Estos son algunos de los conceptos básicos de la IA que debes conocer para mantenerte actualizado.
Como buena nueva moda, la Inteligencia Artificial, IA, llega con un glosario de términos nuevos que debemos aprender para no perdernos y entender de que se habla en la actualidad.
| Concepto | Definición detallada |
|---|---|
| LLM (Large Language Model) | Un modelo de lenguaje entrenado con cantidades masivas de texto. Es capaz de generar, resumir, traducir y comprender texto. Su función principal es predecir la siguiente palabra en una frase, pero a gran escala puede mantener conversaciones, responder preguntas, escribir código y más. Ejemplos: ChatGPT, Gemini, Claude. |
| RAG (Retrieval-Augmented Generation) | Técnica que combina un LLM con búsqueda externa. Antes de que el modelo responda, se consulta información actualizada en bases de datos o documentos, que se envía como contexto al modelo. Así se obtienen respuestas precisas y actualizadas, incluso con datos privados o recientes. |
| Agente (AI Agent) | Una IA que no solo responde texto, sino que toma decisiones y ejecuta acciones usando herramientas externas. Puede interactuar con APIs, bases de datos o sistemas de terceros para automatizar tareas, como reservar vuelos, generar informes o enviar emails. |
| Prompt | El texto o instrucción que proporcionas a un LLM para guiar su respuesta. Puede ser una pregunta simple o un contexto detallado con pasos específicos. |
| Prompt Engineering | Técnica de diseño de prompts efectivos para obtener mejores resultados. Implica estructurar instrucciones claras, establecer el rol del modelo y definir el formato de salida esperado. |
| Embedding | Representación numérica (vector) de un texto. Permite que un sistema entienda similitudes entre frases o documentos. Se usa para búsquedas semánticas, recomendaciones y RAG, ya que ayuda a encontrar información relacionada aunque no se usen las mismas palabras. |
| Fine-Tuning (Ajuste fino) | Entrenar un modelo ya existente con datos propios para que se adapte a un caso de uso específico. Ideal cuando necesitas un tono particular, conocimiento especializado o respuestas muy personalizadas. |
| Zero-Shot, One-Shot y Few-Shot Learning | Métodos para guiar al modelo a través de ejemplos dentro del prompt: Zero-Shot (sin ejemplos), One-Shot (un ejemplo), Few-Shot (varios ejemplos). Esto permite mejorar las respuestas sin hacer un entrenamiento adicional. |
| Token | Unidad mínima de texto procesada por el modelo. Puede ser una palabra, parte de ella o un símbolo. Los costes y límites de uso de un LLM se miden en tokens. Por ejemplo, «Hola mundo.» se divide en 3 tokens: «Hola», «mundo», «.» |
| Chain of Thought (Razonamiento paso a paso) | Técnica en la que el modelo explica internamente su razonamiento antes de dar la respuesta final. Mejora la precisión en problemas complejos como matemáticas o programación. |
| Guardrails / Moderation | Conjunto de reglas y filtros para controlar lo que la IA puede decir o hacer. Protege contra respuestas peligrosas, datos sensibles o contenido no deseado. |
| Vector Database | Base de datos optimizada para almacenar y buscar embeddings. Fundamental en sistemas RAG, ya que permite encontrar rápidamente documentos relevantes basándose en su significado, no solo en palabras exactas. Ejemplos: Pinecone, Weaviate, Redis Vector. |
| Context Window | Cantidad máxima de información que un LLM puede procesar en una sola interacción, incluyendo el prompt, datos de contexto y la respuesta. Si se supera el límite, el modelo «olvida» información previa. |
| MCP (Model Context Protocol) | Modelo que ayuda a los modelos de inteligencia artificial a entender y mantener el contexto de la información. Gracias a él, los modelos pueden dar respuestas más precisas y coherentes, incluso en conversaciones o procesos largos. |
