Glosario de inteligencia artificial

Campo de investigación e ingeniería que busca construir sistemas capaces de realizar tareas como percibir, predecir, generar o decidir a partir de entradas.

Conjunto funcional que asocia modelo, software, datos, interfaces y eventualmente acciones con el fin de producir predicciones, recomendaciones, contenidos o decisiones.

Secuencia finita de instrucciones definidas para transformar entradas en resultados; no todos los algoritmos pertenecen a la IA.

Representación matemática o informática cuyos parámetros y reglas permiten procesar entradas y producir salidas.

Enfoque que representa explícitamente conocimientos y manipula símbolos, reglas o estructuras lógicas para razonar.

Enfoque basado en redes de unidades de cálculo interconectadas, en particular las redes de neuronas artificiales.

Familia de enfoques que modelan regularidades e incertidumbres a partir de datos o distribuciones probabilísticas.

Sistemas capaces de producir texto, imágenes, sonidos, código u otros contenidos a partir de modelos aprendidos.

Uso de modelos para estimar un valor, una categoría o un evento futuro o desconocido a partir de observaciones.

Familia de modelos que aprenden principalmente a diferenciar categorías o a estimar una salida condicionada a una entrada.

Noción debatida que designa una IA con capacidades amplias y transferibles en numerosas tareas; no existe un umbral universalmente aceptado.

Concepto prospectivo de un sistema que supera ampliamente las capacidades humanas en muchos ámbitos; no es una categoría técnica normalizada.

Expresión que designa sistemas diseñados para tareas delimitadas, sin implicar una inteligencia general.

Ejecución de tareas por un sistema con reducida intervención humana; puede basarse en reglas ordinarias sin IA.

Grado en el que un sistema elige y ejecuta sus acciones sin validación humana en cada etapa; depende del perímetro autorizado.

Programa que moviliza una base de conocimientos y un motor de inferencia para reproducir un razonamiento especializado explícito.

Conjunto estructurado de hechos, relaciones o reglas consultables por un sistema; distinto de los pesos aprendidos de una red neuronal.

Componente que aplica reglas lógicas a conocimientos para deducir conclusiones o responder consultas.

Exploración de un espacio de soluciones guiada por una estimación práctica en lugar de examinar exhaustivamente todas las posibilidades.

Regla o estimación que facilita una búsqueda o una decisión, sin garantizar siempre el óptimo.

Conjunto de situaciones que un algoritmo de planificación o de búsqueda puede considerar.

Cantidad que el algoritmo busca minimizar o maximizar según la tarea.

Uso de un modelo ya entrenado para producir una salida a partir de nuevas entradas; no implica necesariamente razonamiento lógico.

Aptitud observada cuando la escala o el entrenamiento cambian; el carácter brusco o «emergente» depende también de las métricas utilizadas.

Propuesta de evaluación conversacional basada en la imposibilidad de que un interrogador distinga con certeza entre humano y máquina en un marco dado; no es una prueba universal de inteligencia.

Encuentro científico de 1956 tradicionalmente asociado a la institucionalización del campo llamado «inteligencia artificial».

Período de retroceso de las financiaciones o de las expectativas tras promesas tecnológicas incumplidas.

Expresión para la IA clásica basada en símbolos, lógica, reglas y representación explícita de los conocimientos.

Antiguo modelo de clasificador neuronal con umbral, importante en la historia del aprendizaje de redes.

Renovado interés por las redes de neuronas, favorecido notamment por la retropropagación, los datos y la potencia de cálculo.

Subcampo del aprendizaje automático basado en redes neuronales con varias capas de transformaciones aprendidas.

Modelo entrenado con datos amplios y luego reutilizable o adaptable a una pluralidad de tareas.

Término empleado especialmente en el marco europeo para ciertos modelos con una generalidad significativa; su alcance jurídico depende del texto aplicable.

Expresión contextual para modelos cercanos a las capacidades más avanzadas en un momento dado; no define una clase estable.

Diseño en el que el sistema apoya el juicio y el trabajo humano en lugar de aspirar a sustituirlos por completo.

Arquitectura que combina varios enfoques, por ejemplo reglas simbólicas, redes neuronales y herramientas externas.

Enfoque que busca asociar aprendizaje neuronal con representaciones u operaciones lógicas explícitas.

Funcionalidad de IA ejecutada en un aparato o sistema dedicado en lugar de hacerlo exclusivamente en un servidor remoto.

Valor numérico único, por oposición a un vector, una matriz o un tensor.

Lista ordenada de números que representa características, coordenadas o valores numéricos.

Tabla bidimensional de valores utilizada, entre otros fines, para representar transformaciones y pesos.

Estructura de datos multidimensional que constituye una representación habitual de entradas, activaciones y parámetros.

Eje o número de componentes de una representación; los vectores de embedding suelen tener muchas dimensiones.

Espacio de representaciones internas aprendidas en el que las propiedades de los datos se codifican numéricamente.

Variable cuyo valor sigue una ley de probabilidad; útil para modelar incertidumbre y muestreo.

Descripción de las probabilidades asociadas a los diferentes valores o eventos posibles.

Probabilidad de un evento cuando se conoce otra información o condición.

Representación probabilística de una creencia o hipótesis antes de tomar en cuenta una observación dada.

Distribución actualizada tras tomar en cuenta observaciones en un marco probabilístico.

Método que actualiza distribuciones de creencia a partir de los datos según la regla de Bayes.

Medida de compatibilidad de los datos observados con un modelo o un valor de sus parámetros.

Función que penaliza los errores del modelo durante su aprendizaje; generalmente se busca reducirla.

Vector de las derivadas de una función que indica localmente las direcciones de variación de esta.

Medida de variación de una función cuando se modifica una variable manteniendo las demás constantes.

Familia de métodos que modifican los parámetros en una dirección dirigida a reducir la función de pérdida.

Optimización de una función y un dominio con propiedades favorables, notamment la ausencia de mínimos locales no globales en el marco adecuado.

Punto cuyo valor es inferior o igual a los de su entorno sin ser necesariamente el mejor globalmente.

Técnicas que limitan la complejidad o restringen el aprendizaje para mejorar la generalización.

Medida de tamaño o longitud de un vector o de un conjunto de parámetros según una regla matemática.

Medida basada en el ángulo entre dos vectores; se utiliza a menudo para comparar embeddings.

Distancia geométrica clásica entre dos puntos en un espacio numérico.

Medida de la incertidumbre de una distribución; su interpretación precisa depende del marco.

Pérdida que compara una distribución objetivo con una distribución predicha, habitual en clasificación y modelos de lenguaje.

Ejemplo utilizado para ajustar los parámetros de un modelo durante el aprendizaje.

Subconjunto de datos reservado al ajuste de parámetros; distinto de los conjuntos de validación y de prueba.

Datos que sirven para elegir ajustes o seleccionar un modelo sin servir normalmente para su ajuste directo.

Datos mantenidos aparte hasta la evaluación final con el fin de estimar el rendimiento sobre ejemplos nuevos.

Colección de ejemplos organizada para entrenar, adaptar, analizar o evaluar un modelo.

Conjunto de textos, sonidos, imágenes u otros documentos que constituye un recurso de análisis o de aprendizaje.

Unidad de datos individual, como una fila de tabla, una imagen o una conversación.

