Glosario

Definiciones claras de los términos de la IA moderna, de tokens y ventanas de contexto a inferencia, agentes y benchmarks, cada una con su explicación completa.

A

Agente de IA: Un agente de IA es un sistema de software que persigue un objetivo mediante el uso de un modelo de IA para elegir sus próximas acciones, observar los resultados y continuar hasta que termina, necesita ayuda o alcanza un límite. A diferencia de un modelo que solo produce una respuesta, un agente puede controlar un proceso de varios pasos y actuar mediante herramientas dentro de permisos establecidos.
Aprendizaje automático: El aprendizaje automático es una forma de crear software que aprende patrones a partir de ejemplos o comentarios, y usa esos patrones para hacer predicciones, tomar decisiones o generar resultados útiles sobre casos que no ha visto antes. Es un enfoque dentro de la inteligencia artificial, no un sinónimo de toda la IA.

C

Chatbot de IA: Un chatbot de IA es una aplicación de software que utiliza inteligencia artificial para mantener una conversación con una persona mediante texto o voz. Recibe mensajes, utiliza un modelo de IA para interpretarlos o responderlos y gestiona el contexto, las reglas, los datos y las acciones necesarios para continuar el intercambio.

E

Entrenamiento en IA: El entrenamiento en IA es el proceso de cambiar los valores internos ajustables de un modelo para que sus salidas satisfagan mejor un objetivo elegido. El modelo mejora mediante retroalimentación y actualizaciones repetidas, en lugar de que un programador escriba una regla para cada caso.

F

Fecha límite de conocimiento de la IA: La fecha límite de conocimiento de una IA es la fecha hasta la que se espera que el conocimiento incorporado de un modelo refleje sus datos de entrenamiento. Es un límite aproximado, no una garantía de que el modelo conozca todos los hechos anteriores ni de que un producto de IA no pueda obtener información posterior.

H

Harness de IA: Un harness de IA es el software que rodea a un modelo de IA y controla qué recibe el modelo, qué sucede con su salida y cómo se conecta el modelo con el resto de una aplicación. Puede ser tan pequeño como un código que gestiona el historial de un chat o tan grande como un entorno de ejecución que gestiona herramientas, memoria, permisos, reintentos y tareas de larga duración.

I

IA generativa: La IA generativa es inteligencia artificial que aprende patrones de datos existentes y utiliza esos patrones para producir contenido nuevo, como texto, imágenes, audio, video o código. Por lo general, genera ese contenido en respuesta a una instrucción u otra entrada.
IA multimodal: La IA multimodal es una IA que puede procesar y relacionar información de más de un tipo de datos —como texto, imágenes, audio o video— para completar una tarea. Un modelo multimodal puede aceptar una imagen y una instrucción escrita, pero producir únicamente texto; «multimodal» no significa que todos los tipos de datos funcionen tanto como entrada como salida.
Inferencia en IA: La inferencia en IA es el proceso de ejecutar un modelo entrenado sobre una entrada para producir una salida, sin actualizar lo que el modelo ha aprendido. Es la fase de uso de un modelo: entra una foto y sale una etiqueta, o entra un prompt y sale texto generado.
Inteligencia artificial: La inteligencia artificial (IA) es el campo que diseña sistemas informáticos capaces de producir resultados dirigidos a objetivos —como predicciones, contenido, recomendaciones o decisiones— mediante métodos asociados con capacidades como el aprendizaje, el razonamiento, la percepción y el lenguaje. IA también se refiere a los sistemas creados por ese campo.

L

Latencia de inferencia: La latencia de inferencia es el tiempo transcurrido entre el momento en que un sistema de IA recibe una entrada y el momento en que produce una salida específica. Una cifra de latencia solo es significativa si se sabe dónde empieza el temporizador, dónde termina y qué tipo de salida cuenta como completa.
LLM: Un modelo de lenguaje grande (LLM) es un modelo de IA entrenado con grandes colecciones de datos lingüísticos para procesar o generar secuencias de texto probables. La mayoría de los LLM utilizados para generar texto reciben un prompt y producen una respuesta de una pequeña pieza a la vez.

