Entender la IA, concepto a concepto.
Definiciones directas conectadas con ejemplos, errores frecuentes, decisiones técnicas y análisis editoriales verificados.
Fundamentos
Unidades, capacidades y límites básicos para entender cómo funciona un sistema de IA.
Multimodalidad: definición, funcionamiento y límites
La multimodalidad permite a los sistemas de IA procesar y razonar sobre texto, imagen, audio y vídeo simultáneamente. Esta ficha explica el pipeline técnico (codificación, proyección, fusión), ofrece tres ejemplos aplicados en salud, industria y vehículos autónomos, y detalla las limitaciones actuales como el coste computacional y la alineación temporal.
Parámetro
Valor numérico aprendido durante el entrenamiento que contribuye a transformar entradas en salidas.
Token: definición, funcionamiento y límites en modelos de lenguaje
Un token es la unidad mínima de texto que un modelo de lenguaje procesa para comprender y generar contenido. No equivale a una palabra ni a un carácter, sino a un fragmento definido por el tokenizador específico de cada modelo. Esta ficha explica cómo se divide el texto, cómo se asignan identificadores, cómo influyen los tokens en los límites de contexto y en los costos de las APIs, y ofrece ejemplos prácticos para optimizar su uso.
Ventana de contexto
Cantidad máxima de tokens que un modelo puede considerar entre entrada, historial, herramientas y salida en una solicitud.
Modelos y aprendizaje
Arquitecturas, entrenamiento y técnicas que determinan el comportamiento de un modelo.
Ajuste fino: qué cambia al seguir entrenando un modelo y qué no garantiza
El ajuste fino es entrenamiento adicional de un modelo previamente entrenado para adaptarlo a un objetivo concreto. Esta ficha explica el proceso, recorre tres ejemplos y distingue el concepto de otras formas de adaptar o usar modelos.
Aprendizaje autosupervisado: qué es y cómo funciona
El aprendizaje autosupervisado genera objetivos de entrenamiento a partir de los propios datos. Esta guía explica el mecanismo, muestra ejemplos en lenguaje, visión y audio, y aclara sus límites y diferencias con otros enfoques.
RLHF: qué es, cómo funciona y qué límites tiene
El aprendizaje por refuerzo con retroalimentación humana usa juicios o preferencias para orientar el ajuste de un modelo. Su flujo habitual incluye generar respuestas, recoger comparaciones, entrenar una recompensa aprendida y optimizar una política; cada etapa introduce decisiones y límites que conviene distinguir.
Datos sintéticos: qué son, cómo se generan y qué no garantizan
Los datos sintéticos se generan artificialmente para conservar propiedades relevantes de datos reales con un propósito concreto. Su origen no demuestra, por sí solo, que sean útiles, de calidad o privados.
Destilación del conocimiento: cómo aprende un modelo estudiante de uno docente y qué no garantiza
La destilación transfiere señales de entrenamiento de un modelo docente a otro estudiante. Puede adoptar distintos métodos; no implica que el estudiante conserve todas las capacidades ni que resulte más eficiente en cualquier entorno.
Función de pérdida: qué mide durante el entrenamiento y qué no dice sobre un modelo
Una función de pérdida cuantifica, según un criterio definido, la discrepancia entre una predicción y un objetivo. Entender qué penaliza —y qué queda fuera de esa medida— ayuda a interpretar el entrenamiento sin confundirlo con una evaluación completa del modelo.
LoRA: cómo adapta un modelo con matrices de bajo rango y qué no garantiza
LoRA adapta un modelo preentrenado manteniendo fijos sus pesos originales y aprendiendo matrices adicionales de bajo rango. Esta ficha explica el mecanismo, lo compara con otras formas de adaptación y aclara qué conclusiones no se pueden extraer solo del número de parámetros entrenables.
Mecanismo de atención: cómo relaciona un modelo unas partes de la entrada con otras
La atención es una operación matemática que combina representaciones según su compatibilidad. Esta guía explica Q, K y V, sus variantes y sus límites, sin confundir el mecanismo con la atención humana ni con una explicación automática del modelo.
Modelo destilado: qué significa la etiqueta y qué no demuestra
Un modelo destilado es el estudiante resultante de un proceso que transfiere parte del comportamiento de un modelo profesor. La etiqueta describe una relación de entrenamiento, no una garantía de equivalencia, calidad o eficiencia.
Modelo fundacional
Modelo entrenado a gran escala sobre datos amplios y adaptable a múltiples tareas posteriores.
