Glosario de inteligencia artificial

AESIA: Agencia Española de Supervisión de la Inteligencia Artificial.
Agente de IA: Sistema que, además de responder, puede planificar pasos y usar herramientas para completar una tarea con cierta autonomía.
Ajuste fino: Entrenamiento adicional de un modelo con datos específicos para especializarlo en una tarea.
Alfabetización en IA: Conocimientos y competencias para usar sistemas de IA de forma informada y responsable.
Alucinación: Respuesta que parece correcta pero contiene datos, citas o hechos inventados o erróneos.
Anonimización: Proceso por el que se eliminan o transforman los datos de un conjunto de forma que ya no se pueda identificar a las personas. Si aún es posible reidentificarlas, no se considera completa.
API: Interfaz que permite a un programa usar los servicios de otro, por ejemplo para enviar un texto a un modelo y recibir su respuesta.
Aprendizaje automático: Conjunto de técnicas con las que un sistema aprende patrones a partir de ejemplos en lugar de seguir reglas escritas una a una. Es la base de la mayoría de herramientas de IA actuales.
Aprendizaje profundo: Rama del aprendizaje automático que usa redes neuronales con muchas capas para detectar patrones complejos en texto, imágenes o audio. Requiere grandes cantidades de datos y mucha capacidad de cálculo.
Aprendizaje supervisado: Método de entrenamiento con ejemplos etiquetados, es decir, con la respuesta correcta incluida. Sirve, por ejemplo, para clasificar correos como deseados o no deseados a partir de casos ya corregidos.
Automatización: Uso de herramientas para ejecutar tareas repetitivas sin intervención manual en cada paso. Con IA puede incluir interpretar textos o clasificar información, y requiere pruebas y supervisión para no repetir errores a escala.
Base de conocimiento: Colección organizada de documentos o datos propios que un sistema puede consultar para responder. Su calidad y actualización determinan la fiabilidad de las respuestas basadas en ella.
Base de datos vectorial: Almacén que guarda representaciones numéricas del significado de textos para localizar con rapidez los fragmentos más parecidos a una consulta. Es una pieza habitual de los sistemas que consultan documentos propios.
Cadena de pensamiento: Estrategia que consiste en pedir al modelo que razone paso a paso antes de responder. Puede mejorar resultados en problemas complejos, aunque el razonamiento mostrado también puede contener errores.
Caja negra: Sistema cuyo funcionamiento interno no se puede inspeccionar o interpretar fácilmente, aunque se vean sus entradas y salidas. Muchos modelos actuales lo son, lo que dificulta auditar sus decisiones.
Chatbot: Programa que mantiene conversaciones con personas, con o sin IA generativa.
Código abierto (modelos abiertos): Modelos cuyos pesos o código se publican bajo licencias que permiten su uso, con condiciones que varían de una licencia a otra.
Contenido sintético: Contenido generado o manipulado por IA, como textos, imágenes, audios o vídeos, incluidas las suplantaciones realistas.
Cuantización: Técnica que reduce la precisión numérica de un modelo para que ocupe menos memoria y se ejecute más rápido, a costa de cierta pérdida de calidad. Permite usar modelos en equipos modestos.
Datos de entrenamiento: Textos, imágenes, audios u otros ejemplos con los que se enseña a un modelo. Su calidad, variedad y origen condicionan lo que sabe, sus errores y los sesgos que puede reproducir.
Datos personales: Cualquier información sobre una persona identificada o identificable, protegida por el RGPD.
Deepfake: Imagen, vídeo o audio manipulado o generado con IA para que parezca real, a menudo imitando a una persona concreta. Puede usarse para engañar, por lo que conviene verificar el origen antes de compartir.
Embedding: Representación numérica de un texto que permite comparar su significado y buscar contenidos parecidos.
Entrenamiento: Proceso en el que un modelo ajusta sus parámetros a partir de muchos ejemplos hasta mejorar en una tarea. Es costoso y ocurre antes de que usemos la herramienta, no durante cada conversación.
