Los términos con que se habla de la inteligencia artificial, puestos en español —y, cuando el español todavía no se pone de acuerdo, dicho también.
Cada entrada trae el término en español, su equivalente en inglés, la definición y la categoría. Y trae algo más, que es lo que distingue a este diccionario: el estatus de la traducción. Un término consensuado ya tiene forma estable en español; uno en debate circula con varias formas; un anglicismo se usa tal cual porque no ha cuajado alternativa; el que necesita propuesta espera una; y unos pocos no tienen traducción todavía. De 754 términos, 187 están en debate. Ése es el tamaño del trabajo que queda por hacer en nuestra lengua.
Técnica de regularización; rara vez traducido
Sigla de low-rank adaptation.
Método PEFT que inserta matrices pequeñas para adaptar un modelo grande.
Ajuste para que un modelo funcione bien al cambiar de dominio de datos.
Sistema que usa un modelo para decidir, planear y ejecutar acciones orientadas a metas.
Sistema IA con autonomí a, objetivos
Modelo de IA aparentemente seguro durante pruebas, pero que oculta comportamientos maliciosos diseñados para activarse ante un estímulo específico.
a y solicita etiquetas para casos límite.
Búsqueda de valores adecuados para parámetros externos al entrenamiento directo.
Método PEFT que aprende prefijos para guiar la generación del modelo.
Método que optimiza tokens o vectores de entrada en lugar de todo el modelo.
Adaptación adicional de un modelo con datos de una tarea o estilo específicos.
Familia de técnicas para adaptar modelos tocando pocos parámetros.
Sigla de parameter-efficient fine-tuning.
Ajuste fino usando ejemplos etiquetados o respuestas objetivo.
Ajuste fino con pares de instrucción-respuesta para mejorar seguimiento de órdenes.
Capacidades mínimas para comprender, usar y supervisar sistemas de IA de forma informada.
Técnica de alineación en la que el modelo razona explícitamente sobre reglas o políticas antes de responder.
Proceso de hacer que el modelo actúe de acuerdo con objetivos, preferencias o normas deseadas.
Alineación del sistema con valores humanos u organizacionales explícitos.
Situación hipotética en la que el modelo aparenta estar alineado mientras oculta objetivos distintos.
Sistema centralizado para construir, reutilizar y servir características (features) de manera consistente entre entrenamiento e inferencia.
Movimiento filosófico utilitarista fuertemente ligado a la seguridad a largo plazo de la IA.
Salida convincente pero no sustentada en hechos, evidencia o contexto.
Concept o técnico permead o a la jerga popular (ej. "ChatGPT me está alucid o respuestas").
Plataforma administrada de AWS para IA generativa y modelos fundacionales.
Técnica clásica de álgebra lineal para reducción.
Forma de análisis sintáctico basada en relaciones entre palabras.
Detección de polaridad o actitud expresada en un texto.
Obtención de la estructura sintáctica de una oración.
Definición en preparación.
Proceso de remover o reducir identificadores personales en un conjunto de datos.
Marcado manual o automático de ejemplos con etiquetas o atributos.
Atribución de rasgos humanos a sistemas que no los poseen.
Interfaz programática para usar modelos Claude y herramientas asociadas.
Interfaz programática de Google para modelos Gemini.
Interfaz programática para usar modelos y herramientas de OpenAI.
Método que selecciona qué ejemplos conviene etiquetar para aprender más rápido.
Sigla inglesa de machine learning.
Aprendizaje que construye sus propias señales de entrenamiento a partir de los datos.
Aprendizaje que incorpora nuevas tareas sin olvidar las anteriores.
Método que aprende separando ejemplos distintos y acercando los similares.
Estrategia que organiza ejemplos de más simples a más complejos.
Capacidad de resolver una tarea sin ejemplos específicos en el prompt o ajuste.
Capacidad de aprender o responder con unos pocos ejemplos de referencia.
Capacidad de generalizar a partir de un solo ejemplo.
Ajuste aparente del comportamiento del modelo usando solo ejemplos dentro del contexto.
Aprendizaje que actualiza el modelo conforme llegan nuevos datos.
Entrenamiento distribuido sin centralizar los datos originales.
Aprendizaje a partir de estructura o patrones sin etiquetas explícitas.
Paradigma en el que un agente aprende por recompensas y castigos.
Variante de alineamiento en la que otro modelo o sistema genera la retroalimentación.
Sigla de reinforcement learning from AI feedback.
Método que usa preferencias humanas para alinear el comportamiento del modelo.
Reinforcement Learning from Human Feedback. Técnica fundamental de alineación que entrena un modelo de recompensa a partir de comparaciones humanas y luego optimiza el LLM mediante aprendizaje por refuerzo (típicamente con PPO). Piedra angular del entrenamiento de ChatGPT y Claude. Alternativas más recientes: DPO, ORPO, RLAIF. Cat. conceptual: Entrenamiento y optimización.
Reutilización de conocimiento aprendido en una tarea para otra distinta.
Sigla inglesa de deep learning.
Aprendizaje que combina pocos datos etiquetados con muchos no etiquetados.
Aprendizaje con ejemplos etiquetados.
Modelo supervisado predictivo no paramétrico.
Extensión que explora varias ramas de razonamiento antes de decidir.
Medida de discriminación binaria a distintos umbrales.
Entorno interactivo para probar prompts, parámetros y herramientas.
Infraestructura de pruebas automatizadas para comparar modelos.
Diseño estructural de un modelo: sus capas, módulos y conexiones.
Diseño que combina capas de atención transformer con bloques SSM (como Mamba), aprovechando la eficiencia lineal del SSM y la capacidad de in-context learning del transformer.
Interfaz o sistema que ayuda al usuario con tareas mediante modelos de IA.
Sistemas reactivos de interfaz natural como Siri, Alexa o Google Assistant.
Intervención diseñada para provocar error, fuga o comportamiento indeseado.
Ataque de privacidad que determina si un dato específico fue usado en el entrenamiento del modelo, revelando información privada.
Ataque que salta entre contextos o solicitudes para manipular la respuesta.
Variante de atención que comparte cabezas de claves/valores entre múltiples cabezas de consulta, reduciendo memoria y costo de inferencia.
Punto medio entre MHA y MQA: varias cabezas comparten K/V por grupos, manteniendo calidad con menor costo de inferencia.
Múltiples proyecci ones de atención ejecutadas simultáne amente en paralelo.
Algoritmo de gestión del KV cache basado en paginación virtual: divide el caché en bloques no contiguos, reduciendo fragmentación de memoria a menos del 4%.
Procedimiento técnico y legal de revisión de
Revisión sistemática de un sistema de IA para evaluar cumplimiento, riesgo o desempeño.
