Glosario de IA

Definiciones claras de los términos más importantes de inteligencia artificial en español. Aprende el vocabulario que necesitas para avanzar con confianza.

3D generativo

Generación de modelos u objetos tridimensionales mediante IA, a partir de texto o imágenes. Acelera la creación de activos para videojuegos, diseño y realidad virtual.

Agente autónomo

Sistema de IA que persigue un objetivo planificando y ejecutando varios pasos por sí mismo, usando herramientas e iterando sin intervención humana en cada paso. Va más allá de responder: actúa.

Un agente de IA es un sistema que usa un modelo para decidir y ejecutar los pasos de una tarea dentro de límites definidos. Recibe un objetivo, observa el estado, selecciona herramientas, actúa, comprueba el resultado y continúa, se detiene o solicita ayuda. A diferencia de un chatbot simple, puede modificar sistemas externos, por lo que necesita permisos, evaluaciones y supervisión proporcionales al riesgo.

AGI: qué es la inteligencia artificial general

AGI significa inteligencia artificial general: una categoría propuesta para sistemas capaces de rendir de forma competente en una amplia variedad de tareas cognitivas, aprender habilidades nuevas y transferir conocimiento entre dominios. No existe una definición ni una prueba universalmente aceptada, y lograr resultados sobresalientes en varios benchmarks no demuestra por sí solo que un sistema sea AGI.

Agrupamiento (clustering)

Técnica de aprendizaje no supervisado que agrupa datos en conjuntos según su similitud, sin etiquetas previas. Útil para segmentar clientes, organizar documentos o detectar patrones ocultos.

Alineamiento (de IA)

Conjunto de técnicas y objetivos para que un sistema de IA actúe conforme a los valores, intenciones y normas de las personas. Busca que el modelo sea útil, honesto y seguro.

Alucinación de IA

Una alucinación de IA ocurre cuando un modelo generativo produce información falsa, inventada o no respaldada por sus datos, pero la presenta con total seguridad como si fuera cierta.

API de IA

Una API de IA es una interfaz que permite a una aplicación enviar datos e instrucciones a un modelo y recibir texto, imágenes, audio, vectores o llamadas a herramientas como respuesta. La API expone capacidades del modelo mediante peticiones autenticadas sin obligar al equipo a alojar la infraestructura de inferencia.

Aprendizaje con pocos ejemplos (few-shot)

Técnica en la que se incluyen unos pocos ejemplos de la tarea dentro del prompt para guiar al modelo, sin reentrenarlo. Mejora la precisión mostrando el patrón esperado.

Aprendizaje en contexto

Habilidad de los modelos de lenguaje para 'aprender' una tarea a partir de la información y los ejemplos incluidos en el prompt, sin modificar sus parámetros. Ocurre solo durante esa conversación.

Aprendizaje no supervisado

El aprendizaje no supervisado es una rama del machine learning que busca estructura en datos sin una etiqueta objetivo conocida. En vez de aprender la relación entre entradas y una respuesta correcta, identifica similitudes, grupos, componentes, densidades o casos atípicos. Sus resultados son hipótesis sobre los datos: deben interpretarse y evaluarse con métricas, estabilidad y utilidad para una tarea posterior.

Aprendizaje por refuerzo: qué es y cómo funciona

El aprendizaje por refuerzo o reinforcement learning es un paradigma de machine learning en el que un agente aprende una política de acciones al interactuar con un entorno. Cada acción modifica el estado y produce una recompensa; el objetivo no es acertar una etiqueta aislada, sino maximizar la recompensa acumulada a largo plazo mediante ensayo, evaluación y exploración controlada.

Aprendizaje sin ejemplos (zero-shot)

Capacidad de un modelo para realizar una tarea solo con la instrucción, sin ejemplos previos en el prompt. Demuestra lo que el modelo ya sabe de su entrenamiento.

Aprendizaje supervisado

Forma de machine learning en la que el modelo aprende de datos etiquetados: cada ejemplo incluye la respuesta correcta. El objetivo es que el modelo prediga esa respuesta en datos nuevos.

Asistente virtual

Programa de IA que interactúa con las personas en lenguaje natural para ayudarlas a realizar tareas, responder preguntas o controlar dispositivos. Abarca desde altavoces inteligentes hasta asistentes empresariales.

