Este Glosario de IA es el recurso práctico de DDS para entender los términos clave de la Inteligencia Artificial aplicada a la industria y a la energía: Deep Learning, PINNs, XAI, LLM, RAG, Gemelo Digital, Edge AI o Mantenimiento Predictivo. Cada entrada de este glosario de IA incluye una definición concisa y un ejemplo real de planta. Si quieres ampliar más allá de este glosario de IA, también puedes consultar la definición oficial de Inteligencia Artificial en Wikipedia o el portal de estándares del IEEE.
Conjunto finito y ordenado de instrucciones que un sistema sigue para resolver un problema o producir un resultado a partir de datos de entrada.
Tipo de aprendizaje automático en el que el modelo se entrena con ejemplos etiquetados, es decir, pares de entrada-salida conocidos.
Tipo de aprendizaje automático en el que el modelo descubre patrones en los datos sin disponer de etiquetas previas. Útil para agrupar, segmentar o detectar anomalías.
Paradigma en el que un agente aprende a tomar decisiones mediante prueba-error: recibe recompensas por las buenas acciones y penalizaciones por las malas.
Convergencia entre el IoT industrial y la inteligencia artificial: sensores, PLCs y gateways ejecutan modelos de IA para decidir en tiempo real sin depender siempre del cloud.
Red neuronal que aprende a comprimir y reconstruir sus propios datos de entrada. Se utiliza sobre todo para detectar anomalías: si la reconstrucción se aleja del original, hay algo raro en el proceso.
Conjunto de técnicas de IA que identifican datos, eventos o comportamientos que se desvían de forma significativa del patrón normal de un proceso. Es la base de la monitorización de activos y de la ciberseguridad industrial.
Sistema que emplea agentes de IA para ejecutar tareas de forma autónoma en nombre del usuario, con capacidad de decidir, planificar y usar herramientas para alcanzar objetivos complejos.
Técnica de aprendizaje automático en la que el modelo selecciona por sí mismo los datos más informativos para que un humano los etiquete, reduciendo el coste de anotación y acelerando el entrenamiento.
Técnica que permite a una red neuronal ponderar dinámicamente qué partes de la entrada son más relevantes para cada predicción, aprendiendo a «prestar atención» a los elementos clave de una secuencia. Es el mecanismo central de los Transformers.
Conjunto de políticas, controles y responsabilidades que garantizan que los sistemas de IA sean seguros, éticos, trazables y conformes con la normativa a lo largo de todo su ciclo de vida.
Algoritmo que permite a una red neuronal ajustar sus parámetros internos propagando hacia atrás el error cometido en la predicción.
Conjunto de tecnologías y técnicas para procesar volúmenes de datos demasiado grandes, rápidos o variados para los sistemas tradicionales.
Modelo probabilístico que representa variables y sus dependencias causales en forma de grafo. Permite calcular la probabilidad de un evento futuro a partir de lo que ya se ha observado.
Error sistemático de un modelo de IA que produce resultados injustos o desviados, normalmente heredado de datos de entrenamiento poco representativos. Detectarlo y corregirlo es clave para tomar decisiones fiables.
Técnica que normaliza las activaciones de cada capa de una red neuronal usando la media y la varianza del lote de entrenamiento, estabilizando y acelerando el aprendizaje.
Modelo de lenguaje basado en Transformers, presentado por Google en 2018, que interpreta cada palabra considerando a la vez su contexto anterior y posterior. Se usa como base para clasificar, buscar o extraer información de texto.
Algoritmo de decodificación que, en cada paso de la generación de una secuencia, conserva las k hipótesis más probables, el llamado ancho de haz, en lugar de quedarse solo con la mejor, mejorando la calidad del resultado frente a la búsqueda voraz.
Disciplina que permite a las máquinas interpretar imágenes y vídeo: detectar objetos, leer texto, identificar defectos o medir distancias.
Tipo de red neuronal especializada en procesar imágenes. Utiliza capas convolucionales que detectan automáticamente patrones visuales (bordes, texturas, formas).
Disciplina de la IA que busca relaciones causa-efecto, no solo correlaciones. Permite responder preguntas tipo "¿qué pasaría si…?" y diseñar intervenciones con impacto real en el proceso.
Técnica de aprendizaje no supervisado que agrupa datos en conjuntos (clusters) según su similitud, sin etiquetas previas. Sirve para segmentar, explorar datos y descubrir perfiles ocultos.
Tabla que resume el rendimiento de un clasificador cruzando las clases reales con las predichas: verdaderos y falsos positivos y negativos. Es la base de métricas como precisión, recall o F1.
Cambio en el tiempo de la relación entre las variables de entrada y lo que el modelo predice, de modo que la lógica aprendida deja de ser válida. A diferencia del data drift, aquí cambia el concepto en sí, no solo la distribución de los datos.
