Saltar al contenido principal

Definiciones

Definiciones de conceptos relacionados con la inteligencia artificial (IA).

A​

Agente IA​

Programa que usa IA para conseguir una meta. Observa información, decide qué hacer y lo ejecuta de forma automática, a veces usando herramientas como un buscador, un calendario o una API.

  • Qué puede hacer: dividir una tarea en pasos, pedir más datos, usar una herramienta, recordar cosas simples.
  • Riesgos: equivocarse o repetir pasos. Se reduce poniendo límites, revisando los resultados y trabajando en un entorno seguro.

Ver también: RAG, LLM, Prompt.

B​

Base de datos vectorial​

Es como una biblioteca donde los textos o imágenes se guardan como “huellas digitales” numéricas. Permite buscar por parecido, no solo por palabras exactas.

  • Para qué sirve: encontrar documentos relacionados, responder preguntas y hacer recomendaciones.
  • Ejemplos: FAISS, Milvus, Qdrant, Weaviate, Pinecone, pgvector.

Ver también: Embeddings, RAG, Vector.

E​

Embeddings​

La “huella digital” en números de un texto, imagen o audio. Con esa huella podemos medir qué tan parecidos son dos elementos.

  • Usos: buscar por significado, agrupar por temas, recomendar contenidos.

Entrenamiento (training)​

Es “enseñar” a un modelo con muchos ejemplos hasta que acierte cada vez más. Requiere buenos datos y tiempo de cómputo.

  • Variantes: afinar un modelo ya hecho con tus datos; mejorar con correcciones humanas.
  • Buenas prácticas: separar datos para probar, parar a tiempo y vigilar resultados.

F​

Few‑shot​

Poner 1–3 ejemplos dentro del mensaje para que el modelo copie el estilo o el formato, sin tener que re‑entrenarlo.

Fine‑tuning​

Ajustar un modelo con tus propios datos para que se especialice en tu caso. Suele ser más preciso que solo dar ejemplos, pero también más costoso.

I​

Inferencia​

Momento en el que el modelo ya entrenado responde o hace una predicción.

  • Lo que importa: que responda rápido, bien y de forma económica.

Inteligencia Artificial (IA)​

Tecnología que busca que las máquinas hagan tareas que requieren “inteligencia”: ver, entender lenguaje, decidir, aprender o crear contenido.

L​

LangChain​

Framework para crear aplicaciones con modelos de lenguaje (LLM) de forma modular. Proporciona componentes reutilizables (cadenas, agentes, herramientas, memoria) para orquestar prompts, llamadas a modelos, recuperación en bases de datos vectoriales y flujos de decisión.

Permite:

  • Componer pipelines de NLP/IA generativa con pasos encadenados.
  • Integrar múltiples proveedores de LLM y de almacenamiento vectorial.
  • Construir agentes con herramientas (búsqueda, código, APIs) y memoria conversacional.

Se usa como base en muchos proyectos no‑code/low‑code y entornos visuales.

Langflow​

Entorno visual (low‑code/no‑code) para diseñar, probar y desplegar flujos con LLMs y agentes a partir de bloques. Está inspirado en la filosofía de LangChain y permite arrastrar y conectar nodos para construir aplicaciones de IA sin escribir mucho código.

Características clave:

  • Nodos: LLMs, prompts, herramientas, memoria, RAG, evaluadores, etc.
  • Integraciones: múltiples proveedores de LLM y bases de datos vectoriales.
  • Iteración rápida: ejecución parcial de flujos, inspección de entradas/salidas y métricas.
  • Portabilidad: exportación/importación de flujos (JSON) y opciones para generar código.
  • Despliegue: ejecución local o en servidor para exponer endpoints.

Casos típicos: chatbots con recuperación (RAG), asistentes con herramientas, pipelines de clasificación/extracción y prototipado rápido de experiencias con LLM.

Large Language Model (LLM)​

Es un modelo de IA muy grande que sabe trabajar con texto: leer, resumir, escribir y contestar preguntas.

  • Ventajas: sirve para muchas tareas con el mismo modelo.
  • Límites: puede inventar datos o no saber lo más reciente si no se le da.

M​

Modelo de lenguaje​

Programa que aprende a predecir la siguiente palabra de un texto. Con esa habilidad puede escribir textos completos y responder preguntas.

Ver también LLM.

P​

Parámetros​

“Perillas internas” del modelo que se ajustan al aprender. A más perillas, más capacidad, pero también más coste de cómputo.

Ejemplo: Llama 3 8B ≈ 8 mil millones de parámetros.

Prompt​

El mensaje que enviamos al modelo con instrucciones, contexto y ejemplos.

  • Consejos: sé claro, indica pasos, muestra ejemplos y el formato deseado.

R​

RAG​

RAG son las siglas de Retrieval-Augmented Generation (Generación Aumentada por Recuperación).

Es la manera de hacer que el modelo consulte documentos u otra información antes de responder.

  1. Buscar trozos de texto relacionados.
  2. Añadirlos a la pregunta.
  3. Responder usando ese contexto.

Ventaja: respuestas más actualizadas y con menos “inventos”.

T​

Temperatura​

Controla lo creativo que es el modelo.

  • Baja (0–0.3): respuestas más seguras y deterministas.
  • Alta (0.7–1.0): respuestas más creativas y aleatorias.

Top‑p (nucleus)​

Es un parámetro que permite muestrear entre las palabras más probables que, juntas, suman un porcentaje (por ejemplo, 90%).

Por ejemplo, si se establece top-p=0.9, el modelo considerará solo las palabras que, en conjunto, tienen una probabilidad del 90% de ser la siguiente palabra.

Top‑k​

Es un parámetro que limita la búsqueda a las k palabras más probables (por ejemplo, top-k=20).

Token​

Pedacitos en los que el modelo divide el texto (parecido a sílabas/palabras). Los límites y costes se miden con tokens.

V​

Vector​

Lista de números que representa algo, como la “huella digital” de un texto.

Ventana de contexto​

Cantidad de texto que el modelo puede “tener a la vista” de una vez (entrada + respuesta). Si es grande, puede leer más, pero consume más recursos.