¿Te resulta más fácil leer con fondo crema, un tono de color, más contraste o un texto más grande? Elige tus colores y tu texto una sola vez, para todas las páginas.

Glosario de IA

Glosario de IA: las palabras de la ingeniería de IA, claras

48 términos y 10 comparaciones, de los tokens a MCP, cada uno en una frase clara y enlazado a la lección gratuita que lo enseña con práctica.

48 términos10 comparaciones

Términos de la A a la Z

A

Agente de código
Un agente de código es un modelo que lee un repositorio de código, edita archivos y ejecuta comandos, como las pruebas, en bucle hasta terminar una tarea.
Agente de IA
Un agente de IA es un programa en el que un modelo de lenguaje elige su siguiente paso y llama a herramientas en bucle hasta terminar la tarea o ser detenido.
Aislamiento (sandboxing)
El aislamiento ejecuta las herramientas o el código generado por un modelo en un espacio cerrado, con archivos, red y tiempo limitados, para que un error o un ataque no se extienda.
Ajuste fino (fine-tuning)
El ajuste fino es seguir entrenando un modelo existente con tus propios ejemplos para que aprenda una tarea, un estilo o un formato que antes no hacía bien.
Alucinación
Una alucinación es una respuesta de un modelo de lenguaje que suena segura y fluida pero no está respaldada por sus fuentes o es directamente falsa.
Atención (mecanismo de atención)
La atención es el paso de un transformer en el que cada token puntúa los tokens que puede ver, convierte las puntuaciones en pesos y toma una mezcla ponderada de sus valores.

B

Barreras de seguridad (guardrails)
Las barreras de seguridad son los controles alrededor de una llamada al modelo que frenan entradas y salidas no deseadas, aplicados en código y no solo pedidos en el prompt.
Bucle del agente
El bucle del agente es el ciclo central de un agente: enviar la conversación al modelo, ejecutar la herramienta que pida, añadir el resultado y repetir.
Búsqueda híbrida
La búsqueda híbrida lanza una búsqueda por palabras clave y otra vectorial sobre la misma consulta y fusiona ambas listas, para que cada una cubra el punto ciego de la otra.
Búsqueda vectorial
La búsqueda vectorial encuentra los elementos cuyos embeddings están más cerca del embedding de una consulta, así que compara significado y no palabras exactas.

C

Caché
Una caché guarda el resultado de una llamada al modelo ya hecha para poder responder otra vez a la misma petición sin pagarla dos veces.
Conjunto de referencia (golden set)
Un conjunto de referencia es una colección fija de entradas con respuestas buenas acordadas, que sirve de patrón fiable para puntuar una función de IA.
Cuantización
La cuantización guarda los pesos de un modelo con menos bits, por ejemplo 4 en lugar de 16, para que ocupe menos memoria y vaya más rápido con una pequeña pérdida de calidad.

D

Deriva del modelo
La deriva es un cambio con el tiempo en lo bien que funciona una función de IA, porque han cambiado las entradas, el mundo o el modelo que hay tras una API.
Despliegue canario
Un despliegue canario envía primero una pequeña parte del tráfico real a un modelo o prompt nuevo y solo la amplía si la calidad y los errores siguen dentro de lo acordado.

E

Embedding (vector semántico)
Un embedding es una lista de números que representa el significado de un texto, de modo que textos con significado parecido quedan cerca.
Enmascarado de datos personales
El enmascarado de datos personales localiza nombres, correos, teléfonos o direcciones en un texto y los quita o los oculta antes de enviarlo o guardarlo.
Enrutamiento de modelos
El enrutamiento de modelos envía cada petición al modelo que mejor le encaja, a menudo uno pequeño y barato para lo fácil y uno grande solo cuando hace falta.
Evaluación (eval)
Una evaluación es una prueba repetible de una función de IA: entradas fijas, una forma de puntuar cada salida y un resultado comparable entre versiones.

F

Fragmentación (chunking)
La fragmentación corta documentos largos en pasajes más pequeños antes de calcular sus embeddings, para que una búsqueda devuelva solo la parte que responde.

G

Generación aumentada por recuperación (RAG)
RAG responde una pregunta buscando primero pasajes relevantes en tus propios documentos y dándoselos después a un modelo de lenguaje para que responda a partir de ellos.

I

Inferencia
La inferencia es ejecutar un modelo entrenado para obtener una salida a partir de una entrada, frente a entrenarlo; es lo que hace cada llamada a una API o ejecución local.
Ingeniería de contexto
La ingeniería de contexto es elegir qué entra en el contexto del modelo en cada llamada, instrucciones, historial, documentos y resultados, para que tenga lo necesario y poco más.
Inyección de prompt
La inyección de prompt es un ataque en el que un texto del usuario o hallado en los datos contiene instrucciones que hacen que el modelo ignore sus propias reglas.