Aumento de datos (data augmentation)

Técnica que crea variantes de los datos existentes —rotando, recortando o parafraseando— para ampliar y diversificar el conjunto de entrenamiento sin recolectar datos nuevos.

Autocodificador (autoencoder): qué es y cómo funciona

Un autocodificador o autoencoder es una red neuronal que aprende a representar una entrada con un código compacto y después intenta reconstruirla. Se entrena reduciendo la diferencia entre el dato original y el reconstruido; esa representación permite comprimir dimensiones, eliminar ruido o detectar anomalías, siempre que el modelo y el umbral se validen con datos adecuados.

Automatización inteligente

La automatización inteligente combina flujos de software con capacidades de inteligencia artificial para procesar entradas variables, como texto, documentos, imágenes o predicciones, y ejecutar acciones dentro de reglas y permisos definidos. A diferencia de una automatización puramente determinista, incorpora salidas probabilísticas; por eso necesita umbrales, validación, trazabilidad, manejo de excepciones y revisión humana proporcional al impacto de cada decisión.

Avatar de IA

Representación digital animada de una persona o personaje, generada por IA, que puede hablar y gesticular de forma realista. Se usa en vídeos, atención al cliente y creación de contenido.

Barreras de seguridad (guardrails)

Reglas y filtros que limitan lo que un sistema de IA puede decir o hacer, para evitar respuestas peligrosas, fuera de tema o acciones no autorizadas. Son esenciales en agentes que ejecutan acciones reales.

Base de datos vectorial: qué es y cómo funciona

Una base de datos vectorial es un sistema que almacena embeddings junto con identificadores y metadatos, construye un índice para buscar vecinos cercanos y devuelve elementos semánticamente similares a un vector de consulta. Puede ser un producto especializado o una capacidad añadida a un buscador o base tradicional; guardar vectores no basta sin estrategia de recuperación, filtros y evaluación.

Benchmark (de IA)

Prueba estandarizada que mide y compara el rendimiento de modelos en tareas concretas, como razonamiento, código o comprensión lectora. Permite comparar modelos de forma objetiva.

Búsqueda semántica

Forma de búsqueda que encuentra resultados por significado y no por coincidencia exacta de palabras. Usa embeddings para entender la intención, de modo que 'darme de baja' y 'cancelar suscripción' devuelven lo mismo.

Cadena de pensamiento (chain of thought)

La cadena de pensamiento o chain of thought (CoT) es una secuencia de pasos intermedios que un modelo genera mientras resuelve una tarea. En prompting, puede inducirse con ejemplos razonados o una instrucción paso a paso; en modelos de razonamiento, parte de ese proceso puede ser interno. Una explicación convincente no garantiza que el razonamiento sea fiel ni que la respuesta final sea correcta.

Capa oculta

Capa intermedia de una red neuronal, situada entre la entrada y la salida, donde ocurre el procesamiento que transforma los datos. Las redes profundas tienen muchas capas ocultas.

ChatGPT

Asistente conversacional de OpenAI lanzado a finales de 2022 que popularizó masivamente la IA generativa. Permite chatear, escribir, programar y analizar archivos a través de un modelo GPT.

Clasificación

Tarea de machine learning que consiste en asignar una entrada a una de varias categorías predefinidas. Detectar spam, diagnosticar una enfermedad o etiquetar el sentimiento de un texto son problemas de clasificación.

Claude

Familia de modelos de lenguaje desarrollada por Anthropic, conocida por su enfoque en seguridad, razonamiento y manejo de contextos largos. Se usa tanto vía chat como por API y en herramientas de programación.

Clonación de voz

Tecnología que reproduce la voz de una persona a partir de muestras de audio, permitiendo generar habla nueva con ese mismo timbre. Tiene usos creativos y de accesibilidad, pero también riesgos de suplantación.

ControlNet

Técnica que añade control preciso a la generación de imágenes guiándola con una referencia estructural, como bordes, una pose o un mapa de profundidad. Permite componer imágenes con mayor exactitud.

Copiloto de IA

Asistente de IA integrado en una herramienta de trabajo que sugiere acciones o contenido mientras la persona mantiene el control y decide. Aumenta la productividad sin sustituir al usuario.

Coste por token

Modelo de precios habitual de las APIs de IA, en el que se cobra según la cantidad de tokens procesados, tanto de entrada como de salida. Determina el coste operativo de una aplicación de IA.