Variable descriptiva proporcionada al modelo o construida a partir de los datos.

Resultado que un aprendizaje supervisado busca predecir a partir de las características.

Categoría o valor atribuido a un ejemplo y utilizado como referencia para una tarea supervisada.

Adición de información descriptiva o de etiquetas a los datos, manual o automáticamente.

Referencia considerada correcta en una evaluación; puede ser imperfecta o subjetiva.

Descripción de los campos, tipos y restricciones que debe respetar un conjunto de datos.

Información que describe un contenido, por ejemplo su procedencia, fecha, idioma o derechos de uso.

Datos organizados según un esquema explícito, por ejemplo filas y columnas.

Contenidos sin estructura tabular impuesta, como imágenes, textos libres o grabaciones de audio.

Datos con una organización parcial, como ciertos documentos JSON o XML.

Transformaciones aplicadas antes del entrenamiento o de la inferencia: limpieza, escalado, extracción, segmentación, etc.

Corrección, filtrado o eliminación de ejemplos inutilizables, incoherentes o corruptos.

Detección y eliminación de ejemplos idénticos o demasiado cercanos para limitar repeticiones y contaminaciones.

Transformación de valores hacia una escala o convención coherente; no siempre equivale a estandarización.

Transformación que suele centrar una variable y ajustar su escala, por ejemplo con su media y su desviación típica.

Situación en la que algunas categorías están mucho menos representadas que otras, lo que puede sesgar el aprendizaje o las métricas.

Selección de una parte de los datos según un mecanismo definido, aleatorio o no.

Constitución de muestras que conservan una distribución deseada de grupos o categorías.

Creación de variantes de ejemplos existentes para incrementar la diversidad de entrenamiento sin recoger necesariamente nuevos datos.

Ejemplos producidos artificialmente, por simulación o generación, en lugar de recogidos directamente del mundo observado.

Expresión a contextualizar: puede designar información confidencial o categorías particulares definidas jurídicamente de datos personales.

Presencia de información indebidamente disponible durante el entrenamiento o la validación, lo que hace la evaluación artificialmente favorable.

Inclusión directa o indirecta de ejemplos de evaluación en los datos o procedimientos que han servido para el desarrollo.

Evolución de la distribución de las entradas entre el entrenamiento y la explotación.

Cambio de la relación entre las entradas y lo que se busca predecir.

Trazabilidad del origen, de las transformaciones y del uso de los datos a lo largo de su ciclo de vida.

Métodos que permiten ajustar un modelo a partir de datos para realizar una tarea, sin programar explícitamente cada regla de salida.

Entrenamiento sobre ejemplos asociados a un objetivo conocido, para aprender a predecir ese objetivo.

Búsqueda de estructuras en los datos sin disponer de objetivos explícitos para la tarea considerada.

Uso conjunto de datos etiquetados y no etiquetados para aprender una tarea.

Creación automática de una tarea de aprendizaje a partir de los propios datos, por ejemplo predecir elementos enmascarados.

Selección de ejemplos considerados útiles para anotar, a menudo para limitar los costos de etiquetado.

Aprendizaje de una política de acción a partir de interacciones, recompensas y a veces penalizaciones en un entorno.

Reutilización de los conocimientos aprendidos en una tarea o dominio para facilitar otro.

Actualización del modelo a medida que llegan los ejemplos, sin reentrenar necesariamente sobre todo el corpus.

Adaptación sucesiva a nuevas tareas o datos buscando notamment preservar las capacidades anteriores.

Entrenamiento coordinado sobre varios dispositivos u organizaciones sin centralizar necesariamente sus datos brutos.

Atribución de una o varias categorías discretas a un ejemplo.

Predicción de un valor numérico continuo a partir de características.

Organización no supervisada de ejemplos en grupos según una medida de proximidad o una estructura aprendida.

Transformación de datos hacia menos variables preservando cierta información útil.

Proyección lineal que construye ejes capturando una gran parte de la varianza de los datos.

Método que predice a partir de los ejemplos de entrenamiento más cercanos a una nueva entrada.

Modelo que construye reglas de separación sucesivas entre características para predecir una salida.

Conjunto de árboles de decisión entrenados con aleatoriedad para agregar sus predicciones.

Construcción progresiva de un conjunto de modelos en el que cada etapa busca mejorar el rendimiento de las anteriores.

Técnica de boosting que añade modelos para reducir progresivamente una función de pérdida.

Método que busca una frontera de separación con margen, eventualmente en un espacio transformado por un núcleo.

Modelo estadístico utilizado a menudo en clasificación para estimar probabilidades mediante una función logística.

Clasificador probabilístico basado en una hipótesis simplificadora de independencia condicional de las características.

Sistema que combina las predicciones de varios modelos para mejorar la estabilidad o el rendimiento.

Modelo demasiado ajustado a las particularidades de los datos de entrenamiento, que generaliza mal a nuevos casos.

Modelo o entrenamiento insuficiente para capturar las regularidades útiles, incluso sobre los datos de entrenamiento.

Capacidad de un modelo para funcionar sobre ejemplos no encontrados en el entrenamiento.

Compromiso analítico entre errores ligados a hipótesis demasiado rígidas y sensibilidad excesiva a los datos de entrenamiento.

Evaluación repetida sobre varias particiones de los datos para apreciar mejor la estabilidad de un método.

Modelo constituido por capas de cálculo parametrizadas cuyas transformaciones se ajustan mediante aprendizaje.

Unidad de cálculo que combina entradas ponderadas y una función de transformación.

Conjunto de operaciones aplicadas a una representación entre la entrada y la salida de una red.

Capa interna situada entre los datos proporcionados y la salida final de una red.

Parámetros numéricos ajustables que controlan la influencia de las entradas y transformaciones en una red.

Valor ajustable añadido a una transformación neuronal; debe distinguirse del sesgo estadístico o social.

Transformación, a menudo no lineal, que da a la red la capacidad de aprender relaciones complejas.

Función de activación que devuelve cero para una entrada negativa y la propia entrada en caso contrario.

Activación que pondera progresivamente la entrada, frecuente en ciertas arquitecturas Transformer.

Función que lleva un valor real al intervalo abierto entre cero y uno.

Función que convierte un vector de puntuaciones en una distribución de valores positivos cuya suma vale uno.

Cálculo de las salidas sucesivas de la red desde sus entradas con los parámetros actuales.

Cálculo eficiente de los gradientes a través las operaciones de la red mediante la regla de derivación en cadena.

Arquitectura que utiliza operaciones de convolución, históricamente importante para el procesamiento de imágenes.

Operación que aplica un filtro local sobre datos, en especial espaciales o temporales.

Agregación local que disminuye la resolución de una representación, por ejemplo mediante máximo o promedio.

Arquitectura que transmite un estado interno de una etapa temporal a la siguiente para procesar secuencias.

Variante de red recurrente que utiliza puertas para gestionar mejor las dependencias en secuencias largas.

Arquitectura recurrente con puertas más compacta que ciertas configuraciones LSTM.

Red que aprende a representar una entrada en un código y luego a reconstruirla o a aproximar su contenido.

Modelo generativo que aprende una distribución de representaciones latentes y un mecanismo de reconstrucción.

Dos redes entrenadas en competencia: un generador produce ejemplos y un discriminador intenta distinguirlos de los reales.

Arquitectura que explota los nodos y enlaces de un grafo para aprender representaciones relacionales.

