Este glosario reúne conceptos técnicos, metodológicos, éticos y sociales vinculados con la inteligencia artificial. Las definiciones están formuladas en un lenguaje accesible y, cuando corresponde, señalan debates relevantes para la actividad académica.

• Algoritmo: Secuencia ordenada de instrucciones que permite resolver un problema o realizar una tarea. En IA, los algoritmos se utilizan para aprender patrones, clasificar datos, generar contenidos o tomar decisiones.
• Alineación de la IA: Conjunto de métodos orientados a lograr que un sistema de IA actúe de acuerdo con objetivos, valores, normas y límites definidos por seres humanos.
• Alucinación: Respuesta generada por un sistema de IA que parece plausible, pero contiene información falsa, inventada, imprecisa o no respaldada por las fuentes disponibles.
• Analítica del aprendizaje: Recopilación y análisis de datos sobre estudiantes y procesos educativos para comprender, evaluar o mejorar el aprendizaje.
• Anotación de datos: Proceso de asignar etiquetas, categorías o descripciones a textos, imágenes, audios u otros materiales para entrenar o evaluar modelos de IA.
• Antropomorfismo: Tendencia a atribuir intenciones, emociones, conciencia o comprensión humana a sistemas de IA que operan mediante procesos computacionales.
• Aprendizaje activo: Método en el que un modelo selecciona los ejemplos más informativos y solicita que una persona los etiquete, reduciendo la cantidad de datos anotados necesarios.
• Aprendizaje automático: Rama de la IA que desarrolla sistemas capaces de identificar patrones en datos y mejorar su desempeño sin que cada regla sea programada de manera explícita.
• Aprendizaje autosupervisado: Método de entrenamiento en el que el propio conjunto de datos proporciona las señales necesarias para aprender, por ejemplo, prediciendo palabras ocultas en una oración.
• Aprendizaje federado: Técnica que permite entrenar modelos en distintos dispositivos o instituciones sin reunir todos los datos en un único lugar.
• Aprendizaje no supervisado: Método en el que un sistema busca patrones, grupos o estructuras en datos que no han sido previamente etiquetados.
• Aprendizaje por refuerzo: Método en el que un agente aprende mediante recompensas y penalizaciones asociadas a sus acciones dentro de un entorno.
• Aprendizaje por refuerzo con retroalimentación humana (RLHF): Técnica de ajuste de modelos en la que evaluaciones humanas ayudan a orientar las respuestas hacia resultados considerados más útiles, seguros o apropiados.
• Aprendizaje profundo: Subcampo del aprendizaje automático basado en redes neuronales con múltiples capas, especialmente eficaz para trabajar con lenguaje, imágenes, audio y grandes volúmenes de datos.
• Aprendizaje supervisado: Método en el que un modelo aprende a partir de ejemplos previamente etiquetados, como textos clasificados por tema o imágenes identificadas por categoría.
• Arquitectura de modelo: Estructura general que define cómo se organiza y procesa la información dentro de un modelo de IA.
• Asistente de IA: Aplicación que utiliza modelos de IA para responder preguntas, redactar, resumir, buscar información, organizar tareas o acompañar procesos de aprendizaje e investigación.
• Ataque adversarial: Manipulación deliberada de datos de entrada para provocar errores o comportamientos inesperados en un sistema de IA.
• Atención: Mecanismo que permite a un modelo asignar distinto peso a diferentes partes de una entrada, por ejemplo, a palabras relevantes dentro de un texto.
• Auditoría algorítmica: Evaluación sistemática de un sistema de IA para examinar su funcionamiento, precisión, sesgos, seguridad, cumplimiento normativo e impacto social.
• Automatización: Uso de tecnologías para ejecutar tareas con poca o ninguna intervención humana. Puede incluir IA, aunque no toda automatización es inteligente.
• Autoría asistida por IA: Producción de textos, imágenes, música u otros contenidos con apoyo de sistemas de IA, manteniendo algún grado de intervención, selección o edición humana.
• Benchmark: Conjunto de pruebas o datos estandarizados utilizado para comparar el rendimiento de distintos modelos o sistemas.
• Big data: Conjuntos de datos de gran volumen, velocidad o variedad que requieren herramientas especializadas para su almacenamiento, procesamiento y análisis.
• Cadena de pensamiento: Representación intermedia de pasos de razonamiento producida o inferida durante la resolución de una tarea. No equivale necesariamente al razonamiento humano ni garantiza una respuesta correcta.
