AI Glossary

Fecha de Corte de Conocimiento

Un modelo no sabe nada del mundo posterior a su corte, a menos que se le den búsqueda o documentos en el momento de la inferencia. Por eso los modelos describen con seguridad versiones de software ya superadas y se pierden eventos recientes. La recuperación y las herramientas de búsqueda son la solución; el corte en sí nunca se mueve sin reentrenar. En la práctica: Pedirle a un modelo ’lo más reciente’ de cualquier cosa no es confiable a menos que pueda buscar. ...

Few-Shot Prompting

El few-shot prompting enseña por demostración dentro de la ventana de contexto, sin ningún entrenamiento de por medio. Es la técnica de prompting con mayor impacto en la consistencia, sobre todo en clasificación y formato. Elige ejemplos que cubran los casos límite, no solo los fáciles — el modelo copiará lo que le muestres, incluidos los huecos. En la práctica: Cinco tickets etiquetados en el prompt, y la precisión de categorización sube sin nada de fine-tuning. ...

Fine-Tuning

El fine-tuning actualiza los pesos de un modelo preentrenado usando un conjunto de datos más pequeño y dirigido. Es la herramienta correcta para enseñar forma — tono, formato, un esquema de clasificación — y la equivocada para enseñar hechos, algo que RAG resuelve mejor y más barato. La mayoría de los equipos recurre al fine-tuning demasiado pronto; el trabajo de prompting y la recuperación resuelven más problemas de lo esperado. ...

Función de activación

Una función de activación decide qué pasa hacia adelante cada unidad. La no linealidad es justamente el punto: si apilas cien capas lineales sigues teniendo un modelo lineal, pero si insertas una función no lineal entre ellas, la red puede representar curvas, interacciones y estructura. ReLU es la opción predeterminada más común. En la práctica: ReLU: una entrada negativa se convierte en cero; una entrada positiva pasa sin cambios.

Función de Pérdida

Una función de pérdida convierte la distancia entre la predicción y la verdad en un solo número. El entrenamiento no es más que buscar parámetros que hagan pequeño ese número. Elegir la pérdida es elegir qué le va a importar al modelo, lo que la convierte en una decisión silenciosamente trascendental. En la práctica: Predijo 0.9 donde la respuesta era 1.0 — la pérdida es pequeña, así que la corrección es pequeña. ...

Function Calling

Tú describes tus funciones y sus parámetros; el modelo devuelve una solicitud estructurada que nombra una de ellas y entrega los argumentos. Lo crucial es que el modelo no ejecuta nada — lo hace tu aplicación, y ahí es donde corresponden la validación y la autorización. Es la plomería que hay debajo de casi todo producto de agentes. En la práctica: El modelo emite get_order_status(order_id=‘A-4471’); tu backend decide si lo ejecuta. ...

GAN (red generativa adversaria)

En una GAN, un generador intenta producir muestras convincentes mientras un discriminador intenta atraparlas, y ambos mejoran gracias a la competencia. Las GAN dominaron la generación de imágenes antes de la difusión y siguen siendo útiles donde importa la velocidad, aunque son notoriamente inestables de entrenar. En la práctica: Los rostros de ’this person does not exist’ eran salida de una GAN.

Generación aumentada por recuperación (RAG)

RAG divide el trabajo en dos: un paso de recuperación encuentra los pasajes relevantes para la pregunta, y luego el modelo responde usando esos pasajes como contexto. Es la solución estándar para los límites de conocimiento, los datos privados y las alucinaciones, porque el modelo queda anclado en texto que puede citar. La calidad de la recuperación fija el techo — el mejor modelo no puede rescatar los tres párrafos equivocados. ...

Gobernanza de la IA

La gobernanza de la IA es la respuesta a un puñado de preguntas: quién aprueba un caso de uso, quién revisa las salidas, qué datos pueden ir a dónde y quién puede detenerlo. Es sobre todo diseño organizacional más que tecnología. Bajo el EU AI Act, parte de eso deja de ser opcional. En la práctica: Un registro de casos de uso de IA con un responsable y un nivel de riesgo para cada uno. ...

GPU

Las GPU realizan las enormes multiplicaciones de matrices detrás del entrenamiento y la inferencia miles de veces más rápido que una CPU. Su capacidad de memoria fija el techo del tamaño del modelo, y por eso importa la cuantización. La oferta y el precio de las GPU moldean todo el mercado. En la práctica: Que un modelo quepa o no en 24GB de VRAM decide si corre en tu escritorio. ...