- Niveles de Capacidad de la IA
- ANI (*Artificial Narrow Intelligence- / IA Estrecha o Débil): Sistemas enfocados en realizar una sola tarea específica (ejemplos: traductores, asistentes de voz, motores de recomendación, clasificadores).
- AGI (*Artificial General Intelligence- / IA General): Sistemas hipotéticos con capacidad cognitiva general equivalente a la humana para aprender, razonar y ejecutar cualquier tarea intelectual.
- ASI (*Artificial Super Intelligence- / Superinteligencia Artificial): Nivel teórico donde el sistema supera ampliamente las capacidades intelectuales y cognitivas de toda la humanidad combinada.
- Paradigmas y Arquitecturas Basales
- Machine Learning (Aprendizaje Automático): Métodos algorítmicos que permiten a las máquinas aprender patrones desde datos sin programación explícita de reglas.
- Deep Learning (Aprendizaje Profundo): Subcampo del Machine Learning basado en redes neuronales artificiales profundas de múltiples capas.
- Red Neuronal Artificial (ANN): Modelo computacional inspirado en la estructura biológica neuronal para procesar y transmitir información.
- Red Neuronal Convolucional (CNN): Arquitectura optimizada para la detección de patrones en datos espaciales (imágenes y video).
- Red Neuronal Recurrente (RNN): Arquitectura orientada al procesamiento de datos secuenciales y temporales.
- Transformers: Arquitectura organizativa basada en mecanismos de atención para procesar contexto y relaciones sintáctico-semánticas en secuencias completas.
- Sistema Experto: Software diseñado para emular la toma de decisiones de un especialista humano mediante reglas de conocimiento.
- Computación Cognitiva: Sistemas orientados a simular procesos humanos de razonamiento y resolución de problemas complejos.
- Modelos y Generación de Contenido
- IA Generativa: Sistemas enfocados en la creación de nuevo contenido (texto, código, audio, imagen) a partir de descripciones o instrucciones.
- LLM (*Large Language Model- / Modelo de Lenguaje Grande): Modelos estadísticos entrenados con volúmenes masivos de texto para interpretar y generar lenguaje natural.
- Modelo Generativo: Algoritmo que aprende la distribución estadística subyacente de un conjunto de datos para generar muestras sintéticas.
- GAN (Generative Adversarial Network): Estructura compuesta por dos redes (generadora y discriminadora) compitiendo para sintetizar datos de alta fidelidad.
- Modelo Texto a Imagen: Sistemas que convierten descripciones en lenguaje natural en representaciones visuales (ejemplo: Stable Diffusion).
- Autoencoder: Red neuronal para reducción de dimensionalidad y compresión/reconstrucción de características.
- Componentes Técnicos, Datos y Procesamiento
- Dataset: Conjunto estructurado de datos utilizado para entrenar, validar o probar modelos.
- Big Data: Conjuntos masivos y complejos de datos que requieren arquitecturas avanzadas para su procesamiento.
- Datos Sintéticos: Información generada artificialmente para simular patrones reales sin utilizar datos históricos directos.
- Embedding: Representación vectorial de tokens o conceptos que codifica relaciones semánticas en espacios matemáticos multidimensionales.
- Token: Unidad básica de texto (palabras o subpalabras) en la que se divide una secuencia para su procesamiento.
- Parámetros: Valores internos del modelo ajustados dinámicamente durante la fase de entrenamiento.
- Hiperparámetros: Configuraciones estructurales fijadas previamente al entrenamiento para controlar el aprendizaje del modelo.
- Ajuste de Hiperparámetros: Proceso sistemático de optimización de las configuraciones del modelo para mejorar su rendimiento.
- Preprocesamiento: Fase de limpieza, normalización, escalado y transformación previa de datos.
- Técnicas de Entrenamiento y Optimización
- Aprendizaje por Refuerzo con Retroalimentación Humana (RLHF): Técnica de ajuste donde las respuestas del modelo se optimizan mediante evaluación e indicaciones humanas.
- Aprendizaje en Conjunto (Ensemble Learning): Combinación de múltiples modelos para incrementar la precisión predictiva general.
- Bagging: Técnica de conjunto que entrena modelos sobre subconjuntos aleatorios para reducir la varianza.
- Clustered / Agrupamiento (Clustering): Algoritmos no supervisados para agrupar datos según similitudes estocásticas o métricas.
- Reducción de Dimensionalidad: Técnicas para simplificar el número de variables reteniendo la información crítica.
- Inferencia: Fase operativa donde un modelo ya entrenado procesa una entrada (input) para generar una salida (output).
- Sampling: Selección estocástica durante la inferencia para aportar variabilidad en la generación de respuestas.
- Interacción Humano-Sistema y Lenguaje Natural
- Procesamiento del Lenguaje Natural (PLN / NLP): Disciplina orientada a habilitar la comunicación entre sistemas computacionales y el lenguaje humano.
- Lenguaje Natural: Idioma o lengua utilizado habitualmente por seres humanos para comunicarse.
- Prompt: Instrucción o entrada de texto declarada para ordenar una tarea o generación a un sistema.
- Chatbot: Software conversacional que simula interacción mediante lenguaje natural sobre dominios específicos o generales.
- Procesamiento de Visión Artificial e Imágenes
- Clasificación de Imágenes: Categorización de elementos visuales en clases predefinidas.
- Detección de Objetos: Identificación y localización espacial de elementos dentro de una imagen o video.
- Anotación de Imágenes: Proceso de asignación de etiquetas o atributos a elementos visuales para entrenamiento.
- Segmentación de Imagen: Partición de una imagen en regiones semánticamente diferenciadas (objetos vs. fondo).
- Preprocesamiento de Imágenes: Modificación técnica previa (escalado, filtrado, limpieza) de datos visuales.
- Inpainting: Proceso de reconstrucción o sustitución de zonas dañadas o seleccionadas en una imagen.
- Transferencia de Estilo: Aplicación del estilo gráfico de una imagen sobre la estructura conceptual de otra.
- Traducción Imagen a Imagen: Transformación de representaciones visuales entre distintos dominios (ejemplo: boceto a fotografía).
- Reconocimiento Facial: Identificación o verificación de personas mediante análisis de patrones faciales.
- Reconocimiento de Patrones: Identificación de regularidades matemáticas en datos crudos (ej. píxeles).
- Subtítulo de Imagen: Generación automática de descripciones textuales explicativas a partir de un contenido visual.
- Fenómenos, Riesgos y Conceptos Teóricos
- Singularidad Tecnológica: Inflexión hipotética impulsada por superinteligencia donde la aceleración tecnológica supera el control o predicción humana.
- Deepfakes: Archivos multimedia sintéticos que imitan con alto realismo la apariencia física, voz o acciones de personas reales.
- Fake News: Contenidos falsos o manipulados orientados a la desinformación masiva.
- Scraping / Web Scraping: Extracción e ingesta automatizada de datos desde sitios o documentos web.
- Estancamiento (Stagnation): Límite teórico en la capacidad de procesamiento o arquitectura que impida alcanzar niveles cognitivos superiores.
Deja un comentario