Términos de tecnología e IA, explicados
El vocabulario de la IA pasó de los artículos científicos al telediario más rápido de lo que nadie pudo explicarlo, y el resto de la tecnología ya era jerga. Esta sección cubre las dos cosas: cómo funcionan de verdad los modelos, del entrenamiento y la inferencia a las ventanas de contexto y los agentes, junto a los términos de software y seguridad que aparecen en los mismos artículos, como los zero-day, la deuda técnica y las API. La sección más grande de aquí, y la que más crece.
Destacados
¿Qué son los agentes de IA?
IA que actúa en vez de solo responder: el bucle planear-hacer-revisar, y por qué el bucle es también el riesgo.
¿Qué es una alucinación de IA?
Por qué la IA afirma datos inventados con total confianza, y por qué no puedes oírlo.
¿Qué es una red neuronal?
Matemática que aprende las reglas de los ejemplos en vez de tenerlas escritas, y por qué eso gana.
Los 36 términos
¿Qué son los agentes de IA?
IA que actúa en vez de solo responder: el bucle planear-hacer-revisar, y por qué el bucle es también el riesgo.
¿Qué es una alucinación de IA?
Por qué la IA afirma datos inventados con total confianza, y por qué no puedes oírlo.
¿Qué es una API?
El acuerdo fijo que permite a dos programas trabajar juntos sin conocer las tripas del otro.
¿Qué significa una API idempotente?
Por qué diez clics te cobran una vez — la propiedad que hace seguros los reintentos.
¿Qué son los benchmarks de IA?
Las puntuaciones tras cada lanzamiento de IA, qué miden y por qué el líder puede decepcionar.
¿Qué es el razonamiento en cadena de pensamiento?
Por qué un modelo que muestra su trabajo responde mejor, y qué cuesta ese pensar.
¿Qué es una capa de abstracción?
Simple por arriba, complejidad escondida debajo — e intercambiable sin romper nada.
¿Qué es el cifrado de extremo a extremo?
Por qué nadie por el camino puede leer el mensaje, y qué sigue quedando a la vista.
¿Qué es la cuantización?
Guardar los números de un modelo con menos precisión — la mitad de memoria, casi sin pérdida.
¿Qué son los datos sintéticos?
Datos de entrenamiento hechos por máquinas, por qué los laboratorios dependen cada vez más de ellos y cómo sale mal.
¿Qué es el descenso de gradiente estocástico (SGD)?
Millones de diales, una puntuación de error — cómo aprenden los modelos, pasito a pasito.
¿Qué es la destilación de modelos?
Entrenar un modelo con las respuestas de otro: para encoger el tuyo o alcanzar al rival.
¿Qué es la deuda técnica?
Atajos y sistemas envejecidos que facturan al futuro — principal, interés y pago.
¿Qué es el edge computing?
Hacer el trabajo en el dispositivo en lugar de un centro de datos, y las tres situaciones que lo exigen.
¿Qué es el fine-tuning (ajuste fino)?
Entrenar un poco más un modelo terminado con tus datos, y en qué se diferencia de RAG.
¿Qué es la generación aumentada por recuperación (RAG)?
Que la IA responda desde tus documentos — primero recuperar, luego generar, con recibos incluidos.
Modelos de IA open-source vs closed-source: ¿cuál es la diferencia?
Quién controla el modelo, quién ve tus datos y quién cobra por cada petición.
¿Qué es la inferencia (en IA)?
El modelo haciendo su trabajo real, y por qué la mitad barata acaba costando más.
¿Qué es la inyección de prompts?
Órdenes ocultas dentro del contenido que lee una IA — y por qué gana el texto del atacante.
¿Qué es una mezcla de expertos (MoE)?
Modelo enorme, una rebanada despierta por pregunta, y por qué eso mantiene asequible la frontera.
¿Qué es un modelo multimodal?
IA que toma imágenes, audio y texto juntos, y qué cuesta eso en velocidad y fiabilidad.
Overfitting vs. underfitting: ¿cuál es la diferencia?
Memorizar las respuestas vs. no abrir el libro — y la brecha de puntuaciones que delata a ambos.
¿Qué es una prueba de conocimiento cero (ZKP)?
Demuestra que algo es cierto sin revelar por qué — la criptografía de la verificación privada.
¿Qué es una red neuronal?
Matemática que aprende las reglas de los ejemplos en vez de tenerlas escritas, y por qué eso gana.
¿Qué es la retropropagación (backpropagation)?
Cómo un error final se convierte en un ajuste preciso para millones de parámetros — Buscar objetivo a escala.
¿Qué es el RLHF (aprendizaje por refuerzo con retroalimentación humana)?
El paso que convierte un predictor de texto en un asistente, y qué le enseña en silencio.
¿Qué es la temperatura en IA?
El dial entre la misma respuesta siempre y las apuestas creativas — y dónde lo fijan los productos.
¿Qué es la tokenización?
Cómo la IA trocea el texto antes de leer — y por qué algunos idiomas cuestan más.
¿Qué es el tradeoff sesgo-varianza?
Demasiado rígido vs. demasiado impresionable — y por qué el error total es mínimo en medio.
¿Qué es un transformer (en IA)?
El diseño tras la T de GPT: cada palabra atiende a todas las demás, todas a la vez.
¿Qué son los vector embeddings?
Significado convertido en coordenadas — cómo las máquinas encuentran lo parecido sin coincidir palabras.
¿Qué es una ventana de contexto?
Cuánto texto puede tener una IA en mente a la vez — y por qué los chats largos olvidan su inicio.
¿Qué es una vulnerabilidad de día cero (zero-day)?
Un agujero que solo conoce el atacante, por qué cuesta una fortuna y qué rompe de verdad la mayoría de sistemas.
¿Qué es la automejora recursiva?
Una IA ayuda a construir la siguiente IA, que construye la de después, mejor en cada vuelta.
¿Qué es un agent harness?
El programa que envuelve a un modelo de IA y ejecuta de verdad las herramientas y el bucle.
¿Qué son las migas de pan en un sitio web?
La pequeña línea de enlaces arriba que muestra el camino desde la portada hasta donde estás.