J

JSON Schema
JSON Schema es una forma estándar de describir la estructura de unos datos JSON, sus campos, tipos y valores obligatorios, para comprobarlos automáticamente.

L

Latencia
La latencia es cuánto espera un usuario una respuesta; en un modelo de lenguaje suele dividirse en tiempo hasta el primer token y tiempo total.
Límite de tasa
Un límite de tasa fija cuántas peticiones o tokens puedes enviar a una API en un periodo; al pasarlo, las peticiones se rechazan hasta que se reinicia la ventana.
Llamada de herramientas
La llamada de herramientas permite a un modelo de lenguaje pedir a tu programa que ejecute una función con nombre y argumentos, y luego usar el resultado.
LLM como juez
Un LLM como juez es un modelo de lenguaje que puntúa la salida de otro modelo según una rúbrica, cuando una comprobación sencilla en código no puede decidir.
LoRA (adaptación de bajo rango)
LoRA es una forma de ajustar un modelo entrenando matrices pequeñas junto a sus pesos congelados, lo que necesita mucha menos memoria que reentrenarlo todo.

M

Model Context Protocol (MCP)
El Model Context Protocol es un estándar abierto para conectar aplicaciones de IA con herramientas y datos, de modo que un servidor sirva a cualquier asistente que lo hable.
Modelo grande de lenguaje (LLM)
Un modelo grande de lenguaje es una red neuronal entrenada con muchísimo texto para predecir el siguiente token, lo que le permite escribir, resumir, traducir y responder.
Modelo local
Un modelo local es un modelo de lenguaje que se ejecuta en hardware que controlas, un portátil, un servidor o tu propia máquina en la nube, en vez de tras la API de otro.

O

Observabilidad
La observabilidad de una función de IA es registrar cada llamada al modelo, su prompt, ajustes, tokens, tiempo y resultado, para ver qué pasó y por qué.

P

Pesos abiertos
Un modelo de pesos abiertos es aquel cuyos parámetros entrenados se publican para descargar, de modo que puedes ejecutarlo, examinarlo y ajustarlo en tus propias máquinas.
Prompt
Un prompt es el texto que envías a un modelo de lenguaje para decirle qué hacer: la instrucción, algunos ejemplos y el material sobre el que trabajar.
Prompt con ejemplos (few-shot)
El few-shot pone unos pocos ejemplos resueltos en el prompt para que el modelo copie su forma y su criterio con una entrada nueva.
Prompt de sistema
El prompt de sistema es la instrucción fija que va antes de la conversación y marca el papel, el tono y las reglas del modelo en todas sus respuestas.

R

Red teaming (equipo rojo)
El red teaming es atacar a propósito tu propio sistema de IA para que se porte mal, filtre datos o use mal sus herramientas, y encontrar fallos antes que otros.
Reordenación (reranking)
La reordenación toma los primeros resultados de una búsqueda rápida y los ordena de nuevo con un modelo más lento y cuidadoso, para que los mejores pasajes queden arriba.

S

Salida estructurada
La salida estructurada consiste en pedir al modelo una respuesta con una forma fija legible por máquina, como JSON con campos con nombre, en lugar de texto libre.
Sistema multiagente
Un sistema multiagente reparte una tarea entre varios agentes de IA, cada uno con su papel, herramientas y contexto, coordinados por código o por otro agente.
Streaming (respuesta en flujo)
El streaming envía la respuesta de un modelo poco a poco mientras se genera, para que el usuario vea las primeras palabras enseguida en lugar de esperar la respuesta entera.

T

Temperatura
La temperatura es un ajuste que controla cuánto azar usa el modelo al elegir el siguiente token: baja da respuestas estables, alta da respuestas más variadas.
Texto a SQL (text-to-SQL)
Texto a SQL es que un modelo de lenguaje convierta una pregunta en palabras sencillas en una consulta a una base de datos, que se comprueba antes de fiarse de su respuesta.
Token
Un token es el trozo de texto con el que un modelo de lenguaje lee y escribe: a menudo parte de una palabra, una palabra corta o un signo de puntuación.
Transformer
Un transformer es la arquitectura de red neuronal de la mayoría de los modelos de lenguaje: una pila de bloques iguales donde cada token toma de los demás lo que necesita mediante la atención.

V

Ventana de contexto
La ventana de contexto es la cantidad máxima de texto, en tokens, que un modelo procesa en una llamada: el prompt, el historial y su propia respuesta juntos.

Comparaciones

Las decisiones que la gente busca, respondidas en una frase y una tabla corta.

Todas las lecciones de IA