• Caja negra: Expresión utilizada para describir sistemas cuyo funcionamiento interno es difícil de interpretar, incluso cuando sus entradas y resultados son observables.
• Calibración: Grado en que la confianza expresada por un modelo coincide con la probabilidad real de que sus respuestas sean correctas.
• Chatbot: Programa diseñado para mantener conversaciones mediante texto o voz. Puede funcionar con reglas predefinidas o con modelos generativos.
• Clasificación: Tarea de asignar una categoría a un elemento, por ejemplo, clasificar documentos por tema, sentimiento, idioma o género.
• Clustering o agrupamiento: Técnica no supervisada que reúne elementos similares sin utilizar categorías definidas de antemano.
• Código abierto: Modelo de desarrollo que permite acceder, utilizar, estudiar y modificar el código de un programa bajo determinadas licencias.
• Compresión de modelos: Conjunto de técnicas destinadas a reducir el tamaño y el costo computacional de un modelo, procurando mantener su rendimiento.
• Conciencia artificial: Hipótesis según la cual un sistema artificial podría poseer experiencia subjetiva o conciencia. No existe consenso científico ni evidencia concluyente de que los sistemas actuales la tengan.
• Conjunto de datos: Colección organizada de ejemplos, registros o documentos utilizada para entrenar, validar, evaluar o aplicar sistemas de IA.
• Contenido sintético: Texto, imagen, audio, video, código u otro material producido total o parcialmente por sistemas generativos.
• Contexto: Información disponible para un modelo al momento de producir una respuesta, incluyendo instrucciones, mensajes previos, documentos adjuntos y datos recuperados.
• Corpus: Conjunto de textos, audios, imágenes u otros materiales reunidos para su estudio, análisis o procesamiento computacional.
• Curaduría de datos: Selección, organización, documentación, limpieza y mantenimiento de datos para asegurar su calidad, pertinencia y trazabilidad.
• Datos de entrenamiento: Información utilizada para ajustar los parámetros de un modelo y permitirle aprender patrones.
• Datos de prueba: Conjunto reservado para evaluar el desempeño de un modelo después del entrenamiento.
• Datos de validación: Conjunto utilizado durante el desarrollo para comparar versiones de un modelo y ajustar decisiones de diseño.
• Datos estructurados: Información organizada en campos definidos, como tablas, bases de datos o formularios.
• Datos no estructurados: Información sin una organización tabular fija, como libros, correos electrónicos, entrevistas, imágenes, audios o videos.
• Datos personales: Información que identifica o puede contribuir a identificar a una persona, directa o indirectamente.
• Datos sensibles: Datos personales que requieren protección reforzada por su posible impacto, como información sobre salud, origen étnico, religión, orientación sexual o posiciones políticas.
• Debiasing o mitigación de sesgos: Conjunto de técnicas destinadas a identificar y reducir sesgos injustificados en datos, modelos o resultados.
• Decisión automatizada: Decisión tomada total o parcialmente por un sistema informático, a veces sin intervención humana significativa.
• Deepfake: Imagen, audio o video sintético o manipulado mediante IA para representar de manera convincente a una persona diciendo o haciendo algo que no ocurrió.
• Derecho a explicación: Principio según el cual las personas afectadas por decisiones automatizadas deberían recibir información comprensible sobre cómo y por qué se tomó una decisión.
• Derechos de autor: Conjunto de normas que protege obras originales y regula su reproducción, transformación, distribución y comunicación pública. Su aplicación a datos de entrenamiento y contenidos generados por IA sigue siendo objeto de debate y regulación.
• Desinformación: Información falsa o engañosa difundida deliberadamente. La IA generativa puede facilitar su producción, personalización y distribución masiva.
• Destilación de conocimiento: Técnica mediante la cual un modelo más pequeño aprende a imitar el comportamiento de otro modelo más grande.
• Detección de anomalías: Identificación de casos que se apartan significativamente de los patrones habituales de un conjunto de datos.
• Embeddings o representaciones vectoriales: Representaciones numéricas que sitúan palabras, textos, imágenes u otros objetos en un espacio matemático según sus semejanzas.
• Enfoque human-in-the-loop: Diseño en el que las personas intervienen en etapas relevantes del funcionamiento de un sistema, por ejemplo, para supervisar, corregir, validar o decidir.
• Entrenamiento: Proceso mediante el cual un modelo ajusta sus parámetros a partir de datos para aprender a realizar determinadas tareas.
• Ética de la IA: Campo que estudia los principios, valores, riesgos y responsabilidades asociados al diseño, desarrollo, implementación y uso de sistemas de IA.