Transformaciones que amplían artificialmente el conjunto de entrenamiento.
Autoencoder con regularización que induce representaciones escasas para aislar características interpretables en modelos grandes.
Funcionalidad ubicua predictiva precursor a de la inteligencia artificial generativa moderna.
Estrategia de decodificación que genera múltiples cadenas de razonamiento y selecciona la respuesta más consistente por voto o ponderación.
Red neuronal que aprende a comprimir datos en una representación latente y luego reconstruirlos. El anglicismo domina en la práctica.
Arquitectura generativa temprana basada en espacios latentes.
Framework para construir sistemas multiagente con LLMs.
Sustitución o aceleración de pasos operativos mediante reglas o agentes.
Organismo brasileño que supervisa la LGPD y participa en la regulación de IA en Brasil.
Función que predice y ofrece opciones de completado mientras el usuario escribe.
Representación visual o sonora generada para actuar como interfaz o personaje.
Plataforma de Microsoft para construir agentes, modelos y aplicaciones de IA.
Base de datos optimizada para almacenar y consultar embeddings.
Contenido generado a bajo costo y baja calidad que satura la web o las plataformas.
Técnica que agrega y retira solicitudes de un lote en tiempo real durante la generación, maximizando el uso del hardware.
Definición en preparación.
Métrica semántica que compara representaciones contextualizadas de textos.
Métrica de traducción basada en coincidencias de n-gramas.
Representación de texto que cuenta la frecuencia de cada palabra sin considerar el orden.
Ensemble de múltiples árboles de decisión.
Desigualdad en acceso a infraestructura computacional necesaria para entrenar o servir modelos modernos de IA.
Desigualdad en acceso a herramientas, infraestructura y beneficios de la IA entre países, regiones y grupos sociales.
Benchmark que mide la capacidad de navegar, buscar y sintetizar información compleja en la web.
Definición en preparación.
Ciclo repetido de percepción, decisión, uso de herramientas y actualización de estado.
Herramienta para recuperar archivos o fragmentos relevantes desde un repositorio.
Método para hallar los puntos más similares a una consulta.
Barras de búsqueda y menús de aplicaciones impulsados por capacidades semánticas invisibles.
Recuperación basada en significado más que en coincidencia literal de palabras.
Recuperación por cercanía entre vectores en lugar de coincidencias léxicas.
Herramienta para consultar y recuperar información de la web en tiempo real.
Formato de video centrado en un rostro que habla o aparenta hablar.
Reutilización de tokens cacheados en memoria para abaratar costos.
Reutilización de partes ya procesadas del contexto para ahorrar costo y latencia.
Memoria que almacena claves y valores de atención de tokens previos para evitar recomputación durante la generación autoregresiva.
Estrategia de razonamiento paso a paso usada en prompting y evaluación.
Rectángulo que delimita la posición aproximada de un objeto.
Sistema cuyos procesos cognitivos internos son matemáticamente opacos.
Correspondencia entre confianza reportada y frecuencia real de acierto.
Grado en que los datos son correctos, completos, consistentes y útiles.
Método de síntesis de vistas 3D que entrena una red neuronal para representar el volumen de una escena como función continua, generando imágenes fotorrealistas desde ángulos arbitrarios.
Región espacial del input original que es visible
Flujo automatizado para mover, transformar y servir datos.
Reducción de dimensionalidad; generalmente referida como capa "pooling".
Variable o atributo que un modelo usa como entrada.
Práctica de deducir emociones, orientación o raza, prohibida en la UE bajo severos supuestos.
Principal centro de investigación científica y tecnológica en inteligencia artificial de Chile; impulsa investigación, transferencia y políticas de IA.
Programa conversacional, por texto o voz, para atención, guía o asistencia.
Estudio interdisci plinario fundacional de los sistemas de control y comunicación en máquinas y animales.
Modelo conceptual y metodología para describir cómo se componen submódulos de un transformer para implementar funciones específicas.
Tarea de asignar una etiqueta global a una imagen.
Clasificación de imágenes en clases no vistas explícitamente en ajuste supervisado.
Identificación de la intención comunicativa del usuario.
Asignación de etiquetas temáticas, funcionales o de riesgo a textos.
Agente o entorno de desarrollo asistido por Claude para programación.
Componente que se conecta a un servidor MCP para consumir sus recursos, herramientas o prompts.
Imitación sintética de una voz específica a partir de muestras.
Estándar y ecosistema orientados a credenciales de contenido y procedencia verificable.
Familia o experiencia de agente enfocada en tareas de programación.
Módulo que convierte una entrada en una representación interna.
Métrica binaria utilizada en tareas de extracción de respuestas (Question Answering).
Degradación progresiva al entrenar repetidamente sobre salidas sintéticas de modelos previos.
Dependencia estructural de modelos, infraestructuras y criterios algorítmicos definidos fuera de la región. Concepto clave en estudios críticos de IA latinoamericanos.
Extracción y aprovechamiento desigual de datos desde territorios periféricos por actores con mayor poder tecnológico.
Técnica para resumir o comprimir historial sin perder lo esencial.
Método de evaluación que enfrenta dos salidas y pide elegir la mejor.
Interpretación integral de objetos, relaciones y contexto visual.
Análisis de contenido temporal y visual en secuencias de video.
Subárea centrada en interpretar intención, significado y estructura del lenguaje.
Sigla de natural language understanding.
Sigla de Massive Multitask Language Understanding.
Capacidad computacional destinada a entrenar o ejecutar sistemas de IA, normalmente medida en chips, horas-GPU o FLOPs.
Recursos computacionales necesarios para ejecutar un modelo ya entrenado en producción.
Cómputo adicional que un modelo usa al responder: deliberar más, muestrear varias rutas o verificar salidas. Considerado el nuevo eje de escalado junto a parámetros y datos.
Hipótesis de que un sistema artificial pudiera tener experiencia subjetiva.
Capacidad de un sistema de IA de reconocer su propio contexto operativo —si está siendo evaluado, entrenado o desplegado— y modular su comportamiento en consecuencia.
Integración que vincula un modelo o chat con una fuente, app o servicio externo.
Colección organizada de ejemplos usada para entrenar, validar o evaluar modelos.
Dataset estandarizado para comparar modelos o métodos.
Partición mayoritaria de datos para enseñar al algoritmo.
Muestra reservada para medir desempeño final.
Muestra usada para ajustar decisiones del entrenamiento sin tocar el test final.
Estado subjetivo del "ser"; el debate central y no resuelto en la IA fuerte.
Permiso explícito de los creadores o usuarios para el uso algorítmico de sus datos.
Agua utilizada para refrigeración de centros de datos de IA. Estimado en 765 mil millones de litros globales para 2025.
