Glosario IA.

No implica conciencia: combina modelos, reglas, datos e infraestructura para cumplir objetivos explícitos o implícitos con distintos grados de autonomía.

Un sistema que prioriza estudios médicos para revisión profesional.

Incluye más que el modelo: datos, interfaces, reglas, supervisión humana, infraestructura y procesos de operación que afectan entornos físicos o virtuales.

Un recomendador compuesto por modelo, catálogo, API, controles y monitoreo.

El entrenamiento ajusta parámetros para mejorar una función objetivo; su utilidad depende de la calidad de datos, validación y capacidad de generalizar.

Predecir abandono de clientes usando historiales etiquetados.

El modelo aprende una relación entre entradas y objetivos; se utiliza principalmente para clasificación y regresión y requiere etiquetas representativas.

Clasificar correos como spam o legítimos.

Busca agrupaciones, representaciones, anomalías o regularidades sin una verdad objetivo explícita; los resultados necesitan interpretación posterior.

Segmentar clientes por patrones de compra.

El agente interactúa con un entorno y optimiza una política para maximizar recompensa acumulada, equilibrando exploración y explotación.

Aprender una estrategia de control para un robot simulado.

Es el artefacto aprendido o diseñado que se usa durante la inferencia; no debe confundirse con el sistema completo que lo integra.

Una red neuronal que estima demanda semanal.

En ML, un algoritmo puede especificar cómo entrenar un modelo, optimizar parámetros o ejecutar una búsqueda; el algoritmo no es necesariamente el modelo resultante.

Descenso de gradiente para minimizar una pérdida.

Itera sobre ejemplos, calcula errores y modifica parámetros; debe separarse conceptualmente de validación, prueba e inferencia en producción.

Ajustar una red durante 20 épocas con mini lotes.

Puede ejecutarse en línea, por lotes o en un dispositivo; su costo se evalúa con latencia, rendimiento, memoria y calidad de salida.

Generar una respuesta de un LLM ante una consulta.

Debe documentar procedencia, licencia, cobertura, sesgos, transformaciones y particiones para evitar fugas y conclusiones engañosas.

Imágenes etiquetadas divididas en entrenamiento, validación y prueba.

Puede ser original o derivada mediante ingeniería de características; su definición debe permanecer consistente entre entrenamiento e inferencia.

Antigüedad de cuenta para predecir abandono.

Representa la respuesta que el modelo intenta predecir; errores, ambigüedad o criterios inconsistentes de etiquetado limitan el desempeño alcanzable.

Fraude o no fraude para cada transacción histórica.

Pesos y sesgos codifican el comportamiento adquirido; la cantidad de parámetros influye en capacidad, memoria y costo, pero no garantiza calidad.

Los pesos de las capas de un Transformer.

Controla arquitectura u optimización y suele seleccionarse con experimentos, búsqueda o validación, evitando ajustar decisiones con el conjunto de prueba.

Tasa de aprendizaje, tamaño de lote o número de capas.

Varias épocas permiten seguir ajustando parámetros, pero demasiadas pueden aumentar sobreajuste; se observan curvas de entrenamiento y validación.

Entrenar diez épocas sobre un millón de ejemplos.

El tamaño de lote afecta estabilidad del gradiente, memoria, paralelismo y velocidad; un mini lote aproxima el gradiente del conjunto completo.

Procesar 64 imágenes antes de actualizar los pesos.

Un valor alto puede desestabilizar el entrenamiento y uno bajo volverlo lento; frecuentemente se modifica con calendarios y calentamiento inicial.

Reducir la tasa cuando la pérdida de validación se estanca.

Debe corresponder al tipo de tarea y no siempre coincide con la métrica de negocio; puede incorporar regularización o varios objetivos.

Entropía cruzada para clasificación multiclase.

Usa derivadas de la pérdida para buscar valores mejores; variantes como SGD y Adam cambian cómo estiman y acumulan las actualizaciones.

Adam actualiza los pesos de una red tras cada mini lote.