M

Modelo de IA: Un modelo de IA es la parte de un sistema de IA que transforma una entrada en una salida, como una predicción, clasificación, recomendación, acción o resultado generado. En el uso actual, normalmente se refiere a un modelo de aprendizaje automático cuyo comportamiento fue moldeado por datos de entrenamiento.
Modelo fundacional: Un modelo fundacional es un modelo de aprendizaje automático entrenado con datos amplios para poder adaptarse a muchas tareas diferentes, en lugar de estar diseñado para una sola. Es un punto de partida reutilizable, no una aplicación terminada.

P

Parámetros del modelo: Los parámetros del modelo son los valores numéricos almacenados dentro de un modelo ajustado que determinan cómo transforma una entrada en una salida. En una red neuronal, normalmente incluyen pesos y sesgos cuyos valores se eligen durante el entrenamiento y se reutilizan cuando el modelo realiza predicciones.
Pesos del modelo: Los pesos del modelo son números aprendidos que determinan con qué intensidad un modelo utiliza cada entrada o señal intermedia al calcular una salida. Normalmente se almacenan en grandes grupos llamados matrices o tensores, y el entrenamiento los modifica para que las salidas del modelo se ajusten mejor a su objetivo.

R

Red neuronal: Una red neuronal es un modelo de aprendizaje automático que aprende a convertir números de entrada en números de salida útiles al pasarlos por capas conectadas de cálculos simples. Esas capas forman una única función matemática entrenable, no un cerebro electrónico literal.
Rendimiento de inferencia: El rendimiento de inferencia es la cantidad de trabajo del modelo que un sistema de inferencia completa por unidad de tiempo en el conjunto de solicitudes que atiende. Puede medirse en solicitudes completadas, inferencias, muestras o tokens por segundo.

T

Tiempo hasta el primer token: El tiempo hasta el primer token, o TTFT, es el tiempo transcurrido entre el inicio de una solicitud a un modelo de lenguaje y la recepción del primer token de su respuesta. Mide la espera inicial, no la rapidez con la que llega el resto de la respuesta.
Token en IA: Un token en IA es un elemento del vocabulario que un LLM utiliza para representar y generar texto. Según el tokenizador del modelo, un token puede corresponder a una palabra, parte de una palabra, un signo de puntuación, un espacio en blanco o incluso parte de un carácter codificado.
Tokens de entrada: Los tokens de entrada son los tokens que un modelo recibe y procesa antes de empezar a generar la siguiente respuesta. Provienen de la solicitud completa dirigida al modelo, no solo de las últimas palabras que escribiste.
Tokens de razonamiento: Los tokens de razonamiento son tokens que un modelo de IA genera mientras trabaja para llegar a una respuesta, separados del texto de respuesta que ves. Representan pasos generados adicionales, como planificar, comprobar o probar un enfoque, y pueden contabilizarse para el uso y los límites aunque el servicio los oculte.
Tokens de salida: Los tokens de salida son las unidades que genera un modelo al producir una respuesta. Normalmente forman el texto, el código, los datos estructurados o las instrucciones de herramientas que recibes, aunque un proveedor también puede contabilizar el razonamiento oculto como parte del uso de salida.
Tokens por segundo: Los tokens por segundo (TPS o tok/s) miden cuántos tokens produce un sistema de IA en un segundo. El número puede describir la velocidad de salida de una sola respuesta o el rendimiento combinado de todo un sistema de servicio, por lo que la etiqueta por sí sola es incompleta.

U

Uso de herramientas en los LLM: El uso de herramientas en los LLM es un mecanismo que permite a un modelo de lenguaje solicitar una operación externa —como buscar en una base de datos, realizar un cálculo o enviar un mensaje— y utilizar el resultado devuelto en su respuesta. Por lo general, el modelo elige la herramienta y proporciona los datos de entrada propuestos; el software que lo rodea decide si ejecuta la llamada.

V

Ventana de contexto: Una ventana de contexto es la cantidad máxima de material tokenizado que un modelo de IA puede usar mientras produce una respuesta. En muchas API de modelos de lenguaje, ese presupuesto abarca la entrada y la salida generada, aunque los proveedores también pueden imponer límites independientes para la entrada o la salida.