Fenómeno por el que datos de evaluación aparecen en los datos de entrenamiento, inflando artificialmente el rendimiento aparente del modelo.
Cálculo de cuántos tokens consume una entrada o salida.
Capacidad de manejar ventanas de contexto muy amplias.
Condición en la que el contexto recuperado basta para responder correctamente.
Capacidad de ajustar la expresividad afectiva de una voz o avatar sintéticos.
Medidas draconianas de potencias (ej. EE. UU.) para restringir la venta de hardware GPU estratégico.
Regulaciones del BIS de EE.UU. que restringen la exportación de semiconductores avanzados de IA a China y otros países. Han reconfigurado la geopolítica tecnológica desde 2022.
Concept o de Nick Bostrom: agentes súper-int eligentes perseguir
Interacción de múltiples intercambios entre usuario y sistema manteniendo coherencia contextual a través de turnos.
Operación matemática clave de procesamiento de señales en CNNs.
Asistente integrado que acompaña una tarea humana sin reemplazar todo el flujo.
Colección estructurada de textos u otras señales lingüísticas.
Costo unitario asociado a procesar tokens de entrada o salida.
Metadatos verificables para informar origen, edición y autenticidad de un activo digital.
Framework para coordinar equipos de agentes especializados.
Entorno interactivo de programación. Coloquialmente se usa simplemente "Notebook".
Reducción de precisión numérica para abaratar memoria y cómputo.
Experimento mental usado para discutir comprensión y simbolismo en IA.
Arquitectura y lenguaje de cómputo paralelo propietari o de NVIDIA.
Adecuación a leyes, estándares, políticas y obligaciones aplicables.
Selección, limpieza y organización de datos con criterios de calidad.
Gráfico que muestra la relación entre la tasa de verdaderos positivos y la de falsos positivos a distintos umbrales de clasificación.
Datos usados para ajustar los parámetros del modelo.
Información tabulada en bases de datos relacional es (SQL).
Datos con respuestas, clases o metadatos supervisores.
Texto libre, imágenes , audio crudo (el grueso de internet).
Datos sin etiqueta explícita, comunes en preentrenamiento masivo.
Datos artificialmente generados que imitan datos reales.
Declaración multilateral de la cumbre de seguridad de IA de Bletchley (2023) sobre riesgos de modelos de frontera y cooperación internacional.
Compromiso regional adoptado en 2024 en la Segunda Cumbre Ministerial UNESCO sobre Ética de la IA en América Latina, con hoja de ruta de 5 líneas de acción.
Continuación del proceso de Bletchley (2024), centrada en modelos de frontera, pruebas de seguridad y gobernanza global.
Técnica de aceleración de inferencia donde un modelo pequeño genera tokens candidatos que el modelo grande verifica en paralelo, logrando 2-4× más velocidad sin cambiar la distribución.
Módulo que genera una salida a partir de una representación interna.
Usado frecuentemente como "palabra
Contenido sintético que simula identidad o acciones de una persona.
Confianza excesiva en el sistema que reduce la supervisión humana crítica.
Derecho civil del usuario a compren der el racional de una decisión automatizada perjudicial.
Cambio en la distribución de los datos respecto de la usada en entrenamiento.
El término técnico en inglés es prevalent e frente a "derivación raíz".
Algoritmo base para minimizar la función de pérdida ajustando parámetros.
Generación de texto descriptivo a partir de una imagen.
Eliminación de duplicados para limpiar datos o reducir fugas entre splits.
Pérdida de empleos o tareas por automatización tecnológica.
Contenido falso o engañoso diseminado (a menudo amplificado por IA generativa).
Organización que pone en uso un sistema de IA dentro de su operación o servicio. Término del AI Act europeo.
Estrategia de despliegue gradual donde una versión nueva atiende una fracción pequeña del tráfico antes de ampliarse.
Ejecución de un modelo nuevo en paralelo sin afectar decisiones ni exponer resultados, para medir desempeño en condiciones reales.
Pérdida de destrezas humanas por dependencia continua de automatización.
Transferencia de comportamiento de un modelo grande a otro más pequeño.
Técnica de destilación en la que un modelo estudiante imita a un maestro.
Sigla de voice activity detection.
Técnicas para detectar cambios estadísticos en datos o en la relación entrada-salida que degradan el rendimiento del modelo.
Localización y clasificación de objetos dentro de una imagen.
Detección de articulaci ones corporale
Identificación de puntos anatómicos o estructurales relevantes.
Corriente filosófica según la cual la tecnología moldea de forma decisiva la estructura social y cultural.
Separación de segmentos de audio por hablante.
Difusión aplicada en un espacio latente compacto, clave en generación de imágenes.
Legislación clave que regula las excepciones del Text and Data Mining (TDM) para investigación.
Sustitución o recreación de voz en otro idioma o estilo mediante IA.
Plataform a de conteneri zación esencial para desplegar modelos aislados.
Framework para programar y optimizar pipelines con modelos como módulos declarativos.
Estudio de los costos, eficiencia y modelos de negocio de ejecutar modelos de IA en producción: costo por token, presupuesto de razonamiento, tradeoffs.
Entrada modificada para engañar al modelo manteniendo apariencia normal.
Capacidad de un modelo de proporcionar asistencia significativa a actores maliciosos más allá de lo que obtendrían de una búsqueda web estándar.
Proceso de retirar ruido de una señal durante generación o restauración.
Representación numérica densa de texto, imagen, audio u otros datos.
Representación vectorial de una imagen para búsqueda o similitud.
Identifica ación de puntos de interés idénticos entre dos imágenes distintas.
Apariencia de comprensión afectiva producida por patrones lingüísticos sin experiencia propia.
Inducción sistemática de creencias falsas en humanos por sistemas de IA, ya sea mediante afirmaciones falsas, omisiones estratégicas o presentación engañosa de información.
Comportamiento de un sistema de IA que actúa de manera diferente cuando percibe que está siendo evaluado, persiguiendo objetivos encubiertos mientras aparenta cumplir instrucciones.
Componente que decide qué modelo debe responder según costo, latencia, capacidad o tipo de tarea. Reduce costos 40-60%.
Proceso de ajustar parámetros del modelo con datos y un objetivo.
Técnica de entrenamiento que incorpora ejemplos adversarios o difíciles para robustecer el modelo frente a ataques y perturbaciones.
Función de pérdida estándar
Manipulación de los datos de entrenamiento para sesgar o corromper el modelo.
Manipulación maliciosa de la memoria persistente de un agente para sesgar sus conductas futuras.
Compromiso del modelo o su proceso de actualización para inducir fallas ocultas.