Cuantización

Técnica que reduce la precisión numérica de los pesos de un modelo (por ejemplo de 16 a 4 bits) para que ocupe menos memoria y se ejecute más rápido, con una pérdida de calidad mínima.

DALL·E

Modelo de generación de imágenes a partir de texto desarrollado por OpenAI. Se integra en ChatGPT y permite crear ilustraciones describiéndolas en lenguaje natural.

Dataset o conjunto de datos: qué es

Un dataset o conjunto de datos es una colección de ejemplos reunidos para análisis, entrenamiento, validación o evaluación. Cada ejemplo puede contener características, etiquetas, texto, imágenes, audio u otros valores. Su utilidad no depende solo del tamaño: representatividad, calidad, procedencia, permisos, partición y correspondencia con el uso real determinan qué conclusiones o modelos permite sostener.

Datos de entrenamiento

Subconjunto de datos que el modelo usa para aprender ajustando sus parámetros. Es de donde el modelo extrae todo su conocimiento, por lo que sus sesgos y vacíos se reflejan en el resultado.

Datos sintéticos

Los datos sintéticos son registros creados artificialmente mediante reglas, simulaciones o modelos generativos para reproducir propiedades útiles de datos reales. Pueden servir para entrenar, probar o compartir sistemas cuando los ejemplos reales son escasos o sensibles, pero no garantizan por sí solos privacidad, fidelidad ni ausencia de sesgo.

Deep learning: qué es el aprendizaje profundo

Deep learning o aprendizaje profundo es un subcampo del machine learning que entrena redes neuronales con múltiples capas para aprender representaciones de los datos. Cada capa transforma la salida anterior y puede capturar patrones progresivamente más abstractos. Se usa en visión, audio, lenguaje y modelos generativos, pero requiere datos, cómputo, evaluación y controles adecuados.

Deepfake

Contenido audiovisual falso pero realista creado con IA, en el que se sustituye o sintetiza el rostro o la voz de una persona. Tiene usos creativos, pero también de fraude y desinformación.

DeepSeek

Empresa china de IA y su familia de modelos, varios de pesos abiertos, reconocidos por su fuerte rendimiento en razonamiento y código a un coste de entrenamiento comparativamente bajo.

Deriva del modelo (model drift)

Degradación del rendimiento de un modelo con el tiempo porque la realidad cambia y ya no se parece a sus datos de entrenamiento. Exige monitorización y reentrenamiento periódicos.

Descenso de gradiente

Algoritmo de optimización que ajusta los parámetros de un modelo en la dirección que más reduce el error. Es el motor que hace que las redes neuronales aprendan.

Destilación de modelos

Técnica para transferir el conocimiento de un modelo grande (maestro) a uno más pequeño (alumno), que aprende a imitar sus salidas. Permite obtener modelos ligeros y rápidos con buena parte de la calidad del original.

Dropout

Técnica de regularización que apaga aleatoriamente algunas neuronas durante el entrenamiento para evitar que la red dependa en exceso de unas pocas conexiones. Reduce el sobreajuste.

Entrenamiento (de modelos)

Proceso por el que un modelo ajusta sus parámetros analizando datos para minimizar sus errores. Es la fase más costosa del ciclo de vida de un modelo de IA y determina lo que el modelo sabe.

Época (epoch)

Una pasada completa del modelo sobre todo el conjunto de datos de entrenamiento. El entrenamiento suele requerir varias épocas para que el modelo aprenda bien.

Etiquetado de datos

Proceso de asignar etiquetas o anotaciones a los datos para que un modelo supervisado pueda aprender de ellos. Suele ser manual, costoso y determinante para la calidad del modelo.

Explicabilidad en IA (XAI): qué es

La explicabilidad en inteligencia artificial o XAI es la capacidad de un sistema para aportar razones o evidencia comprensibles sobre una salida, junto con información sobre sus límites. Una explicación útil debe responder a una audiencia y propósito concretos; no basta con producir una historia plausible, porque también debe representar con fidelidad el comportamiento que pretende explicar.

Fine-tuning (Ajuste fino)

El fine-tuning es el proceso de tomar un modelo de IA ya preentrenado y reentrenarlo con un conjunto de datos propio para especializarlo en una tarea, un dominio o un estilo concretos, sin partir de cero.