• Evaluación de impacto algorítmico: Proceso de identificación y análisis de los posibles efectos sociales, jurídicos, económicos y culturales de un sistema automatizado antes o durante su uso.
• Evaluación humana: Valoración realizada por personas para juzgar la calidad, utilidad, seguridad o adecuación de las respuestas de un sistema.
• Explicabilidad: Capacidad de ofrecer razones comprensibles sobre el funcionamiento o los resultados de un sistema de IA.
• Extracción de información: Identificación automática de entidades, relaciones, fechas, lugares, conceptos u otros elementos relevantes dentro de documentos.
• Falsos negativos: Casos que un sistema clasifica erróneamente como negativos cuando en realidad son positivos.
• Falsos positivos: Casos que un sistema clasifica erróneamente como positivos cuando en realidad son negativos.
• Fine-tuning o ajuste fino: Entrenamiento adicional de un modelo previamente entrenado con datos específicos para adaptarlo a una tarea, dominio o estilo determinado.
• Generación aumentada por recuperación (RAG): Método que combina un modelo generativo con un sistema de búsqueda para producir respuestas apoyadas en documentos recuperados durante la consulta.
• Generalización: Capacidad de un modelo para desempeñarse adecuadamente con datos nuevos que no vio durante el entrenamiento.
• Gobernanza de la IA: Conjunto de políticas, normas, instituciones y mecanismos de supervisión que orientan el desarrollo y uso responsable de la IA.
• GPU: Procesador originalmente diseñado para gráficos, actualmente utilizado de manera intensiva para entrenar y ejecutar modelos de IA.
• Guardrails o barreras de seguridad: Reglas, filtros y mecanismos técnicos u organizativos destinados a limitar usos o respuestas peligrosas, ilegales o inadecuadas.
• Humanidades digitales: Campo interdisciplinario que aplica métodos computacionales y digitales al estudio, preservación, interpretación y difusión de objetos culturales y humanísticos.
• IA afectiva: Sistemas diseñados para reconocer, inferir o simular emociones a partir de voz, texto, gestos u otras señales.
• IA agéntica: Sistemas capaces de planificar, seleccionar herramientas y ejecutar una secuencia de acciones con cierto grado de autonomía para alcanzar un objetivo.
• IA estrecha: Sistema diseñado para realizar tareas específicas, a diferencia de una inteligencia general capaz de desenvolverse ampliamente en múltiples dominios.
• IA explicable (XAI): Área dedicada a desarrollar métodos que permitan comprender, interpretar o justificar los resultados de sistemas de IA.
• IA general o AGI: Concepto hipotético de una inteligencia artificial capaz de comprender y realizar una amplia variedad de tareas intelectuales a un nivel comparable o superior al humano.
• IA generativa: Sistemas capaces de producir nuevos textos, imágenes, audios, videos, código u otros contenidos a partir de patrones aprendidos.
• IA multimodal: Sistema que puede procesar o generar más de un tipo de información, como texto, imagen, audio y video.
• IA predictiva: Uso de modelos para estimar resultados futuros o desconocidos a partir de patrones presentes en datos históricos.
• IA responsable: Enfoque que procura que los sistemas de IA sean seguros, justos, transparentes, respetuosos de los derechos y sujetos a rendición de cuentas.
• Imputación de datos: Estimación de valores faltantes dentro de un conjunto de datos mediante reglas estadísticas o modelos de aprendizaje automático.
• Inferencia: Uso de un modelo ya entrenado para producir una predicción, clasificación, recomendación o contenido nuevo.
• Ingeniería de características: Selección o construcción de variables relevantes para mejorar el desempeño de un modelo.
• Ingeniería de prompts: Diseño y refinamiento de instrucciones para orientar las respuestas de un modelo generativo.
• Inteligencia artificial: Campo de investigación y desarrollo dedicado a crear sistemas capaces de realizar tareas asociadas con la percepción, el lenguaje, el aprendizaje, la predicción, la planificación o la toma de decisiones.
• Interoperabilidad: Capacidad de distintos sistemas, plataformas o bases de datos para intercambiar información y funcionar de manera coordinada.
• Interpretabilidad: Grado en que una persona puede comprender cómo un modelo relaciona sus entradas con sus resultados.
• Latencia: Tiempo que transcurre entre una solicitud y la respuesta de un sistema.
• Licencia abierta: Permiso legal que autoriza determinados usos, copias, modificaciones o redistribuciones de una obra, un conjunto de datos o un programa.
