúa la precisión del modelo.
Cuanto menor sea la pérdida, más se acercarán las predicciones del modelo a los resultados esperados. El modelo aprende minimizando esta pérdida.
Falsa alarmapositiva
Una falsa alarma (o falso positivo) se produce cuando un modelo predice incorrectamente la presencia de una condición o clase cuando no está presente.
Por ejemplo, un sistema de detección de spam clasificaría un correo electrónico legítimo como spam. Se trata de un error habitual en los modelos de clasificación.
Generación de lenguaje natural(NLG)
La generación de lenguaje natural (NLG) es un subcampo de la inteligencia artificial que produce automáticamente texto o voz comprensible en lenguaje humano.
Permite a una máquina transformar datos brutos en frases o párrafos naturales, como en los resúmenes automatizados o los asistentes virtuales.
Hiperparámetros
Los hiperparámetros son parámetros que se definen antes de entrenar un modelo de inteligencia artificial y que influyen en su aprendizaje.
A diferencia de los parámetros aprendidos por el modelo, los hiperparámetros, como la tasa de aprendizaje o el tamaño de las capas de neuronas, se fijan manualmente y se ajustan para optimizar el rendimiento del modelo.
Inteligencia artificial generativa
La inteligencia artificial generativa es una rama de la IA que crea nuevos contenidos (imágenes, texto, música, etc.) a partir de modelos entrenados con datos existentes.
Utilizando algoritmos como las GAN (Generative Adversarial Networks), genera obras originales imitando patrones encontrados en los datos de entrenamiento.
Modelo predictivo
Un modelo predictivo es un algoritmo de inteligencia artificial diseñado para anticipar resultados futuros a partir de datos históricos.
Analiza tendencias pasadas para hacer predicciones basadas en nuevos datos, y se utiliza en diversos campos como las finanzas, la salud o el marketing para predecir comportamientos o acontecimientos.
Optimización por gradiente
Optimización del 🔗 gradiente es una técnica utilizada para ajustar los parámetros de un modelo de IA con el fin de minimizar la función de pérdida.
Consiste en calcular la pendiente (gradiente) de la función de pérdida y modificar los parámetros en la dirección que reduzca dicha pendiente, mejorando así el rendimiento del modelo.
Precisión
La precisión es una medida del rendimiento de un modelo de clasificación. Representa el porcentaje de predicciones correctas de todas las predicciones realizadas.
Es la relación entre las predicciones correctas (verdaderos positivos y verdaderos negativos) y el número total de predicciones. Cuanto mayor sea la precisión, mejor será el modelo.
Recall
La recuperación es una medida del rendimiento de un modelo de clasificación. Indica la capacidad del modelo para identificar correctamente todas las ocurrencias positivas de una clase.
Es la relación entre los verdaderos positivos y el número total de verdaderos positivos. Un recall alto significa pocos falsos negativos.
Reconocimiento de imágenes
El reconocimiento de imágenes es una técnica de inteligencia artificial en la que un modelo analiza imágenes para identificar objetos, personas, lugares o acciones.
Utilizado en campos como la seguridad, la sanidad y la industria automovilística, permite a las máquinas "ver" y comprender visualmente el contenido de una imagen con fines de clasificación o detección.
Reconocimiento de voz
El 🔗 reconocimiento del habla es una tecnología de inteligencia artificial que convierte el habla en texto. Analiza los sonidos emitidos por una voz humana, identifica las palabras pronunciadas y las transcribe.
Utilizado en asistentes de voz, aplicaciones para móviles y sistemas de control por voz, facilita la interacción hombre-máquina.
Regresión
La regresión es una técnica de aprendizaje automático utilizada para predecir valores continuos a partir de datos.
A diferencia de la clasificación, que asigna categorías, la regresión estima valores numéricos, como el precio de una casa o las ventas futuras. Establece relaciones entre las variables de entrada y las de salida para hacer previsiones.
Red neuronal artificial
Una red neuronal artificial es un modelo de inteligencia artificial inspirado en el funcionamiento del cerebro humano. Está formada por "neuronas" interconectadas, organizadas en capas, que procesan información.
Utilizado para tareas complejas como el reconocimiento de imágenes o el procesamiento del lenguaje, aprende ajustando las conexiones entre neuronas para mejorar su rendimiento.
Redes generativas adversariales(GAN)
Las GAN (Generative Adversarial Networks) son una arquitectura de inteligencia artificial compuesta por dos redes: un generador que crea datos y un discriminador que evalúa su autenticidad.
Las dos redes compiten para mejorar el rendimiento de la otra. Las GAN se utilizan para generar imágenes, vídeos y otros contenidos realistas.
Redes neuronales profundas(Deep Learning)
Las 🔗 redes neuronales o aprendizaje profundo, son modelos de IA compuestos por múltiples capas de neuronas interconectadas.
Cada capa extrae progresivamente características complejas de los datos brutos, lo que permite resolver problemas complejos como el reconocimiento de imágenes, 🔗 procesamiento del lenguaje natural o la traducción automática.
Insuficiente
La inadaptación se produce cuando un modelo de IA es demasiado simple para captar los patrones subyacentes en los datos.
El resultado es un rendimiento pobre tanto en los datos de entrenamiento como en los nuevos. El modelo no aprende lo suficiente y hace predicciones incorrectas.
Sobreajuste
El sobreajuste se produce cuando un modelo de IA es demasiado complejo y se adapta con demasiada precisión a los datos de entrenamiento, incluso captando ruidos o anomalías.
Aunque funciona bien con estos datos, no consigue generalizarlos a otros nuevos, por lo que es menos fiable para predicciones futuras.
Tokenización
La tokenización es un proceso de procesamiento del lenguaje natural que consiste en dividir un texto en unidades más pequeñas llamadas tokens (palabras, frases o caracteres).
Cada ficha representa una unidad distinta que la IA puede procesar. Este paso es esencial para que los modelos puedan analizar y comprender el texto.
Procesamiento del lenguaje natural (PLN)
Procesamiento del lenguaje natural (🔗 PNL) es un campo de la inteligencia artificial que permite a las máquinas comprender, analizar y generar lenguaje humano.
Se utiliza en aplicaciones como asistentes de voz, traducción automática y análisis de textos, lo que permite a los ordenadores interactuar con el lenguaje de forma natural y fluida.
Transformers
Los transformadores son una arquitectura de modelos de aprendizaje profundo utilizados principalmente en el procesamiento del lenguaje natural (PLN).
Captan las relaciones entre los distintos elementos de una secuencia (palabras, frases) en paralelo, en lugar de secuencialmente como los modelos tradicionales. Los transformadores constituyen la base de modelos de alto rendimiento como GPT y BERT.
Ajuste de modelos
La sintonización de modelos consiste en ajustar los hiperparámetros de un modelo de inteligencia artificial para optimizar su rendimiento.
Este proceso implica probar distintas combinaciones de hiperparámetros (como la velocidad de aprendizaje o la profundidad de las capas) para encontrar las que ofrecen los mejores resultados en un conjunto de datos determinado.
Visión por ordenador
La visión por ordenador es una rama de la inteligencia artificial que permite a las máquinas comprender e interpretar imágenes y vídeos.
Mediante el análisis visual de datos, los sistemas de visión por ordenador pueden reconocer objetos, detectar caras, analizar movimientos y automatizar tareas como la inspección de calidad o la conducción autónoma.
Esperamos que este glosario te haya resultado útil para desmitificar algunos de los conceptos clave de la inteligencia artificial. Si quieres saber más sobre la IA, sus aplicaciones o cómo la creación de conjuntos de datos de alta calidad puede contribuir al éxito de tus proyectos, no dudes en 🔗 ponerse en contacto con Innovatiana. Nuestro equipo de expertos está a tu disposición para apoyarte en todas tus iniciativas de IA y gestión de datos.