Arquitectura dotada de conexiones que facilitan el paso de información y de gradientes entre capas.

Adición de una entrada a la salida de una transformación para facilitar la optimización de redes profundas.

Ajuste de las activaciones según estadísticas calculadas dentro de la representación considerada.

Normalización basada en las estadísticas de un lote de ejemplos, utilizada en distintas arquitecturas neuronales.

Técnica de regularización que desactiva aleatoriamente ciertas activaciones durante el entrenamiento.

Modelo capaz de procesar o producir varias modalidades, como texto, imagen, audio o vídeo.

Arquitectura que dispone de varias subredes expertas y de un mecanismo que selecciona las movilizadas para cada entrada o token.

Elección, mediante un mecanismo de selección, de los expertos de una arquitectura MoE utilizados para una parte del cálculo.

Entrenamiento de un modelo estudiante para reproducir ciertos comportamientos o salidas de un modelo maestro.

Arquitectura neuronal basada principalmente en mecanismos de atención para procesar las relaciones entre los elementos de una secuencia.

Mecanismo que pondera la influencia de diferentes elementos de una representación sobre el cálculo de otros elementos.

Atención calculada entre los elementos de una misma secuencia o representación.

Atención que conecta una representación con otra, por ejemplo los tokens de un decodificador con las salidas de un codificador.

Uso simultáneo de varias proyecciones de atención para captar diversas relaciones.

Rama especializada de cálculo de la atención dentro de un módulo multi-cabeza.

Parte de la arquitectura que transforma una entrada en representaciones internas utilizadas para comprender o condicionar una tarea.

Parte de la arquitectura que produce una salida, a menudo token a token o a partir de representaciones de un codificador.

Modelo que combina la representación de una entrada y la generación condicionada de una salida, habitual en traducción.

Transformer que utiliza un bloque decodificador para predecir sucesivamente tokens a partir de su contexto.

Unidad discreta manipulada por un modelo; puede representar una palabra, un fragmento, un signo o un elemento de otra modalidad.

Transformación de un contenido en unidades discretas e identificadores comprensibles por el modelo.

Componente que aplica una estrategia de segmentación y de conversión entre texto e identificadores de tokens.

Fragmento de palabra empleado por algunos tokenizadores para representar eficazmente los vocabularios.

Procedimiento de construcción de tokens fusionando progresivamente secuencias frecuentes de símbolos.

Identificador reservado para un uso estructural, como el inicio o la separación de mensajes, según el modelo.

Representación numérica densa de un objeto, como una frase, un documento, una imagen o un token.

Vector asociado al identificador de un token, que sirve de entrada a la red de neuronas.

Vector que representa una frase completa para la búsqueda, comparación o clasificación semántica.

Información añadida a las representaciones para que el modelo distinga el orden o las posiciones de los tokens.

Método de codificación posicional que utiliza rotaciones de las representaciones para influir en el cálculo de la atención.

Estructura que indica qué posiciones puede consultar o debe ignorar el mecanismo de atención.

Restricción que impide a un token generado consultar los tokens futuros en una generación autorregresiva.

Cantidad máxima de tokens o elementos que el modelo puede tomar en cuenta en una consulta según su arquitectura y su servicio.

Capacidad de un modelo para procesar secuencias largas; no garantiza recuperar fielmente cada detalle lejano.

Conservación de las claves y valores de atención ya calculados para acelerar la generación secuencial.

Puntuación bruta producida antes de la transformación en probabilidad, notamment para los tokens candidatos.

Probabilidades atribuidas a los diferentes tokens candidatos en una etapa de generación.

Objetivo de modelado que consiste en estimar el token siguiente a partir del contexto previo.

Preentrenamiento en el que el modelo aprende a recuperar elementos ocultos en una secuencia.

Producción de una secuencia condicionando cada nuevo elemento a los elementos ya disponibles.

Proceso que ajusta los parámetros de un modelo a partir de ejemplos y de una función objetivo.

Primera fase de aprendizaje general sobre datos a menudo amplios, que precede a eventuales adaptaciones.

Entrenamiento complementario de un modelo preexistente sobre datos u objetivos específicos para modificar su comportamiento.

Ajuste que utiliza pares entrada-respuesta considerados como demostraciones esperadas.

Valor del modelo autorizado a cambiar durante la fase de optimización considerada.

Ajuste que controla el desarrollo del aprendizaje, como la tasa de aprendizaje o el tamaño de lote.

Amplitud de las actualizaciones de los parámetros en cada etapa de optimización.

Estrategia que hace evolucionar la tasa de aprendizaje a lo largo de las etapas de entrenamiento.

Pasada completa sobre el conjunto de entrenamiento según el procedimiento definido.

Actualización o unidad de progreso en la optimización; su conteo depende del pipeline.

Conjunto de ejemplos tratados juntos durante un cálculo de aprendizaje o de inferencia.

Pequeño subconjunto de ejemplos utilizado para aproximar un gradiente sin tratar todo el conjunto a la vez.

Número de ejemplos o unidades reunidos en un lote; influye en la memoria y la dinámica de optimización.

Suma de gradientes calculados sobre varios lotes pequeños antes de una actualización de parámetros.

Algoritmo que convierte los gradientes en actualizaciones de los parámetros del modelo.

Descenso de gradiente estocástico que utiliza estimaciones de gradiente por ejemplos o mini-lotes.

Optimizador adaptativo que utiliza estimaciones de los momentos de los gradientes para ajustar las actualizaciones.

Variante de Adam que separa la decaimiento de pesos de las actualizaciones basadas en el gradiente.

Penalización o reducción controlada de los pesos, a menudo destinada a limitar su crecimiento.

Limitación de la amplitud de los gradientes para reducir ciertas inestabilidades de entrenamiento.

Arranque progresivo, a menudo de la tasa de aprendizaje, para estabilizar las primeras etapas de optimización.

Guardado del estado de un modelo y eventualmente del optimizador que permite reanudar o comparar.

Detención del entrenamiento cuando la calidad medida en validación deja de progresar según una regla definida.

Distribución de los cálculos de aprendizaje entre varios procesadores o máquinas.

Distribución de lotes de datos entre varios dispositivos que coordinan sus actualizaciones.

Distribución de las partes de un mismo modelo sobre varios dispositivos de cálculo.

Uso de varios formatos numéricos durante el entrenamiento para optimizar memoria y velocidad manteniendo una estabilidad suficiente.

Valor de la función de pérdida medida sobre datos no utilizados directamente para ajustar el modelo.

Degradación de capacidades previamente aprendidas cuando el modelo se adapta a nuevos datos o tareas.

Actualización del conjunto o de la mayoría de los pesos de un modelo, a diferencia de las adaptaciones limitadas.

Familia de métodos que adaptan un modelo entrenando una pequeña proporción de parámetros o módulos añadidos.

Técnica PEFT que aprende matrices de bajo rango para modificar eficazmente ciertas transformaciones del modelo.

Enfoque que combina un modelo base cuantificado y adaptadores LoRA entrenables para ahorrar memoria de adaptación.

Pequeño módulo añadido a un modelo para especializar su comportamiento sin reentrenar todos los pesos.

Combinación de adaptaciones en el modelo o entre ellas, según un método compatible y sus restricciones.

