Glosario
Una referencia rápida para todos los términos que encontrarás relacionados con prompts, modelos e inteligencia artificial.
Conceptos básicos
- Modelo de lenguaje grande (LLM) / Large Language Model (LLM)
- Un modelo de IA entrenado con cantidades masivas de texto para entender y generar lenguaje humano.
- Inteligencia Artificial (IA) / Artificial Intelligence (AI)
- Sistemas informáticos diseñados para realizar tareas que normalmente requieren inteligencia humana.
- Prompt
- La instrucción o entrada que se le da a un modelo de IA.
- Ingeniería de prompts / Prompt Engineering
- La práctica de diseñar prompts para obtener respuestas más fiables y de mejor calidad.
- Contexto / Context
- Información adicional que ayuda al modelo a entender mejor la tarea o la situación.
- Token
- Una pequeña unidad de texto que procesa el modelo, como una palabra o parte de una palabra.
- Alucinación / Hallucination
- Una respuesta falsa o inventada generada por la IA que suena creíble.
- Cadena de pensamiento / Chain of Thought
- Un estilo de razonamiento en el que el modelo explica sus pasos intermedios.
- Modelo multimodal / Multimodal Model
- Un modelo de IA capaz de procesar varios tipos de datos como texto, imágenes y audio.
- Agente / Agent
- Un sistema de IA que puede realizar acciones de forma autónoma y usar herramientas para completar tareas.
- Llamada a herramientas / Tool Calling
- La capacidad de un modelo de IA de usar herramientas externas, APIs o servicios durante una tarea.
Bajo el capó
- Prompt de sistema / System Prompt
- Instrucciones ocultas que definen el comportamiento, las reglas y la personalidad de la IA.
- Ventana de contexto / Context Window
- La cantidad máxima de texto que un modelo puede procesar y recordar a la vez.
- Inyección de contexto / Context Injection
- Añadir información externa a un prompt para mejorar la respuesta del modelo.
- Límite de tokens / Token Limit
- El número máximo de tokens que un modelo puede manejar en una sola interacción.
- Datos de entrenamiento / Training Data
- La gran colección de textos e información usada para entrenar el modelo.
- Inferencia / Inference
- El proceso de generar una salida usando un modelo de IA ya entrenado.
- Compleción / Completion
- La respuesta de texto generada por el modelo de IA.
- Predicción del siguiente token / Next-Token Prediction
- El mecanismo central por el que el modelo predice el token más probable a continuación.
- Transformer
- La arquitectura de red neuronal usada por modelos de lenguaje modernos como GPT.
- Mecanismo de atención / Attention Mechanism
- Un sistema que ayuda al modelo a centrarse en las partes más relevantes de la entrada.
- Pesos / Weights
- Los parámetros internos aprendidos que almacenan el conocimiento del modelo.
- Temperatura / Temperature
- Un ajuste que controla qué tan creativas o predecibles son las respuestas del modelo.
- Modelo de razonamiento / Reasoning Model
- Un modelo optimizado para el razonamiento lógico y la resolución de problemas paso a paso.
- Tasa de alucinación / Hallucination Rate
- La frecuencia con la que un modelo produce información inexacta o inventada.
- Anclaje (grounding) / Grounding
- Conectar las salidas de la IA con datos reales o fuentes confiables para mejorar la precisión.
- Alineación / Alignment
- El proceso de hacer que los sistemas de IA sigan los objetivos, valores y reglas de seguridad humanas.
- Salvaguardas / Guardrails
- Restricciones de seguridad diseñadas para evitar comportamientos dañinos o no deseados de la IA.
- Jailbreak
- Un intento de eludir las restricciones o sistemas de seguridad integrados del modelo.
- Prompting con pocos ejemplos / Few-Shot Prompting
- Proporcionar algunos ejemplos en el prompt para guiar el comportamiento del modelo.
- Prompting con un ejemplo / One-Shot Prompting
- Proporcionar un único ejemplo en el prompt para demostrar la salida deseada.
- Prompting sin ejemplos / Zero-Shot Prompting
- Pedirle al modelo que realice una tarea sin darle ejemplos.
- Encadenamiento de prompts / Prompt Chaining
- Dividir una tarea compleja en varios prompts conectados.
- Salida estructurada / Structured Output
- Una respuesta generada en un formato fijo como JSON, XML o tablas.
- Aprendizaje con pocos ejemplos / Few-Shot Learning
- La capacidad de un modelo de adaptarse a tareas usando solo unos pocos ejemplos.
- Embeddings
- Representaciones vectoriales numéricas de texto que capturan su significado semántico.
- Base de datos vectorial / Vector Database
- Una base de datos optimizada para almacenar y buscar embeddings.
- Búsqueda semántica / Semantic Search
- Búsqueda basada en el significado y el contexto en lugar de palabras clave exactas.
- Generación aumentada por recuperación (RAG) / Retrieval-Augmented Generation (RAG)
- Un método en el que el modelo recupera información externa antes de generar una respuesta.
- Ajuste fino (fine-tuning) / Fine-Tuning
- Entrenamiento adicional de un modelo con datos especializados para una tarea o dominio específico.