Preentrenamiento: qué aprende un modelo antes de adaptarlo
El preentrenamiento es una fase de entrenamiento anterior a ciertos usos o adaptaciones posteriores. Su objetivo, sus datos y su relación con otras etapas dependen del modelo: no existe una receta universal ni garantiza por sí solo que el sistema sea fiable.
Sobreajuste: definición, mecanismos de detección y límites de la generalización
El sobreajuste ocurre cuando un modelo de machine learning memoriza el ruido y los patrones específicos de los datos de entrenamiento, logrando una alta precisión en ellos pero fallando al generalizar a datos nuevos. Esta ficha técnica explica el fenómeno a través del equilibrio sesgo-varianza, detalla los métodos de detección mediante curvas de pérdida y validación cruzada, y contrasta el sobreajuste con el subajuste y la contaminación de datos. Incluye ejemplos aplicados en detección de fraude, diagnóstico médico y logística, así como un protocolo de mitigación basado en regularización, early stopping y aumento de datos.
Transformer
Arquitectura neuronal basada principalmente en atención que procesa relaciones entre elementos de una secuencia o varias modalidades.
Generación e interacción
Conceptos que aparecen al pedir, controlar y validar una respuesta generada.
Aprendizaje con pocos ejemplos (Few-shot): definición, mecanismo y límites del in-context learning
El few-shot prompting es una técnica de ingeniería de contexto que incluye pares de entrada-salida en la petición para guiar la respuesta del modelo sin actualizar sus pesos. Esta ficha explica el mecanismo de in-context learning, ofrece tres ejemplos aplicados en distintos ámbitos, distingue la técnica de zero-shot, fine-tuning y cadena de pensamiento, y delimita sus restricciones operativas.
Aprendizaje en contexto (ICL): cómo responde un modelo a los ejemplos del prompt
El aprendizaje en contexto permite orientar la respuesta de un modelo mediante instrucciones y ejemplos incluidos en la entrada. Aquí se explica qué significa, cómo probarlo y en qué se diferencia del entrenamiento y de otros métodos.
Cadena de pensamiento en IA: qué es y qué no demuestra
Una cadena de pensamiento es una secuencia de pasos intermedios expresados en texto que un modelo genera o recibe como ejemplo. Puede ayudar a estructurar una tarea y hacer visibles algunos pasos, pero su coherencia no prueba que sean correctos ni que reflejen fielmente el proceso interno que produjo la respuesta.
Ingeniería de contexto: cómo seleccionar y mantener la información que recibe un sistema de IA
La ingeniería de contexto consiste en decidir qué información necesita un modelo para una tarea, cómo obtenerla y cómo mantenerla pertinente durante la ejecución. No equivale a escribir un prompt más largo: comprende también la selección de documentos, el uso de herramientas y la gestión del estado.
Prompt
Conjunto de instrucciones y contexto entregado a un modelo para orientar una tarea y su formato de salida.
Razonamiento en modelos: cómo funciona, ejemplos y límites
Definición rigurosa de la capacidad de razonamiento en modelos de lenguaje, explicación de su funcionamiento, tres ejemplos aplicados, métodos de evaluación y análisis de las limitaciones documentadas en la literatura primaria.
Salida estructurada: definición, mecanismos de coerción y límites de la validación automática
La salida estructurada restringe la generación de un LLM a un esquema formal (JSON, XML) para permitir su consumo programático. Esta ficha distingue entre la sugerencia por prompt y la coerción técnica mediante decodificación restringida, analiza los límites de la validación sintáctica frente a la corrección semántica y ofrece ejemplos aplicados en extracción de datos, orquestación de agentes y generación de configuración.
Temperatura: definición, funcionamiento y límites del parámetro de muestreo en modelos de lenguaje
La temperatura es un parámetro de inferencia que modifica la distribución de probabilidad de los logits para controlar la aleatoriedad de la salida. Esta ficha explica su mecanismo matemático, su interacción con top-k y top-p, y sus límites para la reproducibilidad y la evaluación.
Datos y conocimiento
Cómo se representan, recuperan y conectan los datos con respuestas verificables.
Base de datos vectorial: qué almacena y cómo busca por similitud
Una base de datos vectorial almacena representaciones numéricas y permite recuperar las más cercanas a una consulta. No genera necesariamente los embeddings ni decide por sí sola qué resultados son relevantes.
Búsqueda semántica
Recuperación de información basada en relaciones de significado, normalmente combinada con filtros o búsqueda léxica.
Embedding
Representación numérica que sitúa elementos en un espacio donde ciertas relaciones pueden medirse por proximidad.