Conjunto de métodos destinados a acercar el comportamiento de un sistema a los objetivos, instrucciones y restricciones definidos.

Ajuste sobre ejemplos de consignas y respuestas para seguir mejor las demandas de los usuarios.

Juicio comparativo o nota proporcionado por una persona sobre salidas posibles de un modelo.

Modelo que aprende a atribuir una puntuación a respuestas o acciones según una señal de preferencia o utilidad.

Entrenamiento por refuerzo a partir de retornos humanos, a menudo mediante un modelo de recompensa aprendido.

Aprendizaje por refuerzo que utiliza retornos producidos por una IA en lugar de por una persona, bajo criterios definidos.

Método que ajusta un modelo directamente a partir de pares de preferencias, sin etapa separada clásica de entrenamiento RL.

Algoritmo de optimización por refuerzo que limita ciertas variaciones de política durante las actualizaciones.

Selección de salidas candidatas según una regla de calidad, utilizada notamment para constituir ejemplos de entrenamiento.

Familia de métodos que orientan el entrenamiento o la revisión de respuestas a partir de principios explícitos; el término está asociado a un enfoque particular.

Entrenamiento de un modelo sobre trazas o ejemplos de resolución producidos por otro sistema; una traza plausible no es prueba de razonamiento fiable.

Mejora de una puntuación aprendida o medida que ya no corresponde a una mejora real del objetivo buscado.

Comportamiento que maximiza una recompensa aprovechando las fallas de su definición en lugar de cumplir la intención de la tarea.

Comportamiento consistente en rechazar ciertas solicitudes según criterios definidos, evitando a la vez rechazos injustificados.

Modelo que estima o genera secuencias lingüísticas; puede ser de tamaño y arquitectura variados.

Campo que construye métodos para analizar, comprender operativamente o generar lenguaje humano en forma textual u oral.

Familia de tareas destinadas a extraer intenciones, relaciones o información de los enunciados, sin suponer una comprensión humana.

Producción automática de formulaciones lingüísticas a partir de datos, representaciones o un contexto.

Designación de una familia de arquitecturas o modelos generativos preentrenados basados en Transformers; no todos los LLM son GPT.

Modelo de lenguaje de gran tamaño entrenado sobre corpus importantes, capaz de numerosas tareas textuales y a veces multimodales.

Modelo lingüístico relativamente compacto, a menudo elegido por restricciones de costo, latencia o hardware; el umbral de tamaño varía.

Modelo que ha recibido un entrenamiento o ajuste destinado a seguir instrucciones en lugar de solo completar texto.

Versión de un modelo antes de ciertos ajustes conversacionales o de negocio; el significado exacto depende del editor.

Aplicación conversacional que utiliza reglas, modelos o su combinación para intercambiar con un usuario.

Aplicación que ayuda a realizar tareas mediante una interfaz, eventualmente utilizando herramientas, memoria y varios modelos.

Parte de las instrucciones que definen el marco de funcionamiento de un asistente, según la interfaz utilizada.

Contenido de una solicitud transmitida por una persona o un programa con el rol de usuario en un formato conversacional.

Respuesta o acción emitida por el modelo en el rol de asistente dentro de una conversación estructurada.

Intercambio o etapa de una conversación; las modalidades de conteo varían según los sistemas.

Parámetro que modifica la concentración de la distribución de tokens durante el muestreo; cero no garantiza siempre un determinismo total.

Decodificación que limita los tokens candidatos a los k puntuaciones más altas antes del muestreo.

Decodificación que conserva un conjunto de tokens cuya probabilidad acumulada alcanza un umbral y muestrea entre ellos.

Elección en cada etapa del token con la puntuación más alta, sin explorar varias secuencias posibles.

Búsqueda que mantiene varias hipótesis de secuencias durante la generación y las compara según sus puntuaciones.

Parámetro que reduce la probabilidad de repetir ciertos tokens o secuencias según un método dado.

Valor que inicializa un generador pseudoaleatorio para ayudar a reproducir un sorteo, bajo reserva de un entorno compatible.

Límite impuesto al número de tokens o unidades producidos en una respuesta.

Medida de caudal de generación; debe interpretarse con el hardware, el tamaño de lote y el método de medición.

Tiempo transcurrido entre el envío de una solicitud y la disponibilidad del primer token generado.

Transmisión progresiva de los fragmentos generados sin esperar el final de la respuesta completa.

Generación limitada a una estructura autorizada, por ejemplo un JSON conforme a un esquema.

Respuesta producida siguiendo campos y tipos definidos para ser tratada automáticamente.

Producción de una solicitud de llamada de herramienta estructurada que una aplicación puede validar y ejecutar.

Producción de información errónea o no respaldada presentada como verdadera; el término no implica ninguna experiencia subjective del modelo.

Entrada proporcionada a un modelo para guiar su tarea; puede incluir instrucciones, ejemplos, contexto y datos multimodales.

Diseño, prueba y mejora de las instrucciones y contextos enviados a un modelo para obtener resultados más adecuados.

Solicitud para ejecutar una tarea sin proporcionar ejemplo resuelto en la instrucción.

Instrucción acompañada de un solo ejemplo que ilustra la salida esperada.

Instrucción acompañada de algunos ejemplos que ilustran la tarea o el formato esperado.

Expresión que designa una sucesión textual de etapas de resolución; su presencia no atestigua que el texto describa fielmente los cálculos internos.

Instrucción que invita a explicar un método o una justificación verificable en lugar de solo producir una respuesta.

División de un objetivo complejo en subtareas más simples, secuenciales o paralelas.

Instrucciones de nivel superior transmitidas en ciertos formatos de API para enmarcar un asistente; su prioridad depende de la plataforma.

Solicitud o material proporcionado a nivel de usuario, distinto de las reglas de la aplicación y de los datos recuperados.

Modelo reutilizable de instrucciones con campos variables, útil para homogeneizar tareas recurrentes.

Valor insertado en una plantilla de instrucción, por ejemplo idioma, público o documento objetivo.

Documentos, extractos o información añadidos a una solicitud para ayudar al modelo a responder un caso concreto.

Marcador que separa instrucciones y datos en una entrada para aclarar su función.

Encadenamiento de varias llamadas cuyas salidas alimentan las etapas siguientes.

Etapa en la que un sistema critica su propia salida según criterios; no sustituye una verificación independiente.

Segunda pasada que pide mejorar una propuesta teniendo en cuenta criterios o comentarios.

Contraejemplo que ilustra un resultado a evitar en una instrucción o en datos de aprendizaje.

Descripción de un rol o punto de vista profesional asignado a un asistente para orientar estilo y encuadre, sin conferirle una experiencia real.

Consignas incompatibles que obligan al sistema a seguir una regla de prioridad o a señalar la ambigüedad.

Situación en la que la cantidad de información se acerca a la capacidad útil de procesamiento, con riesgo de truncamiento o pérdida de atención.

Arquitectura que recupera documentos o datos en el momento de una solicitud y los proporciona al generador para contextualizar su respuesta.

Métodos que permiten encontrar documentos o pasajes pertinentes en una colección.

Estructura organizada que permite recuperar más eficientemente datos o documentos sin recorrerlo todo en cada consulta.

Estructura que asocia términos a los documentos que los contienen, utilizada por la búsqueda léxica.

Búsqueda basada en las palabras, términos o correspondencias textuales de una consulta.

