Glosario de inteligencia artificial
Definiciones cortas de los términos de IA y aprendizaje automático que aparecen en los artículos, desde qué es un token hasta cómo se mide si un modelo acierta.
A
- Agente de IA
Un sistema donde un modelo no solo responde, sino que decide pasos y usa herramientas (buscar, ejecutar código, llamar APIs) para cumplir un objetivo.
Lo explico en detalle en: Instalar 40 skills no te hace programador: desarrollo modular con IA desde los fundamentos
- Alucinación
Cuando un modelo genera información falsa con apariencia de ser cierta, por ejemplo citar un estudio que no existe. Por eso conviene verificar los datos importantes.
- API
Application Programming Interface: una vía para que un programa le pida cosas a otro programa. En IA, suele ser la puerta para enviar un texto a un modelo y recibir su respuesta.
Lo explico en detalle en: OpenAI Decisions API: el nuevo rival de Jev y Laya, analizado
B
- Benchmark
Una prueba estándar con preguntas o tareas fijas para comparar modelos de forma justa. Sus resultados solo dicen algo sobre esa prueba, no necesariamente sobre tu caso.
Lo explico en detalle en: JEV vs. Laya: Comparativa Real en Inferencia System One y Lecciones Aprendidas
- BERT / ModernBERT
BERT es un modelo de lenguaje de Google pensado para entender texto (clasificarlo, comparar significados) más que para escribirlo. ModernBERT es una versión más reciente de esa misma idea.
Lo explico en detalle en: JEV vs. Laya: Comparativa Real en Inferencia System One y Lecciones Aprendidas
- BLEU
Una métrica clásica que compara un texto generado con uno de referencia contando cuántas secuencias de palabras coinciden. Se usa sobre todo en traducción; mide parecido literal, no si el sentido es correcto.
Lo explico en detalle en: Attention Is All You Need: el paper que creó a ChatGPT (y cómo usarlo a tu favor)
- Brier score
Una métrica que mide qué tan buenas son las probabilidades que da un modelo: penaliza tanto equivocarse como estar muy seguro al equivocarse. Cuanto menor, mejor.
Lo explico en detalle en: JEV vs. Laya: Comparativa Real en Inferencia System One y Lecciones Aprendidas
C
- Calibración
Qué tan bien coincide la confianza que declara un modelo con su acierto real. Un modelo calibrado que dice estar 80 % seguro debería acertar alrededor del 80 % de esas veces.
Lo explico en detalle en: JEV vs. Laya: Comparativa Real en Inferencia System One y Lecciones Aprendidas
E
- ECE
Expected Calibration Error: una cifra que resume cuánto se desvía la confianza de un modelo de su acierto real. Cuanto más cerca de 0, mejor calibrado.
Lo explico en detalle en: JEV vs. Laya: Comparativa Real en Inferencia System One y Lecciones Aprendidas
- Embedding
Una representación numérica del significado de un texto (una lista de números). Textos con significado parecido quedan cerca, lo que permite buscar por sentido y no solo por palabras exactas.
Lo explico en detalle en: JEV y el Paradigma System One: Por qué generar texto token por token es un desperdicio para tomar decisiones
- Endpoint
La dirección concreta de una API a la que se envían las peticiones, por ejemplo la URL a la que mandas un texto para clasificarlo.
Lo explico en detalle en: OpenAI Decisions API: el nuevo rival de Jev y Laya, analizado
F
- F1 / Macro F1
F1 combina en un solo número la precisión (cuántas de las alertas eran correctas) y la exhaustividad (cuántos casos reales se detectaron). Macro F1 promedia el F1 de cada clase por igual, por lo que no se deja engañar por una clase muy frecuente.
Lo explico en detalle en: Clasificar Texto Sucio a Gran Escala: cómo armar un pipeline con JEV y un LLM verificador
- Falso positivo
Cuando un sistema marca algo como positivo y en realidad no lo es: un filtro de spam que manda un correo legítimo a la carpeta de basura. Su contrario, el falso negativo, es no detectar algo que sí era.
Lo explico en detalle en: Clasificar Texto Sucio a Gran Escala: cómo armar un pipeline con JEV y un LLM verificador
- Few-shot
Incluir unos pocos ejemplos resueltos dentro del prompt para que el modelo imite el formato y el criterio. Suele mejorar los resultados sin tener que reentrenar el modelo.
Lo explico en detalle en: Clasificar Texto Sucio a Gran Escala: cómo armar un pipeline con JEV y un LLM verificador
- Fine-tuning
Reentrenar un modelo ya existente con datos de una tarea concreta para que se vuelva mejor en ella. Requiere ejemplos etiquetados y tiempo de cómputo.