Fragmentación (chunking)

Proceso de dividir documentos largos en fragmentos más pequeños antes de convertirlos en embeddings. Una buena estrategia de chunking es clave para que un sistema RAG recupere contexto preciso.

Función de activación

Función matemática que decide la salida de una neurona introduciendo no linealidad en la red. Sin ella, una red neuronal solo podría aprender relaciones lineales.

Función de pérdida

Fórmula que mide cuánto se equivoca un modelo comparando sus predicciones con las respuestas correctas. Entrenar consiste en minimizar esta función ajustando los parámetros.

Gemini

Familia de modelos multimodales de Google DeepMind capaz de procesar texto, imágenes, audio y vídeo. Se integra en los productos de Google y se ofrece por API.

GitHub Copilot

Asistente de programación basado en IA que sugiere código mientras escribes, integrado en el editor. Popularizó el concepto de copiloto aplicado al desarrollo de software.

GPT

Familia de modelos de lenguaje de OpenAI basados en la arquitectura transformer. Sus siglas significan 'Generative Pre-trained Transformer' y dieron nombre a productos como ChatGPT.

GPTs personalizados

Versiones a medida de ChatGPT que un usuario configura con instrucciones, conocimiento y herramientas propias, sin programar. Permiten crear asistentes especializados reutilizables.

GPU (Unidad de procesamiento gráfico)

Chip diseñado para realizar miles de operaciones matemáticas en paralelo. Aunque nació para gráficos, es el caballo de batalla del entrenamiento y la inferencia de modelos de IA modernos.

Grok

Familia de modelos de lenguaje desarrollada por xAI, integrada en la plataforma X. Ofrece chat y, en algunas versiones, acceso a información en tiempo real de la red social.

Herramienta (tool) en IA

Función o servicio externo que un modelo de IA puede invocar para hacer algo que no puede por sí mismo: buscar en la web, ejecutar código, consultar una base de datos o llamar a una API.

Hugging Face

Plataforma y comunidad de referencia para compartir modelos de IA, conjuntos de datos y aplicaciones. Funciona como un repositorio central del ecosistema de modelos abiertos.

Humano en el bucle (human-in-the-loop)

Patrón de diseño en el que una persona supervisa, aprueba o corrige las decisiones de un sistema de IA en puntos críticos. Equilibra automatización con control humano.

IA conversacional

La IA conversacional es un sistema de inteligencia artificial diseñado para interpretar mensajes escritos o hablados, conservar el contexto de un diálogo y producir respuestas o acciones útiles. Puede combinar reglas, comprensión del lenguaje, modelos generativos, recuperación de información y herramientas, además de derivar la conversación a una persona cuando no debe resolverla sola.

IA discriminativa

Tipo de modelo que aprende a distinguir entre categorías o a predecir un valor a partir de una entrada, sin generar contenido nuevo. Clasificadores de spam, detección de fraude o diagnóstico por imagen son ejemplos.

IA en el borde (edge AI)

Ejecución de modelos de IA directamente en el dispositivo donde se generan los datos —móvil, cámara, sensor— en lugar de en la nube. Mejora la privacidad, la latencia y el funcionamiento sin conexión.

IA en la sombra (shadow AI)

Uso de herramientas de IA por parte de empleados sin la aprobación ni el control del departamento de tecnología o seguridad. Genera riesgos de fuga de datos y cumplimiento.

IA generativa

Tipo de inteligencia artificial capaz de crear contenido nuevo —texto, imágenes, audio, vídeo o código— en lugar de limitarse a clasificar o predecir. Es la categoría a la que pertenecen los LLM y los generadores de imágenes.

IA responsable

Enfoque de diseño y uso de la IA que prioriza la equidad, la transparencia, la privacidad y la rendición de cuentas. Busca que los sistemas sean beneficiosos y minimicen daños.

IA soberana

Estrategia de desarrollar y controlar capacidades de IA dentro de las fronteras y normas de un país u organización, reduciendo la dependencia de proveedores externos y protegiendo los datos.

Imagen a imagen

Técnica que transforma una imagen de entrada en otra según un prompt o estilo, en lugar de partir de cero. Sirve para cambiar de estilo, rellenar o reinterpretar una imagen existente.

Incrustación vectorial (embedding)

Una incrustación vectorial o embedding es una representación numérica de un texto, imagen, audio u otro dato que conserva relaciones de significado. Un modelo convierte cada elemento en un vector; los vectores semánticamente parecidos quedan próximos en el espacio matemático. Esa propiedad permite buscar por significado, recomendar contenido, agrupar ejemplos y recuperar contexto para sistemas RAG sin depender solo de palabras exactas.