Función de clasificación léxica que tiene en cuenta notamment la frecuencia de los términos y la longitud de los documentos.

Búsqueda que utiliza representaciones del significado en lugar de la mera coincidencia exacta de palabras.

Búsqueda de vectores cercanos a una consulta numérica según una métrica definida.

Sistema que almacena e interroga vectores, a menudo acompañados de metadatos y filtros.

Estructura que permite buscar rápidamente vecinos aproximadamente cercanos en grandes conjuntos vectoriales.

Estructura de grafo jerárquico utilizada para la búsqueda aproximativa de vecinos cercanos.

Combinación de búsqueda léxica y semántica, con fusión o reclasificación de los resultados.

Porción de documento recortada para indexación, recuperación o inserción en un contexto.

Estrategia de división de los documentos en segmentos, según tamaño, estructura o significado.

Repetición controlada de una pequeña zona entre dos segmentos adyacentes para limitar las rupturas de contexto.

Componente que selecciona los pasajes o documentos susceptibles de responder a una consulta.

Segunda etapa que reordena los resultados recuperados con un modelo o una puntuación más precisa.

Modelo que evalúa conjuntamente consulta y documento para atribuir una puntuación de pertinencia.

Nueva formulación de una pregunta para mejorar la etapa de búsqueda sin cambiar la intención inicial.

Adición de términos o formulaciones emparentadas para mejorar la cobertura documental.

Restricción de la recuperación según fuente, fecha, idioma, derechos u otro atributo.

Sistema que vincula sus afirmaciones a los pasajes recuperados; las citas mostradas no garantizan su exactitud.

Relación de una salida con datos verificables o fuentes proporcionadas, sin garantía automática de verdad.

Colección de archivos o conocimientos conservada en el aparato e interrogable por un motor de búsqueda o RAG.

Representación de entidades y relaciones en forma de nodos y enlaces explotables por la búsqueda o el razonamiento.

Familia de arquitecturas que combinan recuperación documental y estructuras de grafo; sus implementaciones varían.

Aplicación que planifica o elige acciones en función de un objetivo, a menudo con ayuda de un modelo y herramientas autorizadas.

Ciclo de observación, decisión, acción y verificación que puede repetirse hasta una condición de parada.

Componente que coordina modelos, herramientas, etapas, autorizaciones y gestión de errores en un flujo de trabajo.

Elección de una sucesión de etapas o acciones para alcanzar un objetivo bajo restricciones.

Función exterior accesible al sistema, como cálculo, búsqueda, terminal o API, bajo control de la aplicación.

Realización efectiva de una acción solicitada por un agente; debe distinguirse de la simple generación de una intención de llamada.

Inventario que describe las herramientas disponibles, sus parámetros, permisos y modalidades de respuesta.

Autorización que precisa los recursos y operaciones a los que un agente puede acceder.

Atribución al sistema de los únicos permisos necesarios para la acción legítima considerada.

Organización que impone una intervención humana en ciertas decisiones o etapas del sistema.

Etapa de aprobación obligatoria antes de una acción arriesgada o irreversible, como publicar o eliminar.

Condición que bloquea un flujo de trabajo hasta obtener un acuerdo o una verificación.

Agente capaz de seleccionar diferentes herramientas según la tarea y las capacidades disponibles.

Conjunto de varios agentes coordinados, cooperativos o concurrentes, cuyos roles están explícitamente repartidos.

Agente o componente encargado de repartir las tareas y verificar las salidas de otros componentes.

Almacenamiento explícito de información o estados que la aplicación puede reintroducir en las interacciones futuras.

Información temporal disponible durante una sesión o una tarea en curso.

Información registrada más allá de una consulta o sesión en un soporte previsto a tal efecto.

Datos que describen en qué punto se encuentra un flujo de trabajo y lo que ya se ha realizado.

Mecanismo que permite a un flujo de trabajo continuar tras un fallo, interrupción o error según el estado guardado.

Propiedad de una operación cuyas múltiples ejecuciones tienen el mismo efecto deseado que una sola, importante para los relanzamientos automáticos.

Criterio que determina cuándo el agente debe dejar de iterar; en su defecto, un bucle puede consumir recursos indefinidamente.

Entorno aislado que limita lo que un código o herramienta ejecutado puede ver o modificar.

Convención que permite a una aplicación descubrir y llamar funciones externas según esquemas compartidos.

Protocolo abierto que define intercambios entre aplicaciones de IA y servidores que exponen notamment herramientas, recursos o instrucciones; su uso no garantiza su seguridad.

Campo que desarrolla métodos para analizar o interpretar imágenes y vídeos.

Atribución de una o varias categorías globales a una imagen.

Identificación de objetos presentes y estimación de sus posiciones en una imagen.

Rectángulo que representa aproximadamente la posición y la extensión de un objeto detectado.

Atribución de una clase a cada píxel sin separar necesariamente los objetos de una misma clase.

Identificación separada de cada objeto y de sus píxeles, incluso entre objetos de la misma categoría.

Combinación de segmentación semántica y distinción de las instancias en una representación unificada.

Extracción del texto visible en una imagen o un documento digitalizado.

Transcripción automática de escritura a mano, a menudo más variable que el texto impreso.

Modelo que conecta representaciones visuales y lenguaje para describir, interrogar o razonar sobre imágenes.

Componente que transforma una imagen o vídeo en representaciones numéricas explotables por otros módulos.

Arquitectura que aplica Transformers a trozos o representaciones de imágenes.

Pequeña región de imagen tratada como unidad por ciertos modelos visuales.

Producción de una imagen condicionada por una descripción textual.

Transformación de una imagen fuente en otra según instrucciones o condiciones.

Generación o modificación selectiva dentro de una zona enmascarada de la imagen.

Extensión generativa de una imagen más allá de sus límites iniciales.

Estimación de una versión con mayor resolución a partir de una entrada menos detallada; puede inventar detalles.

Síntesis de secuencias de imágenes en el tiempo, condicionada o no por texto y referencias.

Estabilidad de los objetos, identidades, movimientos o detalles de una imagen a otra en un vídeo generado o analizado.

Asociación de las posiciones de un mismo objeto entre imágenes sucesivas de un vídeo.

Detección de posiciones o articulaciones de un cuerpo u objeto según una representación elegida.

Estimación de la profundidad de una escena a partir de una sola imagen, con posibles ambigüedades de escala.

Método que aprende una representación volumétrica de una escena para sintetizar nuevas vistas a partir de observaciones.

Estimación de geometría o estructura tridimensional a partir de imágenes, medidas u otras entradas.

Modelo generativo que aprende generalmente a invertir un proceso de ruido para producir muestras.

Procedimiento que añade ruido a los datos a lo largo de varias etapas de un modelo de difusión.

Estimación y eliminación gradual del ruido durante la generación por difusión.

Generación por difusión realizada en un espacio comprimido de representaciones en lugar de directamente en los píxeles.

Regla que define la secuencia de niveles de ruido y etapas utilizadas durante el muestreo.

Algoritmo que aplica las etapas de generación de un modelo, notamment para elegir una trayectoria de desruido.

Número de iteraciones de muestreo; más etapas no siempre mejoran el resultado.

Parámetro que refuerza o reduce la influencia del condicionamiento en ciertos modelos de difusión.

Descripción de los elementos a desincentivar en generadores que admiten este tipo de condicionamiento.