Evaluación comparativa: Conjunto de pruebas estándar que sirven para medir y comparar el rendimiento de distintos modelos. Sus resultados son orientativos, porque no siempre reflejan cómo funcionará el modelo en tu tarea real.
Evaluación de impacto: Análisis previo de los riesgos que un sistema o tratamiento puede suponer para las personas, con medidas para reducirlos. Es una buena práctica antes de introducir IA en procesos que afectan a terceros.
Explicabilidad: Capacidad de entender y contar por qué un sistema ha dado un resultado concreto. En decisiones que afectan a personas, poder justificarlas es esencial y no siempre es fácil con modelos complejos.
Few-shot: Técnica que consiste en incluir en el prompt algunos ejemplos de lo que quieres antes de la tarea real. Ayuda al modelo a imitar el formato y el estilo deseados con más precisión.
Humano en el circuito: Diseño en el que una persona supervisa, corrige o aprueba las salidas de un sistema automático antes de que tengan efecto. Es la salvaguarda básica en procesos con consecuencias para clientes o empleados.
IA generativa: Sistemas que generan contenido nuevo, como texto, imágenes, audio o código, a partir de instrucciones.
Inferencia: Momento en que un modelo ya entrenado produce una respuesta a una consulta nueva. Es lo que ocurre cada vez que escribes un mensaje y recibes un resultado, distinto del entrenamiento.
Instrucciones personalizadas: Ajuste que permite indicar una vez tus preferencias, como idioma, tono o nivel de detalle, para que el asistente las tenga en cuenta. Evitan repetirlas, pero conviene no incluir datos sensibles.
Inteligencia artificial: Conjunto de técnicas que permiten a un sistema informático realizar tareas que normalmente requieren inteligencia humana, como entender lenguaje, reconocer imágenes o tomar decisiones.
Jailbreak: Intento de saltarse las restricciones de seguridad de un asistente mediante instrucciones ingeniosas para que haga lo que tiene vedado. Es una práctica contraria a las normas del servicio y un riesgo que los desarrolladores intentan mitigar.
Licencia: Condiciones bajo las que se permite usar, copiar o modificar una obra, un programa o un modelo. Conocerla evita usos indebidos, sobre todo en proyectos comerciales o al reutilizar material abierto.
Marca de agua digital: Señal, visible o invisible, que se incorpora a un contenido para indicar su origen o que ha sido generado por IA. Ayuda a identificarlo, aunque no siempre resiste ediciones ni es universal.
Minimización de datos: Principio de recopilar y usar solo los datos estrictamente necesarios para una finalidad. Aplicado a la IA, significa no pegar en un asistente más información personal de la que la tarea requiere.
Modelo de lenguaje: Sistema entrenado con grandes cantidades de texto que predice y genera lenguaje; es la base de los asistentes conversacionales.
Modelo local: Modelo que se ejecuta en tu propio equipo o servidor en lugar de en la nube de un proveedor.
Moderación de contenidos: Revisión de textos, imágenes o vídeos para detectar material dañino, ilegal o inapropiado, manual o con ayuda de IA. Ningún sistema es perfecto, por lo que suelen combinarse filtros automáticos y revisión humana.
Multimodal: Capaz de trabajar con varios tipos de datos, como texto, imágenes y audio.
Parámetros: Valores numéricos internos que el modelo ajusta al entrenarse y que determinan cómo procesa la información. Su número suele usarse para hablar del tamaño del modelo, aunque más no siempre significa mejor.
Plantilla de prompt: Texto reutilizable con huecos para variables, que estandariza cómo se formula una petición recurrente. Ahorra tiempo y mejora la coherencia, sobre todo cuando varias personas hacen la misma tarea.
Procesador gráfico: Chip especializado en hacer muchos cálculos a la vez, muy utilizado para entrenar y ejecutar modelos de IA. Su disponibilidad y consumo energético influyen en el coste y el impacto ambiental de estos sistemas.
