Glosario de IA

Comparar dos o más variantes de un producto, tooltip, interfaz o modelo para elegir la mejor basándose en datos y no en la intuición.

Principio según el cual personas, equipos u organizaciones identificables deben responder por las decisiones, errores y consecuencias de un sistema de IA.

Métrica de calidad que indica qué porcentaje de predicciones del modelo fue correcto.

Dispositivos de cómputo especializados que aceleran el entrenamiento y la ejecución de modelos de IA.

Enfoque del reconocimiento de voz que relaciona el audio con sonidos, sílabas o palabras probables.

Funciones matemáticas en una red neuronal que ayudan a encontrar dependencias no lineales complejas.

Clase de métodos de aprendizaje por refuerzo en la que un componente elige acciones y otro evalúa su utilidad.

Componentes físicos que convierten una orden de IA en una acción real.

Algoritmo de optimización que ajusta automáticamente el paso de entrenamiento de la red neuronal y reduce la dependencia de elegir manualmente la tasa de aprendizaje.

Un algoritmo de optimización adaptativo que ajusta el paso de aprendizaje por separado para cada parámetro del modelo.

Uno de los algoritmos más populares para entrenar redes neuronales, que ajusta de forma adaptativa las actualizaciones de parámetros.

Métrica estadística que evalúa la calidad de un modelo de regresión, ajustada por el número de características.

Formas de engañar a un modelo con datos de entrada especialmente seleccionados que parecen normales para una persona, pero confunden al algoritmo.

En robótica, enfoque en el que un sistema aprende qué acciones son posibles con objetos y el entorno.

Programas basados en IA que pueden ejecutar tareas mediante planificación, memoria, herramientas y secuenciación.

Conjuntos de bibliotecas y reglas que ayudan a crear agentes de IA con herramientas, memoria, roles y scripts de ejecución.

Método de agrupación de datos que va uniendo gradualmente objetos similares en clústeres.

Reglamento europeo que introduce normas basadas en el riesgo para el desarrollo, la venta y el uso de sistemas de IA.

Área de estudio y práctica que intenta hacer que la IA sea segura, útil y coherente con las intenciones humanas.

Situación en la que un sistema de IA produce sistemáticamente resultados más favorables o desfavorables para determinados grupos, casos o rasgos.

Creación de imágenes, ilustraciones, conceptos y materiales visuales con redes neuronales a partir de texto, referencias o ajustes.

Asistentes digitales impulsados por IA que responden preguntas y ayudan con tareas, textos, búsquedas, código u organización del trabajo.

Proceso de revisar de forma regular un sistema de IA, sus datos, su comportamiento, su documentación y las consecuencias de su uso.

Marco de política pública de EE. UU. sobre la protección de las personas cuando usan sistemas automatizados e inteligencia artificial.

Una preocupación debatida de que las valoraciones, la inversión y el gasto en infraestructura de IA puedan estar sobrecalentados frente a los ingresos, la adopción y el valor de negocio reales.

Conjunto de medidas que limitan las capacidades de un sistema de IA para que no supere límites seguros de comportamiento.

Paneles de expertos o comités internos que evalúan riesgos, normas y decisiones controvertidas en el desarrollo e implementación de IA.

Conjuntos de principios y reglas que ayudan a desarrollar y usar IA de forma segura, justa y transparente.

Sistema para almacenar, reutilizar y gestionar características de datos que se usan en machine learning.

Texto, imágenes, audio, video, código u otros materiales creados total o parcialmente con inteligencia artificial.

Estructuras, políticas y procesos que ayudan a una organización a desarrollar, implementar y controlar la IA de forma segura.

Reglas, filtros y barreras técnicas que ayudan a mantener un sistema de IA dentro de límites seguros y aceptables.

Principios para el uso seguro, justo y responsable de la IA en medicina y servicios relacionados.

Capacidad de entender las capacidades, limitaciones, riesgos y normas para el uso seguro de la inteligencia artificial.

Plataformas donde puedes encontrar, comparar, comprar o conectar herramientas de IA, modelos, agentes y soluciones listas para usar.

Procesos de control de modelos durante todo su ciclo de vida: desde la selección y el entrenamiento hasta el lanzamiento, la monitorización, la actualización y la retirada.

Plataforma o directorio donde se publican, buscan, descargan, prueban o conectan modelos de IA.

Sistema para registrar modelos, sus versiones, estados, métricas, responsables e historial de cambios.

Parámetros numéricos de una red neuronal que determinan cómo el modelo transforma los datos de entrada en una respuesta.

Creación de melodías, arreglos, ritmos, música de fondo o fragmentos vocales mediante redes neuronales.

Conjunto de reglas, objetivos y decisiones de una organización o gobierno sobre cómo desarrollar, usar y controlar la IA.

Área que se ocupa de reducir los riesgos derivados de errores, abusos, comportamiento impredecible y efectos perjudiciales de los sistemas de IA.