Información externa que guía una generación, como un texto, una imagen, una pose o un sonido.

Arquitectura de control que añade condiciones espaciales a ciertos generadores de imágenes por difusión.

Componente que permite acondicionar un generador visual a partir de características de una imagen de referencia.

Transformación o prolongación de material musical mediante un modelo, según las funcionalidades ofrecidas.

Generación artificial de una señal de habla a partir de un texto, con una voz y una prosodia según el sistema.

Conversión de una señal vocal en transcripción textual.

Transformación o generación de una salida vocal a partir de una entrada hablada.

Síntesis que imita las características de una voz objetivo; su uso plantea cuestiones de consentimiento y suplantación.

Extracción de voces o instrumentos a partir de una mezcla de audio.

Identificación de los cambios de hablante y asociación de los segmentos de habla a identidades vocales provisionales.

Modelo que conecta representaciones sonoras y textuales para describir, buscar o responder sobre sonidos.

Síntesis de una secuencia de vídeo a partir de una descripción escrita.

Animación o prolongación de una imagen fija mediante generación temporal.

Representación visual animada o producida por IA para encarnar un personaje o una interfaz.

Correspondencia del movimiento de los labios con una señal vocal.

Contenido sintético o modificado que da falsamente la apariencia de una persona o un evento real; el contexto y la intención varían.

Medida de las capacidades y límites de un sistema sobre tareas, datos y criterios definidos.

Conjunto de tareas y protocolos que permiten comparar sistemas en condiciones precisadas.

Medida cifrada de un aspecto de calidad, costo o rendimiento; ninguna métrica única resume todo un sistema.

Proporción de predicciones correctas entre todas las predicciones, a interpretar con la distribución de las clases.

Entre los ejemplos predichos positivos, proporción de los que son realmente positivos.

Entre los ejemplos realmente positivos, proporción de los recuperados por el modelo.

Media armónica de la precisión y la cobertura, útil cuando ambas dimensiones importan.

Tabla que compara clases predichas y clases de referencia para detallar los errores.

Ejemplo que pertenece realmente a la clase positiva y que el modelo identifica correctamente como tal.

Ejemplo que pertenece realmente a la clase negativa pero predicho erróneamente como positivo por el sistema.

Ejemplo que pertenece realmente a la clase positiva pero clasificado erróneamente como negativo por el sistema.

Ejemplo que pertenece realmente a la clase negativa y correctamente reconocido como tal por el sistema.

Curva que relaciona la tasa de verdaderos positivos y la tasa de falsos positivos al variar un umbral de decisión.

Área bajo una curva, a menudo ROC; su significado depende del tipo de curva precisado.

Grado de correspondencia entre las probabilidades anunciadas y las frecuencias reales de los eventos.

Medida de la capacidad de un modelo de lenguaje para atribuir una probabilidad a las secuencias de evaluación; por sí sola no evalúa la utilidad de las respuestas.

Métrica histórica de traducción basada notamment en la coincidencia de grupos de palabras con referencias.

Familia de medidas de coincidencia textual empleadas notamment para la evaluación de resúmenes.

Tasa de errores de transcripción calculada a partir de las sustituciones, supresiones e inserciones de palabras.

Criterio que exige que una predicción coincida exactamente con una respuesta de referencia según una regla definida.

Juicio realizado por personas sobre salidas según una rejilla y consignas explícitas.

Comparación en la que el evaluador ignora la identidad o una característica de los sistemas comparados.

Comparación de dos salidas para expresar una preferencia relativa según criterios definidos.

Uso de un modelo de lenguaje para puntuar o comparar salidas; los sesgos y la fiabilidad del juez deben examinarse.

Proporción de salidas o afirmaciones clasificadas como no respaldadas según un protocolo preciso.

Análisis separado de la calidad de recuperación, del uso de las fuentes y de la respuesta final.

Proporción de elementos pertinentes recuperados en los k primeros resultados según el conjunto de referencia.

Proporción de los k primeros resultados que son pertinentes según la definición elegida.

Promedio del inverso del rango del primer resultado pertinente sobre un conjunto de consultas.

Métrica de clasificación que tiene en cuenta la pertinencia gradual y la posición de los resultados.

Capacidad de mantener un rendimiento aceptable cuando las condiciones o entradas varían.

Evaluación sobre entradas diferentes de las típicamente representadas en el entrenamiento.

Verificación de que una modificación del sistema no deteriora comportamientos previamente esperados.

Comparación experimental de dos versiones repartidas entre grupos según un protocolo definido.

Intervalo calculado por un método estadístico para expresar la incertidumbre de una estimación.

Resultado de una prueba que indica la compatibilidad de las observaciones con una hipótesis según un umbral; no mide automáticamente la importancia práctica.

Conjunto de prácticas destinadas a prevenir daños, abusos y comportamientos no deseados de los sistemas de IA.

Capacidad de un sistema para funcionar de manera aceptable a pesar de defectos, errores o situaciones imprevistas.

Puesta a prueba adversarial de un sistema para buscar debilidades, abusos posibles y escenarios de fallo.

Intento de hacer que datos o instrucciones no fiables sean tratados como consignas autorizadas para desviar el sistema.

Ataque insertado directamente en un mensaje dirigido al modelo para modificar su comportamiento fuera del marco autorizado.

Ataque colocado en un contenido externo, como un documento o una página recuperada, que el asistente podría seguir erróneamente.

Intento de eludir las restricciones de comportamiento de un modelo; este término no cubre todas las inyecciones indirectas.

Extracción o transmisión no autorizada de información hacia un destinatario o ubicación externa.

Introducción o modificación maliciosa de ejemplos para perturbar el entrenamiento, la búsqueda o los resultados.

Manipulación destinada a alterar los parámetros o el comportamiento de un modelo durante su desarrollo o distribución.

Comportamiento oculto activado por una condición particular y que permite una acción no deseada.

Entrada diseñada para provocar un error del modelo, a veces mediante modificaciones poco perceptibles.

Dato modificado intencionadamente para engañar a un sistema de predicción o de generación.

Intento de reconstituir las capacidades o parámetros de un modelo explotando sus respuestas o su acceso.

Método que busca deducir información sobre los datos de entrenamiento a partir de un modelo.

Ataque destinado a determinar si un ejemplo concreto pertenecía a los datos de entrenamiento.

Conservación de detalles de ejemplos de entrenamiento en los parámetros, a veces hasta una reproducción no deseada.

Divulgación de reglas internas o de contenido privilegiado en una respuesta del modelo.

Separación explícita entre instrucciones autorizadas, contenidos no fiables y acciones privilegiadas.

Combinación de protecciones independientes en lugar de depender de una sola consigna o barrera.

Controles aplicados a los datos recibidos para detectar formatos, contenidos o comportamientos problemáticos.

Controles aplicados a una respuesta antes de su visualización, transmisión o ejecución de una acción.

Medida de control técnico u organizativa que restringe ciertos comportamientos; ninguna garantiza una seguridad absoluta.

Verificación de los argumentos y de los derechos antes de cualquier acción real desencadenada por una salida de modelo.

Definición explícita de las operaciones, destinos o recursos permitidos.

Restricción del número de llamadas en un período para reducir abusos y sobrecarga.

Historial de las operaciones pertinentes que sirve para verificar quién hizo qué y en qué condiciones.