Inferencia

Fase en la que un modelo ya entrenado se usa para generar predicciones o respuestas a partir de nuevas entradas. A diferencia del entrenamiento, la inferencia no modifica los pesos del modelo.

Ingeniería de características

Proceso de seleccionar, transformar y crear las variables de entrada que un modelo usará para aprender. En el machine learning clásico suele ser determinante para el rendimiento.

Inyección de prompts

Ataque en el que un usuario o un contenido externo introduce instrucciones maliciosas para que el modelo ignore sus reglas o realice acciones no deseadas. Es uno de los riesgos de seguridad clave en aplicaciones con IA.

Jailbreak (de modelos de IA)

Técnica para eludir las restricciones de seguridad de un modelo y conseguir que genere contenido que normalmente rechazaría. Pone a prueba la robustez del alineamiento.

LangChain

Marco de desarrollo para construir aplicaciones con modelos de lenguaje, encadenando llamadas, herramientas, memoria y fuentes de datos. Facilita crear sistemas RAG y agentes.

Latencia de inferencia

Tiempo que tarda un modelo en devolver una respuesta tras recibir una entrada. Es un factor clave en la experiencia de usuario y en el coste de las aplicaciones de IA.

Llama

Familia de modelos de lenguaje de pesos abiertos creada por Meta. Al publicar sus pesos, permitió a empresas y desarrolladores ejecutar y adaptar LLM en su propia infraestructura.

Llamada a funciones (function calling): qué es

La llamada a funciones o function calling es el mecanismo por el que un modelo de IA solicita usar una función o herramienta mediante datos estructurados. El modelo propone el nombre y los argumentos; la aplicación valida permisos, ejecuta la operación y devuelve el resultado al modelo. No significa que el modelo ejecute código por sí solo ni que la llamada sea segura sin controles.

LLM (Large Language Model / Modelo de Lenguaje Grande)

Un LLM es un modelo de inteligencia artificial entrenado con enormes cantidades de texto que aprende a predecir la siguiente palabra y, gracias a ello, es capaz de comprender, generar y razonar sobre lenguaje natural.

LoRA (adaptación de bajo rango)

Método de fine-tuning eficiente que entrena solo un pequeño conjunto de parámetros adicionales en lugar de todo el modelo. Permite personalizar modelos grandes con poco cómputo.

Lote (batch)

Grupo de ejemplos que el modelo procesa a la vez antes de actualizar sus parámetros. El tamaño del lote influye en la velocidad, la memoria y la estabilidad del entrenamiento.

Machine learning (Aprendizaje automático)

Rama de la inteligencia artificial en la que un sistema aprende patrones a partir de datos en lugar de seguir reglas programadas a mano. Con suficientes ejemplos, el modelo generaliza y hace predicciones sobre datos nuevos.

Marca de agua de IA

Señal, visible o invisible, que se incrusta en contenido generado por IA para indicar su origen. Ayuda a distinguir lo sintético de lo real y a combatir la desinformación.

MCP (Model Context Protocol)

El Model Context Protocol (MCP) es un estándar abierto, creado por Anthropic, que define una forma única y universal de conectar modelos de IA con herramientas, datos y aplicaciones externas mediante un protocolo cliente-servidor.

Mecanismo de atención

Componente de los transformers que permite al modelo ponderar la importancia de cada token respecto a los demás al procesar una secuencia. Gracias a él, el modelo capta relaciones a larga distancia dentro del texto.

Memoria de agente

Mecanismo que permite a un agente o asistente de IA recordar información entre turnos o sesiones, más allá de la ventana de contexto inmediata. Da continuidad y personalización.

Mezcla de expertos (MoE): qué es y cómo funciona

La mezcla de expertos o Mixture of Experts (MoE) es una arquitectura de red neuronal en la que un enrutador elige qué subredes, llamadas expertos, procesan cada entrada o token. En una MoE dispersa solo se activa una parte de los parámetros por token, lo que aumenta la capacidad total sin usar toda la red en cada cálculo, aunque añade costes de memoria, comunicación y balanceo.

Midjourney

Servicio de generación de imágenes por IA conocido por su alta calidad estética y su estilo artístico. Se usa principalmente describiendo la imagen deseada mediante prompts.

