TechCrunch presenta Glosario integral de IA

La inteligencia artificial es un campo complejo y en constante evolución. Los científicos que se sumergen en esta área a menudo usan terminología especializada, lo que puede dificultar que el resto de nosotros nos mantenga al día. Es por eso que hemos creado este glosario: para ayudarlo a comprender los términos y frases clave que utilizamos en nuestra cobertura de la industria de la IA. Mantendremos esta lista actualizada a medida que surjan nuevos términos y conceptos, lo que refleja los últimos avances y riesgos potenciales en la investigación de IA.

AI Agent Un agente de IA es una herramienta que aprovecha las tecnologías de IA para manejar una variedad de tareas para usted, que va más allá de lo que puede hacer un simple chatbot de IA. Piense en cosas como presentar sus gastos, reservar reservas de viajes o restaurantes, o incluso administrar y escribir código. Sin embargo, el término "agente de IA" puede variar en el significado dependiendo de a quién le pregunte. La infraestructura para darse cuenta de que aún se está desarrollando su potencial, pero la idea central es un sistema autónomo que puede aprovechar múltiples sistemas de IA para ejecutar tareas de múltiples pasos.

Cadena de pensamiento cuando se enfrenta a una pregunta directa como "¿Qué animal es más alto, una jirafa o un gato?", Tu cerebro generalmente puede responder sin mucho esfuerzo. Pero para problemas más complicados, como descubrir cuántos pollos y vacas tiene un agricultor cuando sabe que tiene 40 cabezas y 120 patas, es posible que necesite anotar algunas ecuaciones (en este caso, 20 pollos y 20 vacas).

En la IA, el razonamiento de la cadena de pensamiento implica romper un problema en pasos intermedios más pequeños para mejorar la precisión del resultado final. Puede llevar más tiempo, pero es especialmente útil en escenarios lógicos o de codificación. Estos modelos de razonamiento se basan en modelos tradicionales de idiomas grandes y se refinan para procesos de cadena de pensamiento a través del aprendizaje de refuerzo.

(Ver: modelo de idioma grande)

El aprendizaje profundo del aprendizaje profundo es un tipo de aprendizaje automático de administración automática que utiliza una estructura de la red neuronal artificial (ANN) de múltiples capas. Esta configuración permite correlaciones más complejas que los métodos de aprendizaje automático más simples como modelos lineales o árboles de decisión. El diseño de los algoritmos de aprendizaje profundo se inspira en las vías neuronales en el cerebro humano.

Los modelos de aprendizaje profundo pueden identificar características clave en los datos por su cuenta, sin necesidad de que los humanos los definan. También aprenden de sus errores, mejorando con el tiempo a través de la repetición y los ajustes. Sin embargo, requieren muchos datos, miles de millones de puntos, para funcionar bien, y tardan más en entrenar que los modelos más simples, lo que puede aumentar los costos de desarrollo.

(Ver: Red neural)

El ajuste fino implica una mayor capacitación de un modelo de IA para aumentar su rendimiento para una tarea o área específica, utilizando datos nuevos y especializados. Muchas startups de IA comienzan con modelos de idiomas grandes y luego los ajustan para servir mejor a una industria o tarea en particular, utilizando su propio conocimiento específico de dominio.

(Ver: Modelo de lenguaje grande [LLM])

Modelo de lenguaje grande (LLM) Modelos de idiomas grandes, o LLMS, asistentes de IA populares de potencia como Chatgpt, Claude, Google's Gemini, Meta's Ai Llama, Microsoft Copilot y Mistral's Le Chat. Cuando chatea con estos asistentes, está interactuando con un LLM que procesa su solicitud, a menudo utilizando herramientas como navegación web o intérpretes de código.

Los asistentes de IA y LLM pueden ir por diferentes nombres. Por ejemplo, GPT es el modelo de idioma grande de OpenAI, mientras que ChatGPT es el producto de asistente de IA basado en él.

Los LLM son redes neuronales profundas con miles de millones de parámetros (o pesos) que aprenden cómo las palabras y frases se relacionan entre sí, creando un mapa multidimensional del lenguaje. Están entrenados en grandes cantidades de texto de libros, artículos y transcripciones. Cuando le da a un LLM un aviso, genera una respuesta basada en el patrón más probable, prediciendo la siguiente palabra basada en lo que vino antes.

(Ver: Red neural)

Red neuronal Una red neuronal es la estructura algorítmica de varias capas que forma la columna vertebral del aprendizaje profundo y el aumento en las herramientas generativas de IA, especialmente después de que los modelos de idiomas grandes entraron en juego.

El concepto de imitar las vías interconectadas del cerebro humano para el procesamiento de datos se remonta a la década de 1940. Sin embargo, fue el surgimiento de las unidades de procesamiento gráficas (GPU), gracias a la industria de los videojuegos, lo que realmente dio vida a esta idea. Estos chips permitieron algoritmos de entrenamiento con muchas más capas, mejorando significativamente el rendimiento en áreas como el reconocimiento de voz, la navegación autónoma y el descubrimiento de fármacos.

(Ver: Modelo de lenguaje grande [LLM])

Pesos Los pesos son cruciales en el entrenamiento de IA porque determinan cuánta importancia (o peso) se da a diferentes características en los datos de entrenamiento, dando forma a la salida del modelo AI. Esencialmente, los pesos son parámetros numéricos que resaltan lo más relevante en un conjunto de datos para la tarea en cuestión. Funcionan multiplicando entradas.

El entrenamiento generalmente comienza con pesos asignados al azar, que luego se ajustan con el tiempo a medida que el modelo intenta producir salidas que coincidan más con el objetivo. Por ejemplo, un modelo de IA que predice los precios de la vivienda puede asignar pesos a factores como la cantidad de habitaciones y baños, ya sea que una propiedad esté separada o semi-determinada, y si tiene estacionamiento o un garaje. Estos pesos reflejan cuánto influye en cada factor el valor de una propiedad, en función de los datos utilizados.