Fragmentación de documentos (Chunking): definición, estrategias y límites
La fragmentación de documentos divide el contenido en unidades recuperables para sistemas de IA. Esta ficha explica cómo funciona, las estrategias principales, los parámetros de tamaño y solapamiento, y cómo evaluar el resultado sin caer en errores comunes.
Fuente primaria: qué es, cómo identificarla y qué puede demostrar
Una fuente es primaria respecto de una pregunta cuando presenta directamente el objeto, los datos, el método o la decisión que se quiere estudiar. Su condición no garantiza que sea verdadera, imparcial ni suficiente: hay que evaluar qué afirma y qué límites tiene.
Generación aumentada por recuperación (RAG)
Patrón que recupera información externa relevante y la incorpora al contexto antes de generar una respuesta.
Grounding: definición, funcionamiento y límites en IA
El grounding conecta la salida de un modelo de IA con evidencia externa verificable. Esta guía explica cómo funciona, cómo se diferencia de RAG y fine-tuning, y qué limitaciones tiene en la práctica.
Reordenación de resultados (Reranking): definición, funcionamiento y límites en sistemas de recuperación
El reranking es la segunda etapa de puntuación en sistemas de recuperación que evalúa pares de consulta y documento para mejorar la precisión. Esta ficha explica su funcionamiento técnico, diferencia entre arquitecturas de un solo paso y dos etapas, y analiza sus límites operativos en pipelines RAG y búsqueda semántica.
Agentes y automatización
Herramientas, memoria y patrones para sistemas capaces de ejecutar tareas.
Agente de IA: qué es, cómo funciona y en qué se diferencia de un chatbot
Un agente de IA es un sistema que persigue un objetivo observando su entorno y eligiendo acciones. Esta guía explica su ciclo de funcionamiento, sus límites y las diferencias con un chatbot o una automatización fija.
Llamada a herramientas
Mecanismo por el que un modelo selecciona una operación y propone argumentos estructurados para que la aplicación la ejecute.
Memoria de agente
Mecanismo para conservar y recuperar estado relevante entre pasos o sesiones de un sistema basado en modelos.
Model Context Protocol (MCP): qué conecta, cómo funciona y qué no garantiza
MCP es un estándar abierto de integración para conectar aplicaciones de IA con sistemas externos, datos y herramientas. Esta ficha explica qué puede afirmarse con las fuentes disponibles, ofrece ejemplos condicionales y distingue el protocolo de una API, la llamada a herramientas y un agente.
Evaluación
Métodos para medir calidad, coste, robustez y utilidad en condiciones reproducibles.
Benchmark en inteligencia artificial: qué mide y qué demuestra una puntuación
Un benchmark es una evaluación definida por tareas, datos, protocolo y métricas. Su puntuación describe el desempeño en esas condiciones concretas; por sí sola, no prueba una capacidad general ni garantiza resultados en producción.
Contaminación de datos
Presencia total o parcial de datos de evaluación en el entrenamiento, ajuste o contexto previo de un modelo.
Evaluación de IA
Prueba reproducible que mide un comportamiento mediante casos, condiciones, métricas y una rúbrica explícita.
Generalización en aprendizaje automático: definición, funcionamiento y límites
La generalización es la capacidad de un modelo para mantener un comportamiento útil ante ejemplos que no coinciden exactamente con los datos de entrenamiento. Esta ficha explica cómo se mide, los riesgos de violar supuestos como la independencia de los datos y los límites empíricos observados en estudios recientes.
Incertidumbre: definición, tipos y métodos de cuantificación en modelos predictivos
La incertidumbre mide el grado de falta de certeza sobre una predicción o medición. Esta ficha explica la distinción fundamental entre incertidumbre aleatoria (ruido inherente) y epistémica (falta de conocimiento), detalla métodos de cuantificación como Monte Carlo y procesos gaussianos, y ofrece ejemplos aplicados en meteorología, ingeniería y ciencias sociales para evaluar la fiabilidad de los modelos.
Modelo como juez (LLM-as-a-judge): qué evalúa y qué sesgos hay que comprobar
Un modelo como juez usa un modelo de lenguaje para valorar respuestas o acciones con criterios explícitos. Esta guía explica el proceso, distingue tipos de juicio y muestra qué conviene verificar antes de confiar en sus resultados.
Reproducibilidad
Capacidad de repetir una evaluación con versiones, datos, configuración y procedimiento documentados y obtener resultados compatibles.
Robustez: definición, funcionamiento y límites en sistemas de aprendizaje automático
La robustez no es una propiedad absoluta, sino una relación entre un objetivo, un modificador, un dominio de variación y una tolerancia. Esta ficha explica cómo operacionalizar el concepto, cómo auditar modelos ante cambios de distribución y por qué un alto rendimiento en condiciones de laboratorio no garantiza un comportamiento fiable en el mundo real.