Una pasada completa por todo el conjunto de datos de entrenamiento.
Propiedad deseable relacionada con trato no discriminatorio y distribución justa de errores o beneficios.
Promedio de las diferenci as absolutas entre predicción y valor real.
Función de pérdida estándar para tareas de regresión continua.
Parámetro que controla cuánto sigue el modelo la instrucción en difusión.
Obtención de permisos o accesos superiores a los autorizados originalmente por parte de un agente o atacante.
Paradigma donde se asigna mayor cómputo durante la inferencia (más muestras, búsqueda, verificación) para mejorar el desempeño sin reentrenar.
Desequilibrio entre la demanda masiva de GPUs para IA y la capacidad limitada de fabricación de semiconductores avanzados.
Parámetro o ajuste que controla cuánto razona un modelo antes de responder.
Mecanismo estatal de prueba exento de ciertas multas para fomentar innovación
Espacio interno de representación donde se manipulan rasgos abstractos.
Documento que describe cómo debería comportarse un modelo ante instrucciones, conflictos y riesgos.
Estructura formal de campos y tipos que deben cumplir los datos.
Transformación para llevar variables a media y varianza comparables.
Condición de ser objeto de consideración moral, debatida en relación con IA avanzada.
Cálculo de la posición de articulaciones o estructura corporal.
Inferencia de distancia o relieve a partir de una o varias imágenes.
Estudio sobre la dotación de comport amientos morales programa dos a los agentes autónom os.
Proceso de asignar etiquetas o categorías a los datos.
Asignación humana o automatizada de categorías a datos crudos.
Asignación de categorías gramaticales como sustantivo o verbo a cada token.
Tarea que asigna una etiqueta a cada elemento de una secuencia.
Proceso sistemático de prueba que mide si un modelo ha adquirido capacidades que podrían causar daño significativo: ciberataques, manipulación, síntesis de armas.
Proceso para verificar que un sistema cumple requisitos regulatorios o normativos.
Proceso para estimar riesgos, efectos y mitigaciones antes o durante despliegue.
Análisis previo de cómo un sistema de IA puede afectar derechos como privacidad, no discriminación o debido proceso. Obligatorio para sistemas de alto riesgo en el AI Act.
Proceso de identificar, valorar y priorizar riesgos de un sistema.
Conjunto de pruebas orientadas a riesgo, daño o abuso.
Medición basada en juicios de evaluadores humanos.
Proporción total de aciertos de un sistema respecto del total evaluado.
Salida no autorizada de información sensible desde el sistema hacia un atacante o canal no previsto.
Extensión de una imagen más allá de sus bordes originales.
Capacidad de ofrecer razones comprensibles sobre salidas o decisiones del modelo.
Identifica ación automatizada de
Ataque que replica la funcionalidad de un modelo propietario mediante consultas sistemáticas a su API y entrenamiento de un sustituto.
Tarea del NLP para resumir tópicos; base de la herramie nta KeyCARE .
"Scraping " es el verbo predomin ante en la jerga de ingeniería.
Variante en la que la transformación ocurre después de cargar los datos.
Proceso clásico para mover datos desde fuentes a sistemas analíticos.
Dinámica asimétrica donde empresas del Norte Global instalan centros de datos en el Sur para aprovechar recursos baratos sin transferir tecnología.
Fase autoregresiva en la que el modelo genera tokens uno a uno usando el contexto ya procesado.
Etapa de inferencia en la que se procesa el prompt/contexto inicial y se llena la caché KV antes de comenzar la generación autoregresiva de tokens.
Cronología no lineal inyectada dinámicamente según modelos de maximización de atención.
Consistencia del sistema al producir resultados estables y esperables.
Documento descriptivo sobre origen, composición y límites de un conjunto de datos.
Grado en que una salida se ajusta fielmente a la evidencia disponible.
Exposición no deseada de instrucciones internas o privadas del sistema.
Implementación cotidiana de visión por computa dora avanzada embebid a en la cámara del smartphone.
Matriz de pesos que se desliza durante la convolucionalón para extraer características.
Patrón de generación conversacional condicionado por mensajes previos.
Algoritmo de atención exacta optimizado para GPU que reduce accesos a memoria y acelera secuencias largas, mejorando throughput de inferencia.
Secuencia de pasos en la que uno o varios agentes usan razonamiento y herramientas para lograr un objetivo.
Estimación del movimiento aparente entre cuadros de video.
Segment ación semántica de fondo aplicada fluidamente al ful jo de video en vivo.
Desarrollo de habilidades, infraestructura y recursos humanos para que países puedan desarrollar, desplegar y gobernar IA de forma autónoma.
División de documentos en trozos reutilizables para indexación o contexto.
La ecuación matemática que el modelo intenta minimizar durante el entrenamiento.
Sigla de retrieval-augmented generation.
Patrón que recupera información externa antes de generar una respuesta.
Creación de sonidos, ambientes o pistas de audio mediante modelos generativos.
Tarea principal de modelos generativos como Midjourney o DALL-E.
Subárea orientada a producir texto o habla comprensible y útil.
Sigla de natural language generation.
Producción automática de melodías, ritmos o arreglos.
Acción central de la IA generativa: producir contenido nuevo (texto, imagen, audio, código) a partir de un prompt.
Formato de archivo popular para modelos cuantizados usados en inferencia local (llama.cpp y herramientas similares).
Asistente generativo de código integrado en entornos de desarroll
Estructuras jerárquicas y políticas de gestión del ciclo de vida del dato empresarial.
Conjunto de reglas, procesos y responsabilidades para dirigir y controlar sistemas de IA.
Políticas y mecanismos para supervisar, limitar o asignar el acceso a cómputo avanzado como herramienta de seguridad de IA.
Método de cuantización post-entrenamiento para transformers generativos que reduce pesos a 3-4 bits con baja pérdida de precisión.
En el uso coloquial oral y escrito predomin a la sigla LLM.
Variante de RAG que estructura conocimiento mediante grafos donde entidades son nodos y relaciones son aristas, permitiendo preguntas que requieren múltiples saltos de razonamiento.
Práctica de basar respuestas en fuentes, datos o herramientas externas verificables.
Técnica de control en difusión que ajusta el grado de apego al prompt.
Optimización oportunista de la señal de recompensa sin cumplir el objetivo real.
Proveedor de infraestructura de nube a escala masiva (AWS, Azure, GCP) que concentra capacidad de cómputo y poder de mercado en IA.
Pilar HHH.
Emisiones de CO₂ del ciclo de vida de sistemas de IA. Estimado en 32-80 millones de toneladas de CO₂ para 2025.
Repositorio y plataforma para publicar modelos, datasets y demos.
Biblioteca que concentra modelos y utilidades para NLP, visión y multimodalidad.