Medida de parecido entre dos vectores basada en el coseno del ángulo que forman, de -1 a 1, independiente de su magnitud. Es la base para comparar embeddings por significado.
Rama del aprendizaje automático basada en redes neuronales con muchas capas. Capaz de aprender representaciones jerárquicas de datos complejos sin ingeniería manual de variables.
Cambio gradual en la distribución de los datos que llegan al modelo en producción respecto a los datos con los que fue entrenado. Si no se monitoriza, el modelo pierde precisión de forma silenciosa.
Modelo que divide los datos en ramas según reglas del tipo "si X supera un umbral, entonces…", formando una estructura tipo árbol fácil de interpretar.
Réplica virtual de un activo, proceso o planta física, alimentada en tiempo real con datos del mundo real y enriquecida con modelos de IA para simular, predecir y optimizar.
Modelo generativo que aprende a crear datos nuevos partiendo de ruido aleatorio y revirtiendo paso a paso un proceso de difusión. Es la base de muchos generadores de imágenes actuales.
Técnica de regularización que desactiva aleatoriamente un porcentaje de neuronas en cada paso del entrenamiento, obligando a la red a aprender representaciones redundantes y reduciendo el sobreajuste.
Arquitectura de datos que combina el almacenamiento flexible y de bajo coste de un data lake con la fiabilidad, gobernanza y rendimiento de consulta de un data warehouse, dando servicio a la vez a BI y a machine learning sobre una única plataforma.
Registro del recorrido de un dato a lo largo de su ciclo de vida, desde su origen y sus transformaciones hasta su destino, que permite auditar, trazar y validar la fiabilidad de la información.
Colección estructurada y organizada de datos, ya sean tablas, imágenes, señales o texto, que sirve de base para entrenar, validar y evaluar modelos de aprendizaje automático. Su calidad y su tamaño condicionan directamente el rendimiento del modelo.
Representación numérica densa de un dato (palabra, imagen, producto, señal) en un espacio vectorial donde los elementos similares quedan cerca entre sí.
Conjunto de técnicas que permiten que un modelo de IA explique sus decisiones de forma comprensible para humanos. Imprescindible en entornos industriales y regulados.
Ejecución de modelos de inteligencia artificial directamente en el dispositivo (PLC, cámara industrial, gateway o máquina) en lugar de enviar los datos al cloud. Reduce latencia, coste de red y dependencia de conectividad.
Técnica que combina varios modelos para obtener una predicción mejor y más robusta que la de cualquiera por separado, reduciendo el sesgo y la varianza.
Ajuste de un modelo preentrenado con datos específicos de un caso concreto. Permite adaptar un modelo general a un dominio particular sin entrenarlo desde cero.
Técnica de entrenamiento distribuido en la que varias plantas o dispositivos entrenan un modelo común sin compartir sus datos brutos: solo se intercambian las actualizaciones del modelo.
Modelo de IA de gran escala preentrenado con cantidades masivas de datos generales (texto, código, imágenes) que después se adapta a tareas específicas mediante fine-tuning o prompting.
Métrica que resume el rendimiento de un clasificador como la media armónica entre precisión y exhaustividad (recall). Es especialmente útil cuando las clases están desbalanceadas.
Repositorio centralizado que almacena y gestiona las características (features) usadas por los modelos de ML, garantizando la consistencia entre entrenamiento e inferencia y su reutilización entre proyectos.
Proceso de transformar los datos brutos en variables (features) que representen mejor el problema para el modelo, mediante técnicas como normalización, agregación o creación de nuevos indicadores. Suele aportar más mejora que el propio algoritmo.
Enfoque en el que un modelo aprende a resolver una tarea a partir de un número muy reducido de ejemplos etiquetados, útil cuando los datos son escasos o caros de anotar.
Arquitectura en la que dos redes neuronales compiten entre sí: una genera datos sintéticos y otra trata de distinguir si son reales o falsos. El resultado son muestras cada vez más realistas.
Algoritmo de optimización que ajusta los parámetros de un modelo siguiendo el "descenso" del error. Es el motor matemático del entrenamiento en la mayoría de modelos de Machine Learning.
Familia de modelos de IA capaces de crear contenido nuevo —texto, código, imágenes, diseños CAD o recetas de proceso— a partir de instrucciones en lenguaje natural.
Técnica de aprendizaje por ensamble que combina secuencialmente árboles de decisión débiles, donde cada nuevo árbol corrige los errores del anterior; XGBoost es su implementación más extendida.
Conjunto de reglas y filtros programables que se sitúan entre el usuario y un modelo de lenguaje para garantizar respuestas seguras, fiables y conformes, bloqueando entradas o salidas indebidas.