• LLM o modelo de lenguaje de gran escala: Modelo entrenado con grandes volúmenes de texto para predecir y generar lenguaje, responder preguntas, resumir, traducir o asistir en distintas tareas.
• Minería de datos: Proceso de exploración de grandes conjuntos de datos para identificar patrones, relaciones o tendencias.
• Minería de textos: Aplicación de métodos computacionales para analizar colecciones de documentos y detectar temas, entidades, tendencias o relaciones.
• Modelo: Sistema matemático y computacional que aprende patrones a partir de datos y los utiliza para producir resultados.
• Modelo base o fundacional: Modelo entrenado con grandes cantidades de datos y adaptable a múltiples tareas posteriores.
• Modelo de difusión: Tipo de modelo generativo que aprende a producir datos, especialmente imágenes, revirtiendo progresivamente un proceso de adición de ruido.
• Modelo de lenguaje: Sistema que estima probabilidades sobre secuencias lingüísticas y puede utilizarse para completar, clasificar o generar texto.
• Modelo multimodal: Modelo capaz de relacionar y procesar distintas modalidades, como lenguaje, imagen, audio y video.
• Modelo propietario: Sistema cuyo código, datos, pesos o detalles de entrenamiento no están plenamente disponibles al público y cuyo uso está regulado por una empresa u organización.
• Modelos abiertos: Modelos cuyos pesos, código o documentación están disponibles en distintos grados. La palabra “abierto” puede referirse a condiciones muy diferentes y no siempre implica acceso completo a datos y procesos de entrenamiento.
• Moderación de contenidos: Revisión, clasificación o eliminación de contenidos según normas de una plataforma, realizada por personas, algoritmos o ambos.
• NLP o procesamiento del lenguaje natural: Área de la IA dedicada al análisis, comprensión y generación computacional del lenguaje humano.
• OCR o reconocimiento óptico de caracteres: Tecnología que convierte imágenes de textos impresos o manuscritos en caracteres editables y buscables.
• Ontología: Representación formal de conceptos y relaciones dentro de un dominio de conocimiento.
• Open source: Véase código abierto. En IA, puede referirse al código, los pesos del modelo o ambos, aunque no necesariamente a los datos de entrenamiento.
• Parámetro: Valor interno que un modelo ajusta durante el entrenamiento. Los modelos actuales pueden contener millones o miles de millones de parámetros.
• Personalización: Adaptación de un sistema o de sus respuestas a las características, preferencias, historial o contexto de una persona o grupo.
• Pesos del modelo: Valores numéricos aprendidos durante el entrenamiento que determinan cómo procesa información un modelo.
• Pipeline: Secuencia de etapas conectadas para procesar datos, entrenar modelos o producir resultados.
• Plagio: Presentación de ideas, palabras u obras ajenas como propias. El uso de IA no elimina la obligación de atribuir fuentes ni de respetar normas académicas.
• Posprocesamiento: Modificación o filtrado de los resultados de un modelo después de su generación.
• Preentrenamiento: Fase inicial en la que un modelo aprende patrones generales a partir de grandes conjuntos de datos antes de ser adaptado a tareas específicas.
• Privacidad diferencial: Técnica matemática que permite obtener información estadística reduciendo el riesgo de identificar a personas concretas dentro de un conjunto de datos.
• Procesamiento del lenguaje natural: Véase NLP. Incluye tareas como traducción, análisis de sentimientos, resumen, extracción de información y generación de texto.
• Prompt: Instrucción, pregunta, ejemplo o conjunto de datos proporcionado a un modelo para orientar su respuesta.
• Prompt injection: Ataque o manipulación mediante instrucciones introducidas en una conversación o documento para hacer que un sistema ignore reglas previas o realice acciones no previstas.
• Prompt multimodal: Instrucción que combina distintos tipos de entrada, por ejemplo, texto con una imagen, un audio o un documento.
• Propiedad intelectual: Conjunto de derechos aplicables a creaciones, marcas, invenciones y otros activos intangibles. En IA, plantea preguntas sobre entrenamiento, atribución, licencias y titularidad de resultados.
• Razonamiento automatizado: Uso de reglas lógicas, modelos probabilísticos u otros métodos computacionales para derivar conclusiones a partir de información disponible.
• Reconocimiento de entidades nombradas: Técnica que identifica nombres de personas, instituciones, lugares, fechas, obras u otras entidades dentro de un texto.