Conjunto de puntos por los que un atacante puede influir, acceder o comprometer el sistema.

Conjunto de modelos, conjuntos de datos, dependencias y artefactos externos que pueden introducir vulnerabilidades.

Protección de la integridad, distribución y condiciones de acceso a los archivos de parámetros de un modelo.

Explotación de un sistema que provoca gastos, llamadas, cálculos o almacenamiento excesivos.

Desviación sistemática en los resultados ligada al diseño, a los datos, a los objetivos o a las condiciones de uso.

Distorsión creada cuando la muestra observada no representa correctamente a la población objetivo.

Subrepresentación o representación desequilibrada de grupos o situaciones en los datos o el modelo.

Distorsión ligada a las elecciones, errores o prejuicios de las personas o procesos que atribuyen las etiquetas.

Tendencia humana a otorgar una confianza excesiva a las propuestas de una herramienta automatizada.

Objetivo de examinar y limitar ciertas disparidades injustificadas; varias definiciones matemáticas pueden ser incompatibles.

Trato desfavorable ligado al uso de un sistema que puede afectar a grupos protegidos según las normas aplicables.

Capacidad de proporcionar elementos comprensibles sobre el funcionamiento o los factores de una salida de un sistema.

Posibilidad de comprender las relaciones entre representaciones, parámetros y decisiones de un modelo.

Análisis de los factores que influyen en una predicción particular en lugar del comportamiento global.

Descripción de las tendencias o mecanismos de un modelo sobre muchas entradas.

Familia de métodos que atribuyen una contribución a las características según ideas derivadas de los valores de Shapley.

Técnica que construye un modelo simple alrededor de un ejemplo para aproximar localmente el comportamiento del modelo estudiado.

Medida de la contribución de las variables a una predicción o al rendimiento general según un método dado.

Escenario hipotético que modifica ciertos factores para examinar lo que habría podido cambiar en una salida.

Puesta a disposición de información útil sobre capacidades, límites, datos o condiciones de uso de un sistema.

Posibilidad de reconstruir las versiones, datos, decisiones y operaciones que han contribuido a un resultado.

Atribución explícita de decisiones y obligaciones a los actores que diseñan, despliegan o utilizan la IA.

Dispositivos que permiten a las personas supervisar, interpretar, corregir o interrumpir un sistema en un perímetro definido.

Efectos ligados notamment a la energía, al agua, al hardware y a los usos de un sistema a lo largo de su ciclo de vida.

Estimación de las emisiones de gases de efecto invernadero asociadas a una actividad, cuyo perímetro y método deben precisarse.

Aumento global del uso que puede compensar las ganancias de eficiencia logradas por operación.

Información relativa a una persona física identificada o identificable, directa o indirectamente, en el sentido del marco aplicable.

Tratamiento destinado a hacer imposible la identificación de una persona según criterios exigentes; eliminar un nombre no basta necesariamente.

Sustitución o separación de identificadores que reduce ciertos riesgos sin volver los datos automáticamente anónimos.

Principio que consiste en tratar solo los datos necesarios para una finalidad determinada.

Objetivo explícito para el cual se recogen o utilizan datos.

Manifestación de voluntad que responde a condiciones jurídicas específicas cuando sirve de base legal para un tratamiento.

Reglamento general de protección de datos de la Unión Europea, pertinente para los usos de IA que tratan datos personales.

Marco europeo que establece obligaciones diferenciadas para sistemas y modelos de IA según su naturaleza y sus riesgos; verificar la versión y las fechas aplicables.

Gobernanza que modula controles y obligaciones según la gravedad y la probabilidad de las consecuencias previstas.

Categoría jurídica de aplicaciones sometidas a exigencias particulares cuando se reúnen los criterios del marco regulatorio aplicable.

Práctica de IA proscrita por una norma aplicable en un contexto y jurisdicción definidos.

Exigencia de información que afecta, según los casos, a la interacción con una IA o al carácter sintético de un contenido.

Análisis estructurado de los efectos previsibles de un tratamiento o sistema sobre las personas, los derechos y los riesgos.

Atribución de los roles, políticas, controles y procesos de seguimiento durante todo el ciclo de vida de un sistema.

Identificación, evaluación, tratamiento y seguimiento de los riesgos según criterios documentados.

Conjunto de información que describe objetivo, datos, funcionamiento, evaluaciones, límites y condiciones de uso.

Formato de documentación que presenta un modelo, sus usos previstos, límites, evaluaciones y otra información útil.

Formato de documentación que describe la recogida, composición, usos y límites de un conjunto de datos.

Condiciones jurídicas que regulan el acceso, modificación, redistribución o explotación de un modelo.

Condiciones que regulan el acceso y la reutilización de un conjunto de datos, distintas de la licencia del modelo.

Software distribuido bajo una licencia que otorga libertades de consultar, modificar y redistribuir el código según las condiciones de dicha licencia.

Modelo cuyos pesos se distribuyen; esto no significa necesariamente que el código, los datos y las licencias sean abiertos en el sentido open source.

Modelo cuyo acceso, parámetros o explotación están controlados por condiciones restrictivas definidas por su titular.

Conjunto de cuestiones relativas a las obras utilizadas o producidas con IA; las reglas dependen de la jurisdicción y de las circunstancias.

Mecanismo o reserva destinado a excluir ciertos datos de los usos de entrenamiento, según su alcance técnico y jurídico.

Ejecución de una funcionalidad de IA en el aparato del usuario en lugar de hacerlo por defecto en un servidor remoto.

Funcionamiento sin conexión de red para las operaciones previstas, bajo reserva de las dependencias y activaciones eventuales.

Explotación de un sistema de IA sobre una infraestructura administrada por el usuario o su organización.

Ejecución de un modelo principalmente sobre el procesador de uso general, a veces más accesible pero menos rápida según la carga.

Aprovechamiento de las unidades de cálculo masivamente paralelas de una tarjeta gráfica para acelerar ciertos modelos.

Procesador especializado que acelera operaciones de redes neuronales en ciertos aparatos.

Memoria de vídeo disponible en una tarjeta gráfica, a menudo determinante para cargar un modelo en GPU.

Memoria principal del ordenador utilizada notamment para los pesos, búferes, datos y ejecuciones en CPU.

Caudal máximo de transferencia entre memoria y unidades de cálculo, a menudo limitante para la inferencia de modelos grandes.

Reducción de la precisión numérica de los pesos o activaciones para ahorrar memoria y a veces cálculo, con un compromiso de calidad posible.

Representación de parte de los valores del modelo sobre ocho bits, según un esquema y un método definidos.

Representación comprimida de pesos o valores sobre cuatro bits según un método particular, reduciendo fuertemente la memoria.

Conversión de precisión realizada tras el entrenamiento, con o sin calibración según el algoritmo.

Entrenamiento que simula los efectos de la baja precisión para preservar mejor la calidad final.

Eliminación de pesos, neuronas o estructuras considerados poco útiles para reducir el modelo o su cálculo.

Presencia de numerosos valores nulos o conexiones ausentes; las ganancias de hardware dependen del soporte efectivo.

Desplazamiento de parte de los pesos o cálculos entre GPU, RAM y almacenamiento para hacer frente a las limitaciones de memoria.

Distribución de las capas de un modelo entre diferentes dispositivos, a menudo CPU y GPU.