Variante simplificada de red neuronal recurrente que usa dos compuertas, de actualización y de reinicio, para capturar dependencias temporales con menos parámetros que una LSTM, entrenando más rápido y con menor consumo de memoria.
Parámetro de configuración de un modelo que NO se aprende durante el entrenamiento sino que se decide antes (tasa de aprendizaje, número de capas, tamaño de batch).
Cuando un LLM responde algo que suena coherente pero es factualmente falso o inventado. Es uno de los principales riesgos al usar IA generativa en entornos críticos.
Fase en la que un modelo ya entrenado se usa para hacer predicciones sobre datos nuevos. A diferencia del entrenamiento, la inferencia es rápida y se ejecuta en producción.
Disciplina que desarrolla sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: percepción, razonamiento, lenguaje, decisión.
Estructura de datos que representa entidades (equipos, productos, personas, eventos) y las relaciones entre ellas en forma de grafo, permitiendo razonamientos complejos sobre el dominio.
Algoritmo recursivo que estima el estado de un sistema dinámico a partir de mediciones ruidosas e incompletas, combinando una fase de predicción y otra de corrección para lograr estimaciones más precisas.
Técnica que transfiere el conocimiento de un modelo grande y preciso («profesor») a otro más pequeño y rápido («alumno»), conservando gran parte del rendimiento con una fracción del coste computacional.
Modelo de IA entrenado con grandes cantidades de texto que puede generar, resumir, traducir o responder en lenguaje natural. GPT, Claude, Llama o Mistral son ejemplos conocidos.
Variante de red neuronal recurrente con celdas de memoria y compuertas (entrada, olvido y salida) que captura dependencias de largo plazo y mitiga el problema del gradiente que se desvanece.
Técnica de fine-tuning eficiente que congela los pesos del modelo original y entrena solo unas pequeñas matrices de bajo rango añadidas, reduciendo drásticamente la memoria y el coste de adaptar un LLM.
Método de optimización matemática que busca el mejor valor de una función objetivo lineal sujeta a restricciones lineales. Es una herramienta clásica para asignar recursos limitados de forma óptima.
Rama de la IA en la que las máquinas aprenden patrones a partir de datos, sin ser programadas explícitamente para cada caso.
Conjunto de prácticas y herramientas para desplegar, monitorizar y mantener modelos de Machine Learning en producción de forma fiable y escalable. El equivalente a DevOps para IA.
Modelos de IA capaces de procesar e integrar a la vez varios tipos de datos (texto, imagen, audio, vídeo o señales) para lograr una comprensión más completa que la de un solo tipo de dato.
Documento estandarizado que acompaña a un modelo de IA y describe su propósito, datos de entrenamiento, métricas, limitaciones y usos previstos, facilitando la transparencia y la auditoría.
Modelo computacional inspirado en el funcionamiento del cerebro, compuesto por capas de neuronas artificiales que transforman entradas en salidas.
Rama de la IA que se ocupa de procesar y entender el lenguaje humano: comprensión, generación, traducción, clasificación de textos.
Fenómeno en el que un modelo memoriza los datos de entrenamiento en lugar de aprender patrones generalizables. Funciona muy bien con lo conocido y muy mal con lo nuevo.
Tecnología que convierte texto contenido en imágenes o PDFs escaneados en texto digital editable y procesable por software, base de la automatización documental industrial.
Tarea de visión artificial que localiza los objetos presentes en una imagen y clasifica cada uno, dibujando un recuadro alrededor de su posición. Combina localización y clasificación en una sola pasada.
Redes neuronales que incorporan ecuaciones físicas conocidas del proceso durante su entrenamiento. Combinan datos reales con leyes físicas para predicciones más fiables y defendibles.
Instrucción o pregunta que se da a un modelo de IA generativa (típicamente un LLM) para obtener una respuesta concreta. La calidad del prompt afecta directamente a la calidad de la respuesta.
Estrategia de mantenimiento basada en modelos de IA que analizan datos de sensores (vibración, temperatura, consumo) para anticipar fallos antes de que ocurran y planificar la intervención.
Dos métricas complementarias de clasificación: la precisión mide qué proporción de las alertas del modelo son correctas y el recall qué proporción de los casos reales consigue detectar.
Métrica que evalúa un modelo de lenguaje midiendo cuánto se sorprende al predecir un texto; cuanto menor es la perplejidad, mejor anticipa el modelo la siguiente palabra.
Técnica de optimización que reduce la precisión numérica de un modelo (por ejemplo de 32 a 8 bits) para que ocupe menos memoria y haga inferencia más rápido, con una pérdida mínima de exactitud.
Técnica que combina un LLM con una base de conocimiento propia. Antes de responder, el modelo recupera información relevante de tus documentos y la usa para generar la respuesta.