Lo explico en detalle en: JEV vs. Laya: Comparativa Real en Inferencia System One y Lecciones Aprendidas
G
- Generación autorregresiva
La forma en que los modelos de lenguaje escriben: producen un token, lo añaden al texto y con eso calculan el siguiente, y así sucesivamente. Por eso las respuestas largas tardan más.
Lo explico en detalle en: JEV y el Paradigma System One: Por qué generar texto token por token es un desperdicio para tomar decisiones
- GPT
Generative Pre-trained Transformer: una familia de modelos de lenguaje creada por OpenAI, base de ChatGPT. Generan texto prediciendo la siguiente palabra.
Lo explico en detalle en: Attention Is All You Need: el paper que creó a ChatGPT (y cómo usarlo a tu favor)
- GPU
Unidad de procesamiento gráfico: un tipo de chip muy bueno haciendo muchos cálculos en paralelo, por lo que es el hardware habitual para entrenar y ejecutar modelos de IA.
I
- Inteligencia artificial generativa
Sistemas de IA que producen contenido nuevo (texto, imágenes, código) a partir de lo que aprendieron de grandes cantidades de datos. ChatGPT y Gemini son ejemplos.
- Intervalo de confianza (IC 95 %)
Un rango de valores plausibles para una cifra medida con una muestra limitada. Un IC del 95 % indica la incertidumbre: cuanto más ancho, menos seguro es el resultado.
Lo explico en detalle en: Clasificar Texto Sucio a Gran Escala: cómo armar un pipeline con JEV y un LLM verificador
J
- JEV
Un modelo System One ofrecido en la nube por TypeSafe AI para decisiones estructuradas, con hasta 255 opciones y confianza calibrada. Se analiza en los artículos del blog.
Lo explico en detalle en: JEV y el Paradigma System One: Por qué generar texto token por token es un desperdicio para tomar decisiones
K
- KV cache
Una memoria interna donde el modelo guarda cálculos ya hechos del texto previo para no repetirlos al generar cada nuevo token. Acelera la generación a cambio de usar más memoria.
Lo explico en detalle en: JEV y el Paradigma System One: Por qué generar texto token por token es un desperdicio para tomar decisiones
L
- Latencia
El tiempo que pasa entre que envías una petición y recibes la respuesta. En IA importa porque un modelo más preciso suele ser también más lento.
Lo explico en detalle en: OpenAI Decisions API: el nuevo rival de Jev y Laya, analizado
- Laya
Un modelo de código abierto de ConvAI, basado en ModernBERT, que se ejecuta en tu propia infraestructura. En el blog se compara con JEV.
Lo explico en detalle en: JEV vs. Laya: Comparativa Real en Inferencia System One y Lecciones Aprendidas
- Línea base de clase mayoritaria
El resultado de un "modelo" trivial que siempre responde la clase más común. Sirve de piso de comparación: si tu modelo no supera esa cifra, no está aportando nada.
Lo explico en detalle en: Clasificar Texto Sucio a Gran Escala: cómo armar un pipeline con JEV y un LLM verificador
- LLM
Large Language Model (modelo de lenguaje grande): un modelo de IA entrenado con enormes cantidades de texto para predecir la siguiente palabra y, con eso, responder, resumir o escribir.
Lo explico en detalle en: Attention Is All You Need: el paper que creó a ChatGPT (y cómo usarlo a tu favor)
- llms.txt
Un archivo propuesto como convención, en la raíz de un sitio, que resume en texto simple de qué trata el sitio y a qué páginas apuntar, pensado para que los modelos de IA lo lean con facilidad. No es un estándar oficial ni garantiza que ninguna IA lo use.
- Logits y softmax
Los logits son las puntuaciones crudas que un modelo asigna a cada opción posible. Softmax las convierte en probabilidades que suman 100 %.
Lo explico en detalle en: JEV y el Paradigma System One: Por qué generar texto token por token es un desperdicio para tomar decisiones
M
- MCP
Model Context Protocol: un estándar abierto para que una IA se conecte a herramientas y fuentes de datos (archivos, bases de datos, aplicaciones) de forma uniforme.
Lo explico en detalle en: Instalar 40 skills no te hace programador: desarrollo modular con IA desde los fundamentos
- Mecanismo de atención
La técnica que permite a un modelo decidir qué partes del texto son más relevantes para interpretar cada palabra. Es lo que le permite entender que "ella" se refiere a una persona mencionada varias líneas antes.