Rúbrica de evaluación: definición, diseño y límites al puntuar resultados de IA
Una rúbrica organiza criterios y niveles de desempeño para hacer valoraciones interpretables. Esta ficha explica su estructura, distingue los tipos analítico y holístico, y analiza sus límites en la evaluación de salidas de IA, trabajos académicos y sistemas de aprendizaje automático.
Seguridad y gobernanza
Riesgos, controles y responsabilidades durante todo el ciclo de vida.
Alucinación en IA: qué significa y cómo reconocer una respuesta sin respaldo
Una respuesta fluida no es necesariamente correcta. Esta guía explica qué se entiende por alucinación en IA, cómo distinguirla de otros errores y qué comprobaciones ayudan a evaluar afirmaciones concretas.
Guardrail en IA: qué controla, dónde actúa y qué no garantiza
Un guardrail es un control que comprueba entradas, salidas o acciones de un sistema de IA frente a una política definida. Su alcance depende de qué revisa y cuándo interviene: puede reducir ciertos riesgos, pero no demuestra por sí solo que todo el sistema sea seguro.
Humano en el circuito (HITL): qué decide una persona y qué no garantiza
HITL describe un diseño en el que una persona interviene en un punto definido de un sistema automatizado. La etiqueta, por sí sola, no dice qué autoridad tiene ni garantiza que detecte errores.
Inyección de instrucciones
Ataque o interferencia en la que contenido no confiable intenta desviar al sistema de sus reglas u objetivo legítimo.
Moderación: definición, funcionamiento y límites en plataformas digitales
La moderación es el conjunto de acciones, automatizadas o humanas, que las plataformas aplican para detectar, identificar y tratar contenido que incumple sus términos o la ley. Este glosario explica su funcionamiento, los marcos regulatorios como el DSA, y los desafíos técnicos y éticos que plantea la automatización.
Principio de menor privilegio: qué significa y cómo aplicarlo a sistemas de IA
El principio de menor privilegio limita cada identidad —persona, proceso o servicio— a los permisos necesarios para su tarea. En sistemas de IA orienta el acceso de agentes, herramientas y servicios, pero no sustituye la autenticación ni garantiza por sí solo que el modelo actúe de forma segura.
Pruebas adversariales: definición, metodología y límites en sistemas de IA
Las pruebas adversariales en IA son una disciplina de evaluación intencional que busca romper las garantías de un sistema mediante entradas hostiles o escenarios diseñados. Esta ficha define el concepto, distingue la práctica manual de la automatización, detalla el ciclo de vida técnico y analiza sus límites inherentes de cobertura y reproducibilidad.
Supervisión humana: definición, mecanismos de control y límites operativos en sistemas de IA
La supervisión humana no es la mera presencia de un operador, sino la capacidad efectiva de comprender, vigilar, intervenir y detener un sistema de IA. Esta ficha distingue los niveles de autonomía, explica los mecanismos técnicos y organizativos exigidos por el AI Act y delimita los límites cognitivos y operativos donde la supervisión se vuelve ineficaz.
Verificación de hechos
Proceso de contrastar afirmaciones verificables con evidencia identificable, vigente y suficientemente autorizada.
Operación e infraestructura
Técnicas para desplegar, optimizar y observar sistemas de IA en producción.
Caché de contexto en IA: qué reutiliza y qué no significa «recordar»
La caché puede conservar cálculos del modelo para evitar repetirlos. Esta ficha distingue la caché KV de la caché de prefijos, explica cuándo se reutilizan y aclara sus límites.
Cuantización en IA: qué cambia al reducir la precisión numérica
La cuantización representa números con menos niveles para reducir recursos, pero «4 bits» no basta para predecir la memoria, la velocidad ni la calidad de un modelo.
Inferencia en IA: qué ocurre cuando un modelo procesa una entrada
La inferencia es el uso de un modelo ya entrenado para calcular una salida a partir de una entrada. Puede dar lugar a una clase, una puntuación, una representación o contenido generado; no garantiza que el resultado sea correcto.
Latencia en IA: qué tiempo se mide y por qué importa el hito de respuesta
La latencia es el tiempo entre un inicio y un final definidos. Aprende a distinguir el primer resultado, la respuesta completa y el tiempo percibido por quien usa una aplicación de IA.
Rendimiento de procesamiento
Cantidad de trabajo que un sistema completa por unidad de tiempo, por ejemplo solicitudes o tokens por segundo.
Prueba con otra palabra, un alias o un ámbito diferente.