El mundo de la inteligencia artificial está lleno de jerga y acrónimos que pueden resultar intimidantes. Para ayudarte a navegar por este fascinante campo, hemos compilado un glosario con 10 de los términos más fundamentales, explicados de forma sencilla y clara.
1. Algoritmo
Definición: Un conjunto de reglas o instrucciones paso a paso diseñadas para resolver un problema o realizar una tarea. En el contexto de la IA, los algoritmos son la receta que le dice al ordenador cómo aprender de los datos.
2. Machine Learning (Aprendizaje Automático)
Definición: Una rama de la IA donde, en lugar de programar explícitamente las reglas, se "entrena" a un algoritmo dándole una gran cantidad de datos. El algoritmo aprende a reconocer patrones en esos datos y luego puede hacer predicciones o tomar decisiones sobre datos nuevos que no ha visto antes. Es la base de la mayoría de las aplicaciones de IA modernas.
3. Deep Learning (Aprendizaje Profundo)
Definición: Un subcampo del machine learning que utiliza estructuras llamadas "redes neuronales" con muchas capas (de ahí lo de "profundo"). El deep learning es especialmente bueno para encontrar patrones muy complejos y abstractos, y es la tecnología detrás de los avances en reconocimiento de imágenes, procesamiento de lenguaje natural y coches autónomos.
4. Red Neuronal
Definición: Un sistema computacional inspirado en la estructura y funcionamiento del cerebro humano. Consiste en nodos interconectados (las "neuronas") organizados en capas. Cada conexión tiene un "peso" que se ajusta durante el entrenamiento, permitiendo a la red "aprender" a asociar entradas con salidas.
5. Gran Modelo de Lenguaje (LLM)
Definición: Un tipo de red neuronal masiva (con miles de millones de parámetros) entrenada con una cantidad ingente de texto. Su función principal es procesar y generar lenguaje humano de forma coherente. Ejemplos famosos son la familia de modelos GPT de OpenAI o Llama de Meta.
6. IA Generativa
Definición: Una categoría de IA que puede crear contenido nuevo y original, en lugar de simplemente analizar o clasificar datos existentes. Esto incluye texto (con LLMs), imágenes (con modelos como DALL-E o Midjourney), música, e incluso código.
7. Prompt
Definición: La instrucción o pregunta en lenguaje natural que se le da a un modelo de IA generativa para que realice una tarea. La calidad y especificidad del prompt son cruciales para obtener un buen resultado. La habilidad para escribir buenos prompts se conoce como "ingeniería de prompts".
8. IA Estrecha (ANI) vs. IA General (AGI)
ANI (Artificial Narrow Intelligence): Es la IA que tenemos hoy. Es extremadamente buena en una tarea específica (jugar ajedrez, reconocer caras) pero no puede transferir ese conocimiento a otros dominios.
AGI (Artificial General Intelligence): El objetivo a largo plazo de la investigación en IA. Sería una IA con la capacidad cognitiva de un humano, capaz de aprender y resolver cualquier problema. Aún no existe.
9. Alucinación
Definición: Un fenómeno en el que un modelo de IA generativa inventa información, hechos, citas o fuentes que no son reales, pero los presenta con total confianza como si lo fueran. Es una de las principales limitaciones y riesgos de los LLMs actuales.
10. Parámetros
Definición: Son los "botones" o "perillas" internas de una red neuronal que se ajustan durante el proceso de entrenamiento. El número de parámetros (que en los LLMs se cuenta por miles de millones) es una medida aproximada de la complejidad y capacidad de un modelo.