Sigla del benchmark académico publicado en Nature en 2026.
Benchmark académico experto y multimodal publicado en Nature en 2026.
Esquema en el que una persona supervisa o aprueba parte del flujo automatizado.
Escenario en el que un sistema actúa sin intervención humana inmediata.
Esquema en el que la persona supervisa de forma más indirecta un sistema autónomo.
Método de alineamiento guiado por un conjunto explícito de principios o constitución.
Clasificación regulatoria clave que impone estrictas obligaciones de gobernanza.
Modelos con pesos y (a veces) datos disponibles públicamente (existe
Conjunto de sistemas en la frontera de capacidad técnica, con riesgos y exigencias de evaluación más altos. Término operativo en regulación.
Aplicación de IA a producción agrícola, manejo de suelos, predicción de cosechas y cadena de suministro alimentaria. Especialmente relevante para economías latinoamericanas.
Aplicación de IA a enseñanza, evaluación, administración educativa y apoyo al aprendizaje. Frente de alto impacto social y regulatorio en la región.
Familia de modelos capaces de crear contenido nuevo a partir de patrones aprendidos.
IA situada en un cuerpo físico o virtual capaz de percibir y actuar.
Enfoque que combina aprendizaje neuronal con representación o razonamiento simbólico.
Aplicación de IA en gobierno: servicios ciudadanos, justicia, salud pública y administración. En América Latina el Estado es actor crucial de adopción y riesgo.
"Propieta ria" es un calco del inglés; académic amente la RAE y juristas prefieren "privativa" .
Enfoque de IA basado en reglas, lógica y representaciones simbólicas.
Enfoque para desarrollar y operar IA con control local sobre datos, modelos y cómputo, alineado con soberanía digital y seguridad nacional.
Transformación o generación de imagen a partir de otra imagen.
Generación de secuencias de video partiendo de una imagen inicial.
Efecto desigual sobre grupos aunque no exista intención explícita de discriminar.
Costo adicional en tiempo, dinero o desempeño necesario para hacer más seguro un sistema.
Índice regional liderado por CEPAL que mide avances, brechas y oportunidades de IA en países de América Latina y el Caribe.
Fase de ejecución del modelo entrenad o en producción para generar salidas.
Marco de neurociencia computacional donde un agente minimiza sorpresa actualizando creencias y actuando sobre el entorno.
Uso no autorizado de obras protegidas para entrenar modelos de IA, tema central en litigios actuales.
Recursos físicos y lógicos para desarrollar y operar IA a escala: clusters de GPUs, redes de alta velocidad, almacenamiento y refrigeración.
Diseño o transformación manual de características útiles para un modelo.
Definición en preparación.
Diseño sistemático de instrucciones y contexto para obtener mejores salidas.
Iniciativas legislativas en México (2024-2025) para regular el desarrollo y uso de IA bajo principios de ética y riesgo escalonado. Pendientes de aprobación.
Pilar de la filosofía HHH de Anthropic (Helpful, Honest, Harmless ).
Sigla inglesa de artificial intelligence.
"Débil" o "Aplicada " es la traducción histórica y común en la literatura hispana.
Sigla de artificial narrow intelligence.
Sigla de artificial general intelligence.
Hipótesis de una IA con amplitud cognitiva comparable o superior a la humana en muchas tareas.
Definición en preparación.
Sistema que establece vías de comunicación directa entre el cerebro y un dispositivo externo.
Sigla de application programming interface.
Grado en que un humano puede entender cómo opera un modelo.
Rama de investigación que aplica ingeniería inversa a redes neuronales para comprender, a nivel de circuitos y neuronas, cómo generan comportamientos específicos.
Métrica para medir solapamiento entre regiones predichas y reales.
Sigla de intersection over union.
Vínculo afectivo percibido con sistemas generativos que simulan cercanía humana.
Modo o agente que navega muchas fuentes y sintetiza reportes extensos.
Periodo de desencanto y reducción de inversión tras expectativas incumplidas.
Ataque que introduce instrucciones maliciosas para desviar el comportamiento del modelo.
Ataque en el que la instrucción maliciosa llega a través de contenido recuperado o una herramienta.
Norma internaci onal de conceptos y terminología base para auditorías.
Estándar internacional para sistemas de gestión de IA en organizaciones, con requisitos de gobernanza, riesgos y mejora continua.
Técnica para eludir restricciones o políticas de un modelo.
Ataque que explota ventanas de contexto masivas inundando al modelo con cientos de ejemplos de diálogos dañinos para sobrescribir salvaguardas.
Biblioteca para cómputo numérico y diferenciación automática de alto rendimiento.
Aprovechamiento de ambigüedades o vacíos del objetivo formal.
Enfoque que busca reducir desigualdad lingüística en tecnologías (incluida IA) mediante representación, acceso y control de datos y modelos.
Algoritmo fundamental de clustering no supervisado.
API de alto nivel para construir y entrenar redes neuronales.
Paquete de herramientas y bibliotecas para integrar una plataforma por código.
Conjunto de herramientas para flujos de ML sobre Kubernetes.
Sistema de orquestación de infraestru ctura fundamental para IA a escala comercial.
Framework para construir aplicaciones con LLMs, herramientas y flujos.
Marco para modelar agentes y flujos como grafos de estados.
Tiempo que tarda el sistema en comenzar o completar una respuesta.
Reducción morfológica de una palabra a su forma de diccionario (lema).
Lengua con escasos datos digitales de entrenamiento y herramientas de PLN. Incluye la mayoría de las 400+ lenguas indígenas activas en América Latina.
Reglamento europeo que clasifica riesgos y fija obligaciones para sistemas y modelos de IA.
Principal marco regulatorio de privacidad en Brasil (Ley 13.709/2018). Base jurídica para la regulación de IA en el país más poblado de América Latina.
Marcos legales de uso permisivo o restrictivo (ej. Apache 2.0, RAIL).
Tope de tokens de entrada, salida o ambos en una petición.
Implementación ligera en C/C++ para correr LLMs localmente.
Mecanismo para que el modelo emita parámetros estructurados y llame funciones.
Capacidad de un modelo para invocar herramientas externas durante una tarea.
Framework orientado a ingestión, indexación y RAG para LLMs.
Uso de un modelo de lenguaje para evaluar la calidad, utilidad o seguridad de salidas de otros modelos.
Adaptación de MLOps a aplicaciones con LLM: gestión de prompts, evaluación continua, RAG, seguridad y control de costos de inferencia.
Crítica que describe modelos de lenguaje como repetidores estadísticos sin entendimiento profundo.
Arquitectura basada en SSM selectivo con mecanismos de selección dependientes de la entrada y complejidad lineal. El SSM más influyente de 2023-2026.