Versión en español de Neural Network. Modelo computacional formado por capas de unidades de procesamiento conectadas entre sí que aprenden patrones a partir de datos.
Algoritmo de machine learning que combina muchos árboles de decisión entrenados sobre subconjuntos aleatorios de los datos. Suele dar predicciones robustas y resistentes al sobreajuste.
Red neuronal profunda diseñada para datos secuenciales o series temporales que conserva una «memoria» de las entradas anteriores para influir en la salida actual.
Representación matemática simplificada de un sistema físico complejo que reduce en órdenes de magnitud el coste computacional preservando su comportamiento dominante.
Técnica de entrenamiento en la que las preferencias de evaluadores humanos se usan como señal de recompensa para alinear las respuestas de un modelo de lenguaje con lo que se considera útil y seguro.
Métrica que resume en un único número la capacidad de un clasificador para distinguir entre clases a lo largo de todos los umbrales. Vale de 0 a 1 y es robusta incluso con clases desbalanceadas.
Conjunto de técnicas, como L1, L2, dropout o early stopping, que penalizan la complejidad de un modelo durante el entrenamiento para evitar el sobreajuste y mejorar su generalización a datos nuevos.
Segunda etapa de recuperación en la que un modelo más preciso reordena por relevancia los documentos recuperados inicialmente, reduciendo el ruido antes de pasarlos a un LLM. Es una pieza clave en los sistemas RAG.
Técnica de IA explicable (XAI) que asigna a cada variable un valor que indica cuánto ha contribuido a una predicción concreta del modelo, haciendo auditables sus decisiones.
Datos artificiales generados por simulación o por IA que imitan a los reales. Permiten entrenar modelos cuando los datos reales son escasos, costosos o sensibles.
Modelo de aprendizaje automático que aproxima una simulación física de alto coste computacional, permitiendo evaluar el comportamiento del sistema en nuevos puntos de diseño de forma mucho más rápida.
Tarea de visión artificial que clasifica cada píxel de una imagen en una categoría predefinida, generando una máscara que delimita las regiones de cada clase.
Técnica en la que el modelo genera sus propias etiquetas a partir de datos sin anotar, aprendiendo a predecir una parte de la entrada desde otra. Reduce drásticamente la necesidad de etiquetado manual.
Técnica de búsqueda que interpreta la intención y el significado de la consulta, no solo las palabras exactas, para devolver resultados relevantes aunque se expresen de otra forma.
Técnica que reutiliza un modelo entrenado en un dominio (con muchos datos) para resolver un problema parecido en otro dominio (con pocos datos). Ahorra meses de entrenamiento.
Arquitectura de red neuronal aparecida en 2017 que revolucionó la IA, especialmente en lenguaje. Es la base de los LLMs modernos: GPT, Claude, BERT, Llama, Mistral.
Conjunto de técnicas estadísticas y de deep learning (ARIMA, Prophet, LSTM, Temporal Fusion Transformer) usadas para anticipar valores futuros de variables que evolucionan en el tiempo.
Paso previo del procesamiento de lenguaje natural que divide un texto en unidades mínimas (tokens), palabras o fragmentos, para que un modelo pueda procesarlo.
Lo contrario del overfitting: el modelo es demasiado simple y no captura los patrones reales de los datos. Predice mal tanto en entrenamiento como en producción.
Técnica para evaluar la robustez de un modelo entrenándolo varias veces con diferentes particiones de los datos, asegurando que su rendimiento no depende del azar de la división.
Base de datos diseñada para almacenar e indexar embeddings (vectores numéricos) y recuperarlos por similitud semántica, no solo por coincidencia exacta. Es la pieza clave de los sistemas RAG.
Arquitectura que aplica el mecanismo de los Transformers a imágenes: divide la imagen en parches, los convierte en una secuencia y usa autoatención para capturar relaciones globales. Rivaliza con las CNN en clasificación de imágenes.
Valores numéricos que conectan las neuronas de una red neuronal y que se ajustan durante el entrenamiento. Son los parámetros que el modelo "aprende".
Acrónimo de Explainable AI (Inteligencia Artificial Explicable). Conjunto de técnicas que hacen que un modelo justifique sus decisiones de forma comprensible.
Ver definición completa en E · Explainable AI.
Familia de modelos de visión artificial en tiempo real capaces de detectar y clasificar múltiples objetos en una imagen en una sola pasada, optimizados para latencia muy baja.
Capacidad de un modelo para resolver tareas o reconocer clases que nunca vio durante el entrenamiento, apoyándose en conocimiento general o en descripciones auxiliares.
Sin resultados
No hay términos que coincidan con tu búsqueda. Prueba con otra palabra clave.