Procesamiento del lenguaje natural: Área de la IA que trabaja con el lenguaje humano: entender, traducir, resumir o generar texto. Permite que interactuemos con las máquinas con frases normales y no con órdenes técnicas.
Prompt: Instrucción o conjunto de instrucciones que se da a un sistema de IA para obtener una respuesta.
Prompt de sistema: Instrucciones iniciales, normalmente ocultas al usuario, que definen cómo debe comportarse un asistente: tono, límites y funciones. Condiciona todas las respuestas posteriores de esa herramienta.
Prompt injection: Ataque que introduce instrucciones maliciosas en el contenido que procesa el modelo para que ignore las del usuario o desarrollador.
Propiedad intelectual: Conjunto de derechos que protegen las creaciones, como textos, imágenes o música. En IA genera debates sobre los datos de entrenamiento y la autoría de los resultados, de modo que conviene informarse antes de comercializar.
RAG: Recuperación aumentada: técnica que busca información en documentos propios y la entrega al modelo para responder con ese contexto.
Reconocimiento óptico de caracteres: Tecnología que convierte texto de una imagen o un documento escaneado en texto editable. Es útil para digitalizar papeles, pero conviene revisar números y nombres porque puede confundir caracteres parecidos.
Red neuronal: Estructura matemática formada por capas de nodos conectados, inspirada de forma muy libre en el cerebro. Ajusta sus conexiones durante el entrenamiento para transformar una entrada en una salida útil.
Reglamento de IA: Reglamento europeo que establece normas armonizadas sobre inteligencia artificial según el nivel de riesgo.
RGPD: Reglamento General de Protección de Datos de la Unión Europea, que regula el tratamiento de datos personales.
Sesgo: Tendencia sistemática de un sistema a favorecer o perjudicar ciertos resultados o grupos, heredada de los datos o del diseño.
Sesgo de automatización: Tendencia humana a confiar en lo que dice una máquina por encima de la propia observación, incluso cuando es erróneo. Se combate con revisión activa y criterios de contraste definidos de antemano.
Seudonimización: Sustitución de datos identificativos por códigos o alias, manteniendo aparte la información que permitiría reconectarlos. Reduce riesgos, pero los datos siguen siendo personales porque la persona puede identificarse.
Síntesis de voz: Generación de audio hablado a partir de texto mediante modelos. Sirve para accesibilidad o narración, pero también puede imitar voces reales, por lo que exige consentimiento y transparencia en su uso.
Sobreajuste: Fallo en el que un modelo se aprende demasiado bien los ejemplos de entrenamiento y rinde peor con casos nuevos. Es como memorizar un examen sin comprender la materia.
Temperatura: Parámetro que controla la variabilidad de las respuestas: valores bajos dan respuestas más predecibles y altos más creativas.
Token: Fragmento de texto, a menudo una parte de una palabra, que el modelo procesa; sirve para medir longitudes y costes.
Transcripción automática: Conversión de audio o vídeo en texto mediante reconocimiento de voz.
Transparencia: Principio de informar con claridad de que se usa IA, con qué fin y con qué límites. Permite que las personas afectadas comprendan la situación y ejerzan sus derechos con conocimiento.
Ventana de contexto: Cantidad máxima de texto, medida en tokens, que el modelo puede considerar a la vez en una conversación.
Verificación humana: Revisión por una persona de los resultados de un sistema de IA antes de usarlos o publicarlos.
Visión por ordenador: Campo de la IA que permite interpretar imágenes y vídeo, por ejemplo reconocer objetos, leer textos impresos o describir escenas. Puede equivocarse con imágenes borrosas, inusuales o mal iluminadas.
Zero-shot: Pedir una tarea al modelo sin darle ningún ejemplo previo, confiando solo en la instrucción. Es lo más habitual al usar un asistente y funciona bien en tareas comunes y claras.