Lo explico en detalle en: Attention Is All You Need: el paper que creó a ChatGPT (y cómo usarlo a tu favor)
- Modelo System One
Un modelo rápido y no generativo, diseñado para tomar decisiones estructuradas (clasificar, elegir una opción) en lugar de redactar texto. Suele ser mucho más ligero y veloz que un LLM para esas tareas.
Lo explico en detalle en: JEV y el Paradigma System One: Por qué generar texto token por token es un desperdicio para tomar decisiones
P
- p50 / p95
Percentiles de latencia. El p50 es la mediana: la mitad de las peticiones tarda menos que eso. El p95 indica que el 95 % tarda menos; muestra lo que pasa en los casos lentos.
Lo explico en detalle en: OpenAI Decisions API: el nuevo rival de Jev y Laya, analizado
- Parámetros de un modelo
Los números internos que un modelo ajusta al entrenarse y que guardan lo que aprendió. Suelen usarse como medida de tamaño: un modelo de 7B tiene 7.000 millones.
Lo explico en detalle en: JEV vs. Laya: Comparativa Real en Inferencia System One y Lecciones Aprendidas
- Prompt
El texto de instrucciones que le das a un modelo de IA para que haga una tarea. La claridad del prompt influye mucho en la calidad de la respuesta.
- Prompt caching
Una función de algunas APIs que reutiliza el procesamiento de la parte repetida de un prompt (por ejemplo, instrucciones largas) para que las siguientes peticiones sean más rápidas y baratas.
Lo explico en detalle en: OpenAI Decisions API: el nuevo rival de Jev y Laya, analizado
- p-valor
Una medida estadística de qué tan probable sería ver una diferencia tan grande como la observada si en realidad no hubiera ninguna. Un p-valor bajo sugiere que el resultado no es solo casualidad, pero no mide su importancia práctica.
Lo explico en detalle en: Clasificar Texto Sucio a Gran Escala: cómo armar un pipeline con JEV y un LLM verificador
R
- RAG
Retrieval-Augmented Generation: antes de responder, el sistema busca documentos relevantes y se los entrega al modelo como contexto. Reduce las alucinaciones y permite responder con información propia o reciente.
- RLHF
Reinforcement Learning from Human Feedback: una etapa de entrenamiento en la que personas califican respuestas del modelo y este aprende a producir las mejor valoradas. Es una de las razones por las que los asistentes suenan tan serviciales.
- Router de modelos
Un componente que decide a qué modelo enviar cada petición: el rápido y barato para casos simples, el más potente para los difíciles.
Lo explico en detalle en: JEV y el Paradigma System One: Por qué generar texto token por token es un desperdicio para tomar decisiones
S
- Salidas estructuradas (Structured Outputs)
Una función de algunas APIs que obliga al modelo a responder con un formato definido de antemano, normalmente JSON con campos concretos. Evita respuestas que el programa no puede leer.
Lo explico en detalle en: OpenAI Decisions API: el nuevo rival de Jev y Laya, analizado
T
- Temperatura
Un ajuste que controla cuán variable es la respuesta del modelo. Con temperatura baja responde de forma más predecible; con temperatura alta, más variada y creativa.
- Token
La unidad en la que un modelo divide el texto para procesarlo: puede ser una palabra, parte de una palabra o un signo. Los modelos se cobran y se limitan por tokens.
Lo explico en detalle en: Attention Is All You Need: el paper que creó a ChatGPT (y cómo usarlo a tu favor)
- Transformer
La arquitectura de red neuronal, presentada en 2017, que está detrás de casi todos los modelos de lenguaje actuales. Su idea central es el mecanismo de atención.
Lo explico en detalle en: Attention Is All You Need: el paper que creó a ChatGPT (y cómo usarlo a tu favor)
U
- Umbral de confianza
El nivel mínimo de confianza que exiges para aceptar la respuesta de un modelo. Por debajo del umbral, el caso se descarta o se pasa a una persona o a otro modelo.
Lo explico en detalle en: JEV y el Paradigma System One: Por qué generar texto token por token es un desperdicio para tomar decisiones
V
- Ventana de contexto
La cantidad máxima de texto (en tokens) que un modelo puede tener en cuenta a la vez, sumando tu pregunta, el historial y su respuesta. Lo que queda fuera de la ventana, el modelo no lo "ve".
Lo explico en detalle en: Gemini 4 Argon: El fin de las respuestas cortadas y el salto al millón de tokens de salida
Z
- Zero-shot
Pedirle a un modelo una tarea sin darle ejemplos previos, solo la instrucción. Funciona si la tarea es suficientemente común o clara.
Lo explico en detalle en: Clasificar Texto Sucio a Gran Escala: cómo armar un pipeline con JEV y un LLM verificador