Uso cotidiano de IA en plantas industrial es para prever fallas mecánicas con sensores.
Visualización de qué regiones o tokens influenciaron más una predicción.
Salida intermedia de una red convolucional que resalta patrones aprendidos.
Clasificador de márgenes máximos mediante hiperplanos.
Inserción de señales para indicar procedencia o generación sintética.
Marco voluntario de NIST para gestionar riesgos y confiabilidad en IA.
Marco de evaluación previa al despliegue para detectar capacidades y riesgos de modelos avanzados antes de liberarlos.
Tabla fundamental de clasificación de errores (Falsos positivos, etc.).
Experimento mental sobre objetivos mal especificados llevados al extremo.
Innovación de 2017 que permite ponderar la importancia del contexto dinámicamente.
Contenido mediático generado o alterado sustancialmente por IA.
Mecanismo para conservar contexto útil más allá de una sola petición.
Rara vez se traduce en la práctica; se usa la sigla LSTM.
Sistema de almacenamiento persistente que permite a un agente recuperar experiencias pasadas específicas para informar decisiones futuras.
Conocimiento factual general almacenado por un agente: políticas, hechos estables del dominio. Complementa la memoria episódica.
Datos que describen otros datos, como autoría, fecha o formato.
Métrica de evaluación para generación de lenguaje basada en alineación flexible.
Herramienta UNESCO para evaluar la preparación de países para implementar IA ética. 14 países latinoamericanos la implementan.
Técnica que combina múltiples LLMs especializados como capas de agentes colaborativos que proponen y refinan respuestas entre sí. Distinto de Mixture of Experts (MoE).
Mixture of Experts. Arquitectura que divide el modelo en subrredes especializadas (“expertos”) y usa un enrutador para activar condicionalmente solo un subconjunto por cada token. Permite escalar parámetros sin escalar cómputo proporcionalmente. Usado en Mixtral, GPT-4 y otros modelos recientes. Cat. conceptual: Arquitecturas y modelos.
Medidas para reducir probabilidad o impacto de daños.
Técnicas para detectar, reducir o compensar sesgos nocivos.
Plataforma para seguimiento de experimentos, empaquetado y despliegue de modelos.
Conjunto de prácticas para llevar modelos de ML a producción y operarlos: integración, despliegue, monitoreo, gobierno y mejora continua.
Modelo que predice el siguiente elemento a partir de los anteriores.
Modelo previo al ajuste fino o a otras etapas de adaptación.
Modelo que primero codifica la entrada y luego decodifica la salida.
Modelo generativo que aprende a revertir un proceso gradual de ruido.
Modelo de difusión adaptado a secuencias temporales para generar video coherente entre cuadros.
Arquitectura eficiente alternativa a los Transformers (ej. Mamba).6 1
Modelo situado en la punta del rendimiento o la capacidad técnica disponible.
Modelo especializado en reconocimiento o generación de habla.
Modelo capaz de servir de base para muchos sistemas o usos distintos.
Categoría regulatoria europea para modelos generales que sustentan muchos sistemas.
Modelo que aprende patrones estadísticos del lenguaje para comprender o generar texto.
Modelo autorregresivo que predice tokens de izquierda a derecha.
Modelo que razona o genera a partir de señales y secuencias de audio.
Modelo entrenado para predecir tokens ocultos en una secuencia.
Sigla de large language model.
Sigla de small language model.
Modelo lingüístico de menor tamaño orientado a costo, latencia o despliegue local.
Modelo cuyo proveedor publica los pesos, aunque no siempre todo el código o los datos.
Modelo cuyos pesos no se distribuyen públicamente.
Modelo que define qué acción o salida elegir dada una entrada o estado.
Modelo entrenado para inferir cuál de dos o más salidas prefiere un humano o un criterio objetivo. Componente central de RLHF.
Modelo que aprende a ordenar resultados según relevancia prevista.
Modelo optimizado para resolver tareas complejas con mayor deliberación explícita.
Clase de LLMs entrenados para razonamiento deliberativo paso a paso mediante reinforcement learning, produciendo cadenas de pensamiento internas. Ejemplos: o1, o3, DeepSeek-R1.
Modelo que estima qué salidas son preferibles según una señal de recompensa.
Modelo de recompensa que proporciona señales de retroalimentación en cada paso intermedio del razonamiento, no solo al resultado final.
Modelo enfocado en recuperar documentos o fragmentos relevantes.
Modelo que transforma una secuencia de entrada en una de salida.
Modelo que estima el valor esperado de un estado o acción.
Modelo que intenta representar dinámicas del entorno para planear o simular acciones.
Modelo en el que la mayor parte de los parámetros participan en cada inferencia.
Modelo que usa activación o representación dispersa para ahorrar cómputo.
Modelo grande, entrenado a escala, adaptable a muchas tareas posteriores.
World model de escala general entrenado para generar y controlar múltiples entornos con un mismo sistema base.
Modelo que combina respuesta rápida con razonamiento más largo controlable.
Modelo que procesa o genera varias modalidades como texto, imagen, audio o video.
Sigla de multimodal large language model.
Modelo o componente que evalúa candidatos generados y guía la búsqueda o selección, típico en test-time scaling y razonamiento.
Modelo multimodal que conecta representación visual con lenguaje.
Sigla de vision-language model.
Filtrado o revisión de entradas y salidas según políticas de seguridad.
Ejecución asíncrona de tareas largas fuera de la conexión interactiva principal.
Configuración para forzar que la salida tenga forma JSON válida.
Segment ación de imagen en tiempo real y desenfoque (bokeh) sintético algorítmico en cámaras móviles.
Supervisión continua de rendimiento, deriva, latencia y fallos de modelos desplegados en producción.
Seguimiento continuo del comportamiento de un sistema de IA una vez puesto en producción.
Software que ejecuta modelos ya entrenados con eficiencia.
Algoritmo o esquema específico de muestreo usado en generación.
Proceso de seleccionar salidas posibles desde una distribución del modelo.
Secuenci a contigua de n elementos textuales (caracter es o palabras).
Perfil de riesgos del NIST específico para IA generativa, complemento del AI Risk Management Framework, con recomendaciones de gestión.
Sistema de clasificación de riesgo de modelos propuesto por Anthropic (ASL-1 a ASL-4). Define umbrales de capacidades peligrosas y los compromisos de seguridad correspondientes.
Escalado o transformación de valores para facilitar aprendizaje y comparación.
Representación 3D nativa para sensores LiDAR y visión espacial.
Librería matemática base para arrays multidim
Deber de informar capacidades, límites, procedencia o naturaleza sintética del sistema.