Mistral

Empresa europea de IA y su familia de modelos de lenguaje, varios de ellos de pesos abiertos. Es conocida por modelos eficientes que ofrecen buena calidad con menor coste.

MLOps

Conjunto de prácticas para desplegar, monitorizar y mantener modelos de machine learning en producción de forma fiable. Aplica principios de DevOps al ciclo de vida de los modelos.

Modelo cerrado

Modelo cuyos pesos no se publican y que solo se usa a través de una API o un producto del proveedor. Suele ofrecer máxima calidad a cambio de menor control y dependencia externa.

Modelo de difusión

Tipo de modelo generativo que crea imágenes, audio o vídeo partiendo de ruido aleatorio y eliminándolo paso a paso hasta formar un resultado coherente. Es la base de la mayoría de generadores de imagen actuales.

Modelo de pesos abiertos

Modelo cuyos pesos se publican para que cualquiera pueda descargarlo, ejecutarlo y adaptarlo. Ofrece control, privacidad y previsibilidad de costes frente a los modelos accesibles solo por API.

Modelo fundacional

Modelo de gran tamaño preentrenado sobre enormes cantidades de datos que sirve de base para múltiples tareas, ya sea por adaptación o mediante prompts. GPT, Claude y Gemini son modelos fundacionales.

Modelo multimodal

Modelo capaz de procesar y combinar varios tipos de datos a la vez —texto, imagen, audio o vídeo— en una misma representación. Permite, por ejemplo, describir una foto o responder preguntas sobre un vídeo.

Modelos de razonamiento en IA: qué son

Los modelos de razonamiento son modelos de IA optimizados para dedicar cómputo adicional a resolver tareas complejas antes de producir una respuesta. Se usan en problemas de varios pasos, planificación, matemáticas, código y análisis de reglas. No garantizan exactitud, no necesitan mostrar su cadena interna y suelen intercambiar más latencia y coste por una mejor probabilidad de resolver tareas difíciles.

Música generativa

Creación de música original mediante IA, a partir de descripciones de texto, estilos o melodías de referencia. Permite generar pistas completas o acompañamientos en segundos.

OCR (reconocimiento óptico de caracteres)

Tecnología que extrae texto legible de imágenes o documentos escaneados. Convierte facturas, libros o fotos de texto en datos editables y buscables.

Ollama

Herramienta que facilita descargar y ejecutar modelos de lenguaje de pesos abiertos en tu propio ordenador con un solo comando. Hace accesible la IA local y privada.

Orquestación de agentes

Coordinación de varios pasos, herramientas o agentes de IA para completar un flujo de trabajo. Define el orden, las condiciones y el paso de información entre componentes.

Parámetros (de un modelo)

Valores numéricos internos que un modelo aprende durante el entrenamiento y que definen su comportamiento. El número de parámetros —miles de millones en los LLM grandes— es una medida aproximada de la capacidad del modelo.

Pesos (weights)

Los valores numéricos que controlan la fuerza de cada conexión en una red neuronal. Ajustar los pesos durante el entrenamiento es, literalmente, lo que hace que un modelo aprenda.

Preentrenamiento

Primera fase de entrenamiento de un modelo grande, en la que aprende patrones generales del lenguaje o del mundo a partir de corpus masivos, antes de cualquier especialización.

Procesamiento del lenguaje natural (PLN)

Disciplina de la IA centrada en que las máquinas entiendan, interpreten y generen lenguaje humano. Abarca desde la traducción y el análisis de sentimiento hasta los modelos de lenguaje generativos.

Prompt de sistema (system prompt)

Instrucción inicial y persistente que define el rol, el tono y las reglas de comportamiento de un modelo durante toda la conversación. Marca el marco dentro del cual responde el asistente.

Prompt engineering (ingeniería de prompts)

El prompt engineering o ingeniería de prompts es el proceso de diseñar, estructurar, probar y mejorar las instrucciones que recibe un modelo de IA para obtener respuestas útiles y reproducibles. Define la tarea, aporta contexto, separa datos de instrucciones, muestra ejemplos cuando ayudan, especifica el formato de salida y evalúa el resultado con casos reales; no modifica los pesos internos del modelo.

Prompt negativo

Instrucción que indica al modelo de imagen qué elementos NO debe incluir en el resultado. Ayuda a evitar artefactos, estilos no deseados o contenido inapropiado.