Protección de sistemas de IA frente a ataques, filtraciones, abuso, acceso no autorizado y comportamientos peligrosos.

Momento hipotético en el que el desarrollo de la IA se vuelve tan rápido y potente que sus consecuencias son difíciles de prever.

Documento en el que una organización divulga información sobre el funcionamiento, los riesgos, los datos, las limitaciones y los controles de los sistemas de IA.

Marcas o señales que ayudan a determinar que un contenido fue creado o modificado por inteligencia artificial.

Período de descenso del interés, la financiación y las expectativas sobre la inteligencia artificial tras promesas infladas y resultados débiles.

Matemático británico y uno de los científicos clave cuyas ideas sentaron las bases de la informática y de la forma de pensar sobre la inteligencia artificial.

Técnicas que ayudan a reducir sesgos injustos o sistemáticos en los datos, los modelos y las decisiones automatizadas.

Capacidad de explicar cómo funciona un algoritmo, qué datos usa y por qué toma ciertas decisiones.

Métodos de optimización inspirados en la selección, la mutación y la recombinación de la evolución.

Errores en los que la IA produce con seguridad información ficticia, inexacta o no confirmada.

Aumento artificial del conjunto de entrenamiento mediante transformaciones o generación de nuevas variantes de datos.

Rama de las matemáticas sobre funciones de una variable compleja, usada en señales, modelado y algunos métodos numéricos.

Estudio de cómo se construye el significado entre oraciones, conversaciones y contextos textuales más amplios.

Científico, docente y emprendedor conocido por su contribución al aprendizaje automático, la educación en línea y la popularización de la IA.

Búsqueda de acciones, eventos o actividad de red inusuales que pueden indicar un ataque, una filtración o una intrusión.

Empresa de IA conocida por la familia de modelos Claude y su enfoque en la seguridad, la controlabilidad y la fiabilidad de la IA.

Plataforma de streaming de datos que ayuda a los sistemas a compartir eventos en tiempo real.

Interfaces de software por las que las aplicaciones se conectan a modelos y servicios de IA para generar, reconocer o analizar datos.

Diseño y creación de interfaces de software mediante las cuales los servicios intercambian datos y funciones.

Direcciones o rutas de API mediante las que la aplicación accede a una función específica del servicio.

Método de aprendizaje automático en el que el modelo elige los ejemplos más útiles para que los etiquete una persona.

Enfoque de aprendizaje automático que encuentra patrones en datos sin respuestas objetivo etiquetadas.

Un enfoque del aprendizaje automático en el que un agente aprende a elegir acciones al recibir recompensas o penalizaciones de un entorno.

Método que infiere funciones de recompensa observando el comportamiento de expertos.

Aprendizaje por refuerzo que usa redes neuronales profundas para aprender decisiones a partir de la interacción y la recompensa.

Familia de métodos de aprendizaje automático que usan redes neuronales multicapa para aprender patrones a partir de datos.

Método para encontrar relaciones y reglas frecuentes en conjuntos de datos, especialmente en cestas de compra y transacciones.

Experimento mental sobre si una respuesta correcta implica comprender realmente el significado.

Modelos de la estructura de un sistema inteligente que describen la memoria, los objetivos, la percepción y la toma de decisiones.

Una IA hipotética que puede resolver una amplia gama de tareas al nivel humano o superior, en lugar de limitarse a una tarea concreta y especializada.

Modelos de aprendizaje automático inspirados en una red de nodos interconectados que aprenden a transformar datos en el resultado deseado.

Chip especializado diseñado para realizar un tipo concreto de cálculo con la máxima eficiencia posible.

Métodos de aprendizaje automático que buscan relaciones consistentes entre elementos, eventos o características en los datos.

Método de aprendizaje por refuerzo en el que varios agentes aprenden y actualizan un modelo común en paralelo.

Métrica que indica qué tan bien un clasificador separa ejemplos positivos y negativos en distintos umbrales.

Revisión de un sistema de IA para evaluar calidad, riesgos, seguridad, equidad, cumplimiento y uso adecuado en entornos reales.

Revisión de sistemas de IA para detectar riesgos como sesgos, privacidad, opacidad y resultados perjudiciales.

Verificación de la identidad de un usuario, servicio o dispositivo antes de acceder al sistema.

Comprobación de qué datos y acciones están permitidos para un usuario o servicio ya autenticado.

Modelos de redes neuronales que aprenden a comprimir datos en una representación compacta y a restaurarlos.

Trasladar acciones repetitivas a un sistema que las realiza según reglas, datos o decisiones de IA sin intervención manual constante.

Uso de IA para realizar tareas repetitivas, transferir datos entre servicios y dar soporte a escenarios de trabajo de varios pasos.

Un enfoque en el que el sistema ayuda a seleccionar automáticamente modelos, características, parámetros y etapas de entrenamiento.