Un recurso para entender los términos clave de Inteligencia Artificial, Deep Learning, PINNs, XAI y las áreas relacionadas con el trabajo de DDS en industria y energía. Definiciones concisas y ejemplos prácticos.
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.
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.
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).
Rama del aprendizaje automático basada en redes neuronales con muchas capas. Capaz de aprender representaciones jerárquicas de datos complejos sin ingeniería manual de variables.
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.
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.
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.
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).
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.
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.
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.
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.
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.
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.
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.
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.
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.
Sin resultados
No hay términos que coincidan con tu búsqueda. Prueba con otra palabra clave.