Formato de archivo frecuentemente utilizado para almacenar modelos cuantificados y sus metadatos en el ecosistema llama.cpp.

Formato de almacenamiento de tensores destinado a evitar ciertos riesgos ligados a la deserialización arbitraria de formatos ejecutables.

Formato de intercambio de grafos de modelos utilizado para facilitar su ejecución entre herramientas y motores compatibles.

Proyecto software de inferencia de modelos, conocido notamment por sus ejecutables para CPU y GPU y su compatibilidad con GGUF.

Proceso que expone un modelo cargado en el aparato, por ejemplo mediante una API utilizada por varias aplicaciones.

Motor software que carga un modelo y ejecuta sus cálculos sobre hardware compatible.

Volumen de los parámetros y artefactos; depende del número de parámetros y de su representación numérica.

Cantidad de valores ajustables o almacenados de un modelo; no basta para predecir su rendimiento.

Recursos ocupados por los estados de atención conservados durante la generación, susceptibles de crecer con el contexto y el paralelismo.

Cantidad de unidades, como tokens o imágenes, tratadas por unidad de tiempo en condiciones definidas.

Duración necesaria para obtener una salida tras una solicitud, a distinguir del caudal en carga.

Tratamiento conjunto de varias solicitudes para aprovechar mejor el hardware, con compromisos eventuales sobre la latencia.

Conjunto de prácticas de ingeniería que organizan el desarrollo, despliegue, supervisión y mantenimiento de los modelos de aprendizaje automático.

Prácticas de explotación adaptadas a las aplicaciones de modelos de lenguaje: prompts, evaluaciones, versiones, costos, fiabilidad y observabilidad.

Encadenamiento de etapas reproducibles que van desde la preparación de los datos hasta el despliegue y el seguimiento del modelo.

Secuencia de operaciones que llevan de la entrada del usuario a la salida, incluyendo preprocesamiento, modelo y postprocesamiento.

Interfaz que permite a un programa solicitar la ejecución de un modelo según parámetros definidos.

Dirección o ruta de un servicio accesible para un cliente para ejecutar una operación, como generar una respuesta.

Puesta a disposición de un modelo y de los componentes necesarios en un entorno de uso.

Explotación de un modelo para responder a solicitudes, con gestión de la carga, concurrencia y recursos.

Unidad de despliegue que agrupa aplicación y dependencias compartiendo generalmente el núcleo del sistema anfitrión.

Gestión automatizada del lanzamiento, ubicación, escalado y recuperación de contenedores.

Recurso gráfico utilizado por varias tareas o usuarios, bajo mecanismos de reparto y aislamiento variables.

Ajuste automático de la capacidad de servicio según la carga o métricas definidas.

Adición de nuevas instancias de servicio para aumentar la capacidad global.

Aumento de los recursos de una instancia existente, por ejemplo memoria o potencia de cálculo.

Recopilación de señales que permiten comprender el funcionamiento, el rendimiento y los errores de un sistema.

Seguimiento de una solicitud a través de varios componentes para identificar sus etapas y latencias.

Registro de eventos técnicos o de negocio, con precauciones sobre los datos privados que podrían figurar.

Supervisión a lo largo del tiempo de su rendimiento, entradas, derivas, costos e incidentes.

Identificación y conservación de versiones sucesivas de los parámetros y de sus artefactos asociados.

Catálogo centralizado de artefactos de modelos con versiones, metadatos y estados de despliegue.

Capacidad de encontrar resultados comparables documentando datos, código, parámetros, versiones y entorno.

Retorno controlado a una versión anterior del modelo o del servicio cuando una nueva entrega plantea problemas.

Puesta en producción limitada de una nueva versión ante una pequeña parte del tráfico antes de su generalización.

Compromiso contractual sobre una calidad de servicio definida, por ejemplo disponibilidad o plazo.

Límite de consumo o de volumen de tokens previsto para una solicitud, tarea o período.

Gasto asociado a una invocación, que depende notamment del hardware, del proveedor y del volumen tratado.

Modelo que propone contenidos o productos según características, interacciones o preferencias observadas.

Recomendación que explota similitudes entre interacciones de varios usuarios o elementos.

Clasificación de resultados adaptada a un contexto o perfil, con vigilancia sobre la confidencialidad y el efecto burbuja.

Identificación de observaciones que se desvían significativamente de un funcionamiento habitual.

Estimación de los riesgos de fallo de equipos a partir de datos operacionales.

Estimación de valores futuros utilizando una sucesión de observaciones fechadas.

Clasificación o estimación de tonalidades expresadas en un texto, con límites ligados al contexto y a la ironía.

Detección en un texto de menciones como personas, organizaciones, lugares o fechas.

Producción de una versión abreviada de un contenido preservando en la medida de lo posible sus informaciones esenciales.

Conversión de un contenido de un idioma a otro mediante un sistema algorítmico o neuronal.

Producción de programas o fragmentos de software a partir de instrucciones o de un contexto.

Propuesta de la continuación probable o útil de un programa durante su redacción.

Uso de un modelo para señalar defectos, mejoras o pruebas potenciales, a validar por herramientas y personas.

Detección de operaciones sospechosas a partir de señales y modelos, bajo reserva del control de falsos positivos.

Integración de percepción, decisión y control para actuar en un entorno físico.

Representación digital de un objeto o proceso real, eventualmente asociada a modelos predictivos; no siempre requiere IA.

Comportamiento lingüístico que puede parecer comprensivo; su medida no basta para concluir una experiencia subjetiva.

Cuestión científica y filosófica relativa a una eventual experiencia subjetiva de la máquina; ninguna prueba consensuada permite deducirla de una conversación.

Atribución de propiedades o intenciones humanas a un sistema, a veces a partir de su estilo conversacional.

Capacidad de producir afirmaciones exactas, verificables y correctamente matizadas sobre una tarea definida.

Nivel de confianza otorgado a una respuesta que corresponde lo mejor posible a su probabilidad real de ser correcta.

Incertidumbre debida a una falta de conocimientos o de datos, potencialmente reducible con más información.

Variabilidad inherente al fenómeno o a la observación, que no desaparece necesariamente con más datos.

Asociación estadística entre variables que no basta para demostrar una relación causal.

Relación en la que una intervención sobre un factor puede modificar un resultado, según hipótesis y métodos explícitos.

Análisis de vínculos de causa a efecto en lugar de simples regularidades correladas.

Optimización de un sistema para las particularidades de una prueba en lugar de para la calidad general buscada.

Principio según el cual una medida convertida en objetivo tiende a perder su capacidad para representar fielmente la meta inicial.

Propiedad de un cálculo que da la misma salida para las mismas entradas y condiciones; depende del hardware y de las operaciones.

Variabilidad de los resultados a pesar de entradas idénticas, causada por sorteos o comportamientos de ejecución variables.

Arbitraje práctico entre nivel de respuesta, gastos y tiempo de tratamiento según el contexto de uso.

Período o perímetro más allá del cual un modelo no dispone necesariamente de información integrada fiable.

Adición de información mediante nuevos entrenamientos, búsqueda documental u otros mecanismos, que no tienen los mismos efectos.

Referencia inventada o mal atribuida por un modelo; su presencia formal no prueba que la fuente exista.

Control de hechos, salidas o acciones por una persona que dispone de elementos independientes.