glosario inteligencia artificial. glosario inteligencia artificial.
Relacionado: Glosario ampliado + todos los recursos
Relacionado: Glosario IA: 50 términos esenciales
glosario inteligencia artificial.
Glosario de Inteligencia Artificial
Definiciones de los términos utilizados en los artículos de la sección de IA de Vientos de Poniente.
LLM (Large Language Model)
Modelo de lenguaje de gran escala. Red neuronal entrenada con enormes cantidades de texto que puede generar, resumir y transformar lenguaje humano. Ejemplos: GPT-4, Claude, Gemini, Llama. Es el «cerebro» de los agentes de IA.
AI Agent
Sistema autónomo que utiliza un LLM para razonar, planificar y ejecutar acciones utilizando herramientas, con capacidad de memoria y aprendizaje.
Skills (Habilidades)
Capacidades específicas que un agente de IA puede ejecutar, normalmente implementadas como funciones o llamadas a API. Ejemplos: buscar en web, calcular, leer archivos.
Workflow (Flujo de trabajo)
Secuencia de pasos orquestados que un agente o sistema multi-agente sigue para completar una tarea. Puede incluir bifurcaciones, bucles y ejecución paralela.
Rules (Reglas)
Condiciones y restricciones programáticas que determinan el comportamiento de un agente: límites de seguridad, políticas de acceso, formatos de salida obligatorios.
API (Application Programming Interface)
Interfaz de programación que permite a un agente de IA comunicarse con servicios externos: bases de datos, modelos de IA, herramientas de terceros.
MCP (Model Context Protocol)
Protocolo abierto que permite a los agentes de IA conectarse de forma estandarizada a herramientas y fuentes de datos externas. Desarrollado por Anthropic. Más información en modelcontextprotocol.io.
LangGraph
Framework de orquestación de agentes basado en grafos de estado. Permite construir sistemas multi-agente con ciclos, bifurcaciones y memoria compartida. Desarrollado por LangChain. Documentación oficial.
CrewAI
Framework para orquestar agentes de IA colaborativos. Permite definir roles, tareas y equipos de agentes que trabajan juntos en secuencia. crewai.com.
OpenAI Agents SDK
Kit de desarrollo de OpenAI para construir agentes de IA. Incluye herramientas para function calling, gestión de contexto y encadenamiento de tareas. Documentación.
Fine-Tuning
Proceso de entrenamiento adicional de un modelo pre-entrenado con datos específicos para mejorar su rendimiento en una tarea concreta.
RAG (Retrieval-Augmented Generation)
Técnica que combina búsqueda en una base de conocimiento con generación de texto, permitiendo al modelo responder con información actualizada sin necesidad de reentrenamiento.
Tokenización
Proceso de convertir texto en una secuencia de números enteros (token IDs) que un modelo de lenguaje puede procesar. El método más común es Byte Pair Encoding (BPE), que aprende qué sub-palabras son las más frecuentes en un corpus y las asigna a IDs únicos. La calidad de la tokenización depende del corpus de entrenamiento: un tokenizador entrenado con texto en inglés rompe mal las palabras en español.
Token
Unidad básica de procesamiento en un modelo de lenguaje. Un token puede ser una palabra completa («house»), una sub-palabra («aprender» → «ap» + «render»), o incluso un solo carácter. Los modelos actuales usan vocabularios de 16.000 a 200.000 tokens. GPT-2 tiene 50.257 tokens; LLaMA 3 tiene 128.000. Los tokens con espacio al inicio (representados como «Ġ») son distintos de los tokens sin espacio.
Embeddings
Vectores densos de números reales que representan el significado de un token en un espacio de alta dimensionalidad. En GPT-2 small, cada token se mapea a un vector de 768 dimensiones; en GPT-3, a 12.288 dimensiones. Los embeddings se aprenden durante el entrenamiento del modelo: empiezan aleatorios y se van refinando para capturar relaciones semánticas. La capa de embedding es simplemente una tabla lookup —para cada token ID, devuelve su vector correspondiente— y es la primera capa de cualquier transformer.
Prompt
Instrucción o texto de entrada que se envía a un modelo de lenguaje para obtener una respuesta. El diseño del prompt (prompt engineering) es determinante en la calidad de la salida.
Contexto (Context Window)
Cantidad de texto (medida en tokens) que un modelo de lenguaje puede procesar en una sola interacción. Define el «espacio de trabajo» disponible para el modelo.