• Reconocimiento de voz: Tecnología que convierte lenguaje oral en texto o comandos interpretables por una máquina.
• Red neuronal: Modelo computacional inspirado de manera general en la organización de neuronas biológicas, compuesto por unidades conectadas que transforman información.
• Red neuronal convolucional: Arquitectura especialmente utilizada para analizar imágenes y reconocer patrones espaciales.
• Red neuronal recurrente: Arquitectura diseñada para procesar secuencias, como textos o series temporales, manteniendo información de pasos anteriores.
• Red teaming: Práctica de someter un sistema a pruebas deliberadamente adversas para identificar vulnerabilidades, riesgos y modos de fallo.
• Regulación de la IA: Conjunto de normas jurídicas que establece obligaciones, prohibiciones, derechos y mecanismos de control sobre sistemas de IA.
• Reproducibilidad: Posibilidad de repetir un procedimiento de investigación y obtener resultados comparables utilizando los mismos datos, métodos y condiciones documentadas.
• Resumen automático: Generación computacional de una versión abreviada de uno o varios textos.
• Retroalimentación: Información utilizada para corregir, mejorar o ajustar el comportamiento de un sistema.
• Riesgo algorítmico: Posibilidad de que un sistema automatizado produzca daños, discriminación, errores, pérdida de derechos o consecuencias sociales no deseadas.
• Robótica: Campo que diseña máquinas capaces de percibir, actuar y, en algunos casos, aprender en entornos físicos.
• Sandbox o entorno aislado: Espacio controlado donde se prueba un sistema sin acceso pleno a recursos externos ni posibilidad de afectar entornos reales.
• Seguridad de la IA: Área orientada a prevenir fallos, abusos, vulnerabilidades y daños derivados del desarrollo o uso de sistemas de IA.
• Sesgo algorítmico: Tendencia sistemática de un sistema a producir resultados desiguales, distorsionados o injustos para determinadas personas o grupos.
• Sesgo de automatización: Tendencia humana a confiar excesivamente en recomendaciones o decisiones producidas por sistemas automáticos.
• Sesgo de confirmación: Tendencia a buscar o interpretar información de manera que confirme creencias previas. Los sistemas de recomendación o los asistentes conversacionales pueden reforzarla.
• Soberanía de datos: Principio según el cual los datos deben estar sujetos al control, las leyes y los intereses de las comunidades o jurisdicciones de las que proceden.
• Sobreajuste: Situación en la que un modelo aprende demasiado bien los datos de entrenamiento, pero funciona mal con datos nuevos.
• Speech-to-text: Conversión automática de voz en texto.
• Supervisión humana: Intervención de personas responsables para revisar, corregir, aprobar o detener decisiones y resultados producidos por un sistema.
• Temperatura: Parámetro que controla el grado de variación o aleatoriedad en la generación de respuestas. Valores más bajos suelen producir resultados más previsibles y valores más altos, respuestas más diversas.
• Text-to-image: Sistema que genera imágenes a partir de instrucciones escritas.
• Text-to-speech: Tecnología que convierte texto escrito en voz sintética.
• Token: Unidad mínima que un modelo utiliza para procesar texto. Puede corresponder a una palabra, parte de una palabra, un signo o una secuencia de caracteres.
• Tokenización: Proceso de dividir un texto en unidades que un modelo puede representar y procesar.
• Transformer: Arquitectura de red neuronal basada en mecanismos de atención, ampliamente utilizada en modelos de lenguaje y sistemas multimodales.
• Transparencia algorítmica: Disponibilidad de información relevante sobre el propósito, funcionamiento, datos, límites y responsables de un sistema de IA.
• Trazabilidad: Capacidad de reconstruir el origen de los datos, las decisiones de diseño, las transformaciones y los resultados de un sistema.
• Validación: Proceso de comprobar que un modelo o sistema cumple los criterios previstos antes de utilizarlo en un contexto real.
• Vectorización: Conversión de textos, imágenes u otros datos en representaciones numéricas que pueden ser procesadas por algoritmos.
• Ventana de contexto: Cantidad máxima de información que un modelo puede considerar simultáneamente al generar una respuesta.
• Visión por computadora: Área de la IA dedicada al análisis de imágenes y videos para detectar objetos, reconocer patrones o interpretar escenas.
• Voz sintética: Audio generado artificialmente para reproducir o imitar una voz humana.
• Zero-shot learning: Capacidad de realizar una tarea sin ejemplos específicos previos, basándose en instrucciones y conocimientos aprendidos durante el entrenamiento.