Glosario Términos IA

Interfaz de programación de aplicaciones. Es un conjunto de reglas y especificaciones que permiten que diferentes aplicaciones de software se comuniquen e intercambien datos entre sí.

Proceso de descubrir patrones, tendencias y conocimientos útiles a partir de grandes conjuntos de datos.

Subcampo del Machine Learning que usa redes neuronales con múltiples capas para aprender representaciones complejas de los datos. Es especialmente eficaz en reconocimiento de imágenes, lenguaje natural y voz.

Tipo de IA capaz de generar contenido nuevo y original, como texto, imágenes, audio, video o código. Los Modelos de Lenguaje Grande (LLMs) son un ejemplo de IA generativa para texto.

Procesamiento Inteligente de Documentos. Soluciones de IA que automatizan la extracción, clasificación y validación de información de documentos no estructurados o semiestructurados (por ejemplo, facturas, contratos, correos electrónicos).

Campo de la informática dedicado a crear sistemas que puedan realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje, el razonamiento, la resolución de problemas, la percepción y la comprensión 1 del lenguaje natural.

Subcampo de la IA que permite a los sistemas aprender de los datos sin ser programados explícitamente. Los algoritmos de ML identifican patrones en los datos y utilizan esos patrones para hacer predicciones o tomar decisiones.

Procesamiento del Lenguaje Natural, Campo de la IA que se centra en la capacidad de las computadoras para comprender, interpretar y generar lenguaje humano.

Comprensión del Lenguaje Natural, Subcampo del NLP que se centra específicamente en la capacidad de las computadoras para comprender el significado del lenguaje humano.

Generación del Lenguaje Natural, Subcampo del NLP que se centra en la capacidad de las computadoras para generar texto en lenguaje humano coherente y contextualmente relevante.

Generación Aumentada por Recuperación. Es una arquitectura de IA que combina un modelo de lenguaje grande (LLM) con un sistema de recuperación de información. Primero, se recuperan documentos relevantes de una base de conocimiento, y luego el LLM utiliza esta información recuperada para generar respuestas más precisas y contextualmente ricas.

Modelo computacional inspirado en la estructura del cerebro humano, compuesto por nodos interconectados (neuronas artificiales) organizados en capas. Se utilizan en algoritmos de Deep Learning para aprender representaciones complejas de los datos.

Tipo de Machine Learning donde el algoritmo aprende a partir de datos etiquetados (es decir, datos con la respuesta correcta conocida). El objetivo es aprender una función que pueda mapear las entradas a las salidas correctas.

Aprendizaje no supervisado, tipo de Machine Learning donde el algoritmo aprende a partir de datos no etiquetados. El objetivo es encontrar patrones ocultos o estructuras inherentes en los datos (por ejemplo, clustering, reducción de dimensionalidad).

Aprendizaje por Refuerzo, tipo de Machine Learning donde un agente aprende a tomar decisiones en un entorno para maximizar una recompensa acumulada. El agente aprende a través de la prueba y el error, recibiendo retroalimentación (recompensas o castigos) por sus acciones.