Alucinación
Respuesta de un modelo de IA que parece convincente pero es incorrecta o inventada. Las alucinaciones son un problema fundamental de los LLMs, especialmente en datos fácticos o numéricos.
Function Calling
Capacidad de un modelo de lenguaje para invocar funciones externas (APIs, herramientas) como parte de su respuesta. Es la base del uso de herramientas por agentes de IA.
Temperatura
Parámetro que controla la aleatoriedad de las respuestas de un modelo de lenguaje. Valores bajos (0.1-0.3) producen respuestas más deterministas; valores altos (0.8-1.5) generan respuestas más creativas.
Sistema multi-agente
Arquitectura donde múltiples agentes de IA colaboran para resolver una tarea compleja. Cada agente puede tener un rol especializado y comunicarse con los demás.
Orquestación
Coordinación de múltiples agentes, herramientas y flujos de trabajo para completar tareas complejas. Incluye gestión de estado, reintentos y manejo de errores.
Evaluación de IA
Proceso de medir el rendimiento de un modelo o agente de IA mediante benchmarks, métricas automatizadas y revisión humana. Incluye evaluación de precisión, seguridad y utilidad.
Herramientas (Tools)
Funciones externas que un agente de IA puede invocar para realizar acciones: buscar en web, ejecutar código, acceder a bases de datos, enviar mensajes. Las herramientas extienden las capacidades del modelo más allá del texto.
IA Agéntica (Agentic AI)
Sistemas de IA capaces de actuar de forma autónoma para alcanzar objetivos, tomando decisiones y ejecutando acciones sin intervención humana continua. Los agentes agénticos pueden planificar, usar herramientas y colaborar con otros agentes.
Tokenizador
Componente que divide el texto en unidades más pequeñas (tokens) que el modelo de lenguaje puede procesar. Diferentes modelos usan diferentes tokenizadores, lo que afecta cómo se procesa el texto y el coste de la API.
Transformers
Arquitectura de red neuronal basada en el mecanismo de atención, introducida en 2017. Es la base de la mayoría de los LLMs modernos (GPT, Claude, Llama, etc.) y permite procesar secuencias largas de texto de forma eficiente.
Metadatos
Datos que describen otros datos: título, autor, fecha, categoría, etiquetas, esquema. En sistemas RAG, los metadatos permiten filtrar y organizar la información para mejorar la recuperación.
Inferencia
Proceso mediante el cual un modelo de IA genera una respuesta a partir de una entrada. Es la fase de «uso» del modelo, en contraste con el entrenamiento. La inferencia requiere capacidad computacional (GPU/CPU) y tiempo.
API (Application Programming Interface)
Interfaz que permite a un programa comunicarse con un servicio externo. En IA, las APIs de OpenAI, Anthropic, Google, etc. permiten acceder a modelos de lenguaje sin necesidad de ejecutarlos localmente.
Reglamento de IA
Marco legal que regula el desarrollo y uso de sistemas de inteligencia artificial. El Reglamento Europeo de IA (AI Act) clasifica los sistemas por riesgo y establece obligaciones para proveedores y usuarios.
Ventana de Contexto
Sinónimo de «context window». Cantidad máxima de tokens que un modelo puede procesar en una sola solicitud. Las ventanas modernas varían de 4K a 1M+ tokens según el modelo.
Llamadas a Función
Mecanismo por el cual un LLM solicita la ejecución de una función específica durante la generación de texto. El modelo produce una salida estructurada que el sistema interpreta como una llamada a herramienta externa.
Modelos LLM
Modelos de lenguaje de gran escala entrenados con enormes cantidades de texto. Incluye modelos generativos (GPT-4, Claude, Llama) que pueden producir texto coherente y realizar tareas de razonamiento, traducción, resumen, etc.
Artículos relacionados
- AI Harnesses: la infraestructura del agente
- Predicciones IA 2027
- Glosario ampliado + todos los recursos
Ver también: PARTE 3: La Habana 1762: cuando la logística falló | Viento en las velas: cómo la Royal Navy venció al escorbuto. Fuente: Glosario de Inteligencia Artificial.
Ver también en el glosario: Artículos Relacionados, Artículos Relacionados, Artículos Relacionados, Sistema Multi-Agente, Ventana De Contexto, Llamadas A Función, Openai Agents Sdk, Reglamento De Ia
Deja una respuesta