RAG (generación aumentada por recuperación)

RAG es una arquitectura de inteligencia artificial que recupera información relevante desde documentos, bases de datos u otras fuentes externas y la añade al contexto de un modelo de lenguaje antes de generar una respuesta. Permite trabajar con conocimiento privado o reciente sin reentrenar los pesos del modelo.

Re-ranking: qué es y cómo funciona en RAG

El re-ranking, también escrito reranking o re ranking, es la segunda etapa de un sistema de búsqueda: recibe una lista corta de documentos recuperados y vuelve a puntuarlos con un modelo más preciso para colocar primero los más relevantes. En RAG suele combinar una recuperación rápida con embeddings o palabras clave y un reordenador más costoso antes de entregar contexto al LLM.

ReAct (razonar y actuar)

Patrón de diseño de agentes en el que el modelo alterna entre razonar sobre el problema y ejecutar acciones con herramientas, usando el resultado de cada acción para decidir el siguiente paso.

Reconocimiento de voz

El reconocimiento de voz, reconocimiento automático del habla o ASR es la tecnología que convierte una señal de habla en texto o en una secuencia de palabras. Un sistema analiza el audio, modela sus patrones y decodifica la transcripción más probable. Su calidad depende de idioma, acento, ruido, micrófono, vocabulario y contexto, y debe medirse con grabaciones representativas del uso real.

Red generativa antagónica (GAN)

Arquitectura generativa con dos redes que compiten: una genera muestras falsas y otra intenta distinguirlas de las reales. Esa competencia produce resultados cada vez más realistas.

Red neuronal artificial

Modelo de cálculo inspirado en el cerebro, compuesto por unidades llamadas neuronas organizadas en capas que se conectan mediante pesos ajustables. Al entrenarse, esos pesos se afinan para transformar entradas en salidas útiles.

Red neuronal convolucional (CNN)

Tipo de red neuronal especializada en datos con estructura espacial, sobre todo imágenes. Detecta patrones locales como bordes y texturas mediante operaciones de convolución.

Red neuronal recurrente (RNN)

Red neuronal diseñada para datos secuenciales, como texto o series temporales, que mantiene un estado interno para recordar información de pasos anteriores. Fue clave antes de los transformers.

Reescalado con IA (upscaling)

El reescalado o upscaling con IA es una técnica que aumenta la resolución de una imagen o vídeo y reconstruye detalle plausible para mejorar su nitidez. A diferencia de ampliar mediante interpolación, un modelo de superresolución aprende a estimar bordes y texturas, pero no recupera información real que nunca estuvo en el archivo original.

Regresión

Tarea de machine learning cuyo objetivo es predecir un valor numérico continuo a partir de los datos de entrada, como un precio, una temperatura o una demanda futura.

Repintado (inpainting)

Técnica que regenera o edita una región concreta de una imagen dejando el resto intacto. Permite eliminar objetos, corregir defectos o añadir elementos de forma coherente.

Retropropagación (backpropagation)

Algoritmo que calcula cómo ajustar cada peso de una red neuronal propagando el error desde la salida hacia atrás. Es el método central que hace posible entrenar redes profundas.

RLHF (Aprendizaje por refuerzo con retroalimentación humana)

Método para alinear un modelo de lenguaje con las preferencias de las personas: humanos puntúan respuestas, se entrena un modelo de recompensa con esas preferencias y se ajusta el LLM mediante aprendizaje por refuerzo.

Semilla (seed)

Número que inicializa la aleatoriedad de un modelo generativo. Usar la misma semilla y los mismos parámetros reproduce exactamente el mismo resultado, lo que permite control y comparación.

Sesgo algorítmico

Tendencia de un modelo a producir resultados injustos o discriminatorios, normalmente porque aprendió de datos sesgados. Puede afectar a decisiones sensibles como crédito, contratación o justicia.

Sistemas multiagente: qué son y cómo funcionan

Un sistema multiagente es una arquitectura en la que dos o más agentes perciben información, toman decisiones y coordinan acciones para alcanzar un objetivo común o compatible. En aplicaciones con modelos de lenguaje, cada agente puede tener instrucciones, herramientas y responsabilidades distintas; una capa de orquestación controla cómo delegan, comparten contexto, resuelven conflictos y terminan el trabajo.