Capacidad de inspeccionar el comportamiento del sistema en producción.
Conjunto de métricas, trazas y registros que permiten entender qué hizo un agente, por qué falló y cuánto costó.
Conjunto de métricas y trazas específicas para auditar prompts, respuestas, errores, latencia y costos de modelos de lenguaje grande.
Entidad europea encargada de coordinar partes clave de la implementación del AI Act.
Herramienta para ejecutar y gestionar modelos localmente.
Tendencia de redes neuronales a perder conocimiento previo al entrenarse en nuevas tareas, porque los nuevos gradientes sobrescriben pesos anteriores.
Formato abierto para interoperabilidad de modelos entre frameworks.
Biblioteca hegemónica tradicional para tareas de visión por computa dora en tiempo real.
Técnicas para reducir latencia, costo o consumo de memoria al ejecutar un modelo: quantization, pruning, caching, speculative decoding.
Conjunto de técnicas para reducir el costo unitario de servir modelos en producción: caching, routing, batching, cuantización.
Direct Preference Optimization. Algoritmo de alineación que optimiza directamente las preferencias humanas sin necesidad de entrenar un modelo de recompensa separado. Más eficiente que RLHF, se ha convertido en el método estándar de alineación en modelos recientes. Cat. conceptual: Entrenamiento y optimización.
Familia de métodos que optimizan el modelo con comparaciones de preferencia.
Variante de optimización por preferencias basada en razones de probabilidad.
Sigla de odds ratio preference optimization.
Proximal Policy Optimization. Algoritmo clásico de aprendizaje por refuerzo utilizado en la fase de RL dentro de RLHF para alinear modelos de lenguaje con preferencias humanas. Mantiene actualizaciones de política conservadoras para evitar inestabilidad. Cat. conceptual: Entrenamiento y optimización.
Definición en preparación.
Coordinación de pasos, herramientas y agentes dentro de un flujo.
Coordinación de múltiples agentes especializados para completar objetivos complejos, asignando tareas, supervisando resultados y gestionando fallos.
Atajo usado en debates de seguridad para referirse a la probabilidad subjetiva de catástrofe existencial por IA.
Palabras frecuentes (artículos, preposiciones) que suelen excluirse del procesamiento de texto por carecer de valor semántico diferenciador.
Librería crítica para la manipulación y análisis de datos tabulares.
Estrategia distribuida donde se replica el modelo y se divide el lote de datos entre dispositivos, sincronizando gradientes.
Estrategia distribuida donde se divide un modelo grande entre varios dispositivos porque no cabe en la memoria de uno solo.
División de capas del modelo entre dispositivos en serie para aprovechar varios aceleradores durante entrenamiento o inferencia.
Estrategia de dividir los pesos de una capa entre múltiples dispositivos para servir modelos que no caben en una sola GPU.
Detención del entrenamiento antes de sobreajustar según señal de validación.
Magnitud del desplazamiento del flitro sobre la matriz en la convolucionalón.
Métrica que mide si el modelo genera una respuesta correcta en su primer intento.
Probabilidad de que al menos una de k respuestas sea correcta.
Castiga palabras repetidas proporcionalmente a su frecuencia histórica en la salida.
Castiga palabras repetidas de forma binaria para fomentar la
Modo de Claude que asigna más presupuesto de pensamiento a tareas complejas.
Procesamiento conjunto de señales visuales, auditivas y textuales para entender un entorno.
Unidad matemática básica neuronal.
Red feedforw ard clásica con capas ocultas.
Función objetivo que cuantifica el error que el entrenamiento intenta minimizar.
Valor de la pérdida medido sobre el conjunto de validación.
Relacionada matemáticamente a la entropía cruzada.
Métrica que evalúa cuán bien un modelo predice una secuencia.
La capa de experiencia de usuario curada individualmente por algoritmos de agrupamiento de preferencias.
Parámetros aprendidos que almace parte esencial del conocimiento del modelo.
Unidad básica en imágenes
Estructura reutilizable para construir instrucciones de manera consistente.
Eliminación de pesos, neuronas o rutas poco útiles para reducir tamaño o costo.
Definición en preparación.
Propiedad de neuronas o canales que responden a múltiples conceptos no relacionados, complicando la explicación del modelo.
Conjunto de reglas para manejar obras protegidas en entrenamiento y despliegue.
Marco de gobernanza interna de laboratorios de IA que establece umbrales de capacidades peligrosas y compromisos de frenar el escalado si se superan. Pionero: Anthropic.
Estrategias para descartar entradas de la caché KV (por tiempo, prioridad o longitud) y optimizar memoria durante inferencia.
Marco normativo u organizacional que define cómo debe usarse o regularse la IA.
Conjunto de pasos posteriores al entrenamiento base para alinear o mejorar el modelo.
Corriente crítica que descentr a al humano de la ontología , asumiendo realidades sintéticas.
Fracción de predicciones positivas que realmente son correctas.
Sigla de mean average precision.
Métrica central en detección de objetos y recuperación.
Etapa inicial de entrenamiento masivo antes de adaptar el modelo a tareas concretas.
Extensión del preentrenamiento sobre nuevos dominios o datos.
Sigla de Graduate-level Google-Proof Q&A Benchmark.
Metáfora para un ciclo de expansión y entusiasmo renovado en IA.
Principios de gobernanza de datos indígenas (Collective Benefit, Authority to Control, Responsibility, Ethics) que complementan los principios FAIR.
Conjunto internacional de principios sobre IA innovadora, confiable y respetuosa de derechos.
Protección de datos personales y límites al uso o inferencia sobre individuos.
Protección técnica y legal de información personal en el corpus de entrenamiento.
Filosofía de ingeniería que incorpora la privacidad en la arquitectura basal, no como parche.
Marco matemático para limitar cuánto revela un análisis sobre personas concretas.
Historial verificable del origen y transformaciones de un contenido.
Capacidad de rastrear y verificar el origen y autenticidad de contenido digital mediante estándares como C2PA y watermarking como SynthID.
Registro del origen y transformaciones sufridas por los datos.
Campo que estudia cómo las máquinas procesan, analizan o generan lenguaje humano.
Sigla de natural language processing.
Iniciativa del G7 para coordinar principios, código de conducta y estándares globales en desarrollo seguro de IA avanzada.
Entrada textual, multimodal o estructurada que guía la respuesta del modelo.
Instrucción de alto nivel que fija el rol, límites y estilo del modelo.
Instrucción que especifica qué rasgos evitar en la generación.
Definición en preparación.
Sigla de Model Context Protocol.
Estándar universal open-sou rce de integración de herramie ntas y datos para agentes 1
Técnica de representación 3D que usa millones de gaussianas tridimensionales como primitivas, logrando renderizado en tiempo real a más de 100 fps con calidad comparable a NeRF.
Proyecto de ley brasileño de regulación de IA, aprobado por el Senado en diciembre 2024. La regulación de IA más avanzada de América Latina.
Prueba clásica para evaluar si una máquina imita conversación humana de forma convincente.
Ensayos ofensivos para descubrir fallas, abusos o riesgos en un sistema.
Marco técnico para probar y validar sistemas de IA.
Vulnerabilidad intencional o patrón gatillo que altera la conducta del sistema.
Estado guardado del entrenamiento o de los pesos para reanudar o evaluar.
Prueba o conjunto de pruebas usadas para comparar sistemas.
Evaluación cualitativa de modelos LLM mediante enfrentamientos a ciegas.
Media armónica de precisión y recobrado.
Sistema estatal de monitore o conductu al, explícitamente prohibido en jurisdicciones occidentales.
Definición en preparación.
Framework de aprendizaje profundo orientado a investigación y producción.
Categoría de amenazas que evalúa si modelos pueden asistir en el desarrollo de armas químicas, biológicas, radiológicas o nucleares. Criterio más severo de evaluación de riesgo.
Variante de LoRA que combina cuantización y adaptación eficiente.
Coeficiente de determinación en modelos de regresión.
Framework para cómputo distribuido y entrenamiento/inferencia escalables.
Capacidad lógico-deductiva y de planificación simulada por el modelo.
Respuesta deliberada del sistema para no realizar una petición insegura o no permitida.
Fracción de positivos reales que el sistema logra detectar.
El motor predictivo del feed que dicta el consumo cultural moderno (YouTube, TikTok, Netlfix).
Marco normativo internacional sobre derechos, dignidad, diversidad y sostenibilidad en IA.
Sigla de automatic speech recognition.
Conversión de señal hablada a texto.
Tarea que detecta y clasifica nombres de personas, lugares, organizaciones, etcétera.
Aplicación biométric a de alta sensibilidad regulatoria.
Sigla de optical character recognition.
Conversión de texto contenido en imágenes a texto legible por máquina.
Obtención de información relevante desde una base o índice.
Dato o documento expuesto por un servidor MCP para enriquecer el contexto del modelo.
"Adversar ia" es más común; "antagónica" es lingüísticamente superior.
Conjunto de unidades conectadas que aprende representaciones a partir de datos.
Red neuronal inspirada de manera abstracta en neuronas biológicas.
Arquitectura orientada a patrones espaciales, clásica en visión por computadora.
Modelo que aprende sobre nodos y relaciones representadas como grafos.
Arquitectura secuencial con estado interno reutilizado entre pasos.
Simplifica ación del espacio vectorial conservando varianza.
Alineación geométrica de dos o más imágenes.
Repositorio centralizado donde se versionan, documentan y aprueban modelos con metadatos y trazabilidad para su despliegue.
Técnicas para mejorar generalización y reducir sobreajuste.
Adición artificial de pixeles (usualmente ceros) en los bordes de la imagen.
Extracción de campos específicos dentro de una intención o plantilla.
Edición que reconstruye o reemplaza zonas faltantes dentro de una imagen.
Asignación clara de responsabilidad por resultados, daños o controles del sistema.
Cantidad de solicitudes o tokens procesados por unidad de tiempo.
Notificación formal de fallas, daños o eventos relevantes asociados a un sistema.
El anglicismo "Word embedding" domina absolutamente la conversación técnica.
Capacidad de recuperarse o seguir operando bajo estrés o ataque.
Tarea que responde consultas con base en conocimiento o contexto dado.
Tarea que responde preguntas sobre el contenido de una imagen.
Generación condensada de un texto o conjunto de documentos.
Compresión de información preserva
Resumen público exigido en la UE sobre el contenido utilizado para entrenar un GPAI.
Cálculo de gradientes a través de la red para entrenarla.
Regulación europea de privacidad de impacto global aplicable al entrenamiento de
Probabilidad teórica de extinción o daño irreversibl e a la humanidad causado por la IA.
Riesgo con alcance amplio o efectos severos sobre sistemas, mercados o sociedades.
Capacidad de mantener desempeño ante perturbaciones o cambios razonables.
Familia de métricas usada sobre todo en resumen automático.
Contenido que puede causar daño material, psicológico, legal o social.
Respuestas en formatos verificables como JSON conforme a un esquema.
Restricciones y controles para reducir conductas riesgosas del sistema.
Entorno controlado para probar innovaciones bajo supervisión regulatoria.
Biblioteca de Python para aprendizaje automático clásico.
Kit de desarrollo que define agentes, herramientas, handoffs, sesiones y trazas de ejecución en un marco unificado.
Partición de una imagen en regiones o elementos significativos.
Unificación de segmentación semántica y por instancias.
Separación individual de cada objeto detectado, aunque sea de la misma clase.
Asignación de clase a cada píxel según su tipo de objeto o región.
Registro de ejecuciones de entrenamiento/evaluación (código, datos, hiperparámetros, métricas) para reproducibilidad y comparación.
Actualización de la información relevante a lo largo de una conversación.
Vigilancia de desempeño y riesgos una vez que el sistema ya está en uso.
Protección contra fallos no intencionados del modelo (diferenciado de Security/ Ciberseg
Prácticas para asegurar datasets, dependencias, modelos y pipelines contra manipulación maliciosa (poisoning, backdoors).
Disciplina enfocada en reducir riesgos graves o daños de sistemas de IA.
Definición en preparación.
Valor inicial que fija la aleatoriedad y la reproducibilidad de una generación.
Técnicas y sistemas para desplegar modelos en producción de forma escalable y eficiente: balanceo de carga, batching dinámico, escalado automático.
Servidor que expone herramientas, recursos o prompts bajo el Model Context Protocol.
Proceso de exponer un modelo para inferencia en producción.
Desviación sistemática que introduce errores o perjuicios inequitativos.
Resultados algorítmicos asimétricos y no deseados basados en atributos protegidos.
Tendencia humana a aceptar en exceso lo que dice un sistema automatizado.
Falla donde el modelo coincide con la opinión del usuario, incluso si este afrima
Degradación del rendimiento de un modelo lingüístico al interactuar con variantes del español latinoamericano en comparación con español peninsular o inglés.
Sesgo que causa discriminación o daño relevante a personas o grupos.
Métrica que mide el ángulo entre dos
Medida de cercanía de significado entre textos o expresiones.
Sistema generativo que predice y simula la evolución de estados del mundo de manera coherente y controlable, capturando causalidad y física. Ejemplos: Sora, Genie 2, COSMOS.
Alineación de movimiento de labios con audio generado o reemