Glosario de términos
Conceptos clave sobre inteligencia artificial y tecnologías relacionadas, definidos para facilitar la comprensión y el diálogo interdisciplinario en la comunidad UdeC.
Inteligencia Artificial
La inteligencia artificial (IA) es un conjunto de tecnologías que permiten que las computadoras realicen una variedad de tareas y/o funciones avanzadas como puede ser el reconocimiento visual, el procesamiento de lenguaje (comprensión y traducción), el análisis de datos y la generación de recomendaciones.
La IA en la actualidad es un motor de innovación, logrando generar gran valor para organizaciones e individuos; un caso de uso es el OCR, que permite extraer texto de documentos escaneados o imágenes.
Algoritmos
El término proviene del nombre del matemático persa Muhammad ibn Musa al-Khwarizmi (alrededor del año 820), a quien debemos la introducción de la numeración decimal en Occidente. En la actualidad, designa una serie de instrucciones que deben ser ejecutadas en forma automática por un ordenador. Los algoritmos se aplican en todos los ámbitos, desde las consultas a través de dispositivos de búsqueda y la selección de información sugerida a los internautas, hasta los mercados financieros.
Machine Learning
Es una rama de la inteligencia artificial (IA) y la computación que aprovecha los datos y los algoritmos para permitir que los sistemas de IA aprendan y mejoren de manera similar a la de los humanos, lo que mejora de forma progresiva su precisión con el tiempo.
La tecnología del machine learning (ML) puede procesar grandes cantidades de datos históricos, identificar patrones y predecir nuevas relaciones entre datos previamente desconocidos lo que le permite llevar a cabo tareas de clasificación y predicción en documentos, imágenes, números y otros tipos de datos.
Deep Learning
Una técnica de inteligencia artificial que consiste en enseñar a las computadoras a procesar los datos utilizando algoritmos inspirados en el cerebro humano, en el sentido que están compuestas de múltiples redes neuronales artificiales (ANN) que en su conjunto forman una red neuronal simulada (SNN). El Deep Learning es un subconjunto del Machine Learning.
Inteligencia Artificial Generativa
La IA generativa es un tipo de inteligencia artificial que emplea modelos de machine learning para crear contenido original (texto, imágenes, audio, video o código) a partir de instrucciones del usuario. Se basa en modelos fundacionales de deep learning, como los modelos de lenguaje (LLM) o los multimodales, que permiten generar distintos tipos de contenido.
Modelos de Lenguaje de Gran Tamaño
Los modelos de lenguaje de gran tamaño (LLM) son modelos de aprendizaje automático que pueden comprender y generar un texto en lenguaje humano. Funcionan al analizar conjuntos de datos masivos del lenguaje.
Estos modelos son capaces de reconocer e interpretar el lenguaje humano y en base a la cantidad de datos durante su entrenamiento pueden realizar tareas complejas como, por ejemplo, análisis de sentimientos, la respuesta a preguntas conversacionales, traducción de textos, clasificación y la generación.
Prompt
Un prompt en el contexto de la inteligencia artificial es una instrucción o texto inicial proporcionado a una herramienta generativa de IA para dirigir la generación de respuestas o resultados específicos. Esta entrada de información establece el contexto y la tarea que se espera que la herramienta complete, permitiendo al usuario comunicarse de manera efectiva con la IA en un lenguaje natural.
En otras palabras, es la entrada que guía a la IA para producir un resultado específico, como un texto, imagen, código o audio. La calidad y claridad del prompt influyen directamente en la precisión y relevancia de la respuesta que genera la IA.
Prompt Engineering
El prompt engineering (o ingeniería de prompts) es la práctica de diseñar, formular y optimizar instrucciones para que un modelo de inteligencia artificial genere respuestas precisas, útiles y coherentes. Consiste en comprender cómo interpreta la IA el lenguaje y ajustar la forma, el contexto o el formato del prompt para obtener el mejor resultado posible. Esta técnica es esencial para aprovechar al máximo modelos generativos como modelos de lenguage de gran tamaño (LLM).
Gracias al prompt engineering se es capaz de mejorar la calidad de los modelos de IA al igual que poder asignarle tareas específicas para algún campo en aprticular.
Token
Un token es una unidad mínima de texto que el modelo utiliza para procesar y generar información. Puede representar una palabra completa, una parte de una palabra, un signo de puntuación o incluso un espacio.
Los modelos de IA no leen texto letra por letra, sino que lo dividen en tokens para analizar su significado y contexto. La cantidad de tokens influye en el costo, la velocidad y el límite de procesamiento de las respuestas generadas por la IA.
Red Neuronal Artificial
Una red neuronal es un método de la inteligencia artificial (IA) que enseña a las computadoras a procesar datos de una manera similar a como lo hace el cerebro humano. Se trata de un tipo de proceso de machine learning (ML) llamado aprendizaje profundo, el cual utiliza los nodos o las neuronas interconectados en una estructura de capas que se parece al cerebro humano. Crea un sistema adaptable que las computadoras utilizan para aprender de sus errores y mejorar continuamente.
Las redes neuronales pueden ayudar a las computadoras a tomar decisiones inteligentes con asistencia humana limitada. Esto se debe a que pueden aprender y modelar las relaciones entre los datos de entrada y salida que no son lineales y que son complejos.
Procesamiento de Lenguaje Natural
El Procesamiento de Lenguaje Natural (PLN) es un campo de la inteligencia artificial (IA) y la informática que se centra en la interacción entre las computadoras y el lenguaje humano.
En esencia, el PLN busca dar a las máquinas la capacidad de leer, comprender, interpretar y generar lenguaje humano (como el español, inglés o cualquier otro idioma) de una manera que sea útil y tenga sentido.
El PLN es capaz de interpretar tanto las complejas reglas lingüísticas del lenguaje al igual que entender ambigüedades, sarcasmo, modismos y contexto cultural.
Ciencia de Datos
La ciencia de datos es el estudio científico de los datos para obtener conocimientos. Este campo interdisciplinario utiliza métodos científicos, procesos, algoritmos y sistemas para extraer conocimiento y valor de los datos, tanto estructurados como no estructurados. El objetivo de la ciencia de datos no es solo analizar el pasado, sino predecir el futuro y tomar decisiones más inteligentes basadas en evidencia. Por ejemplo, se usa para sistemas de recomendación (como en redes sociales), detección de fraudes, diagnósticos médicos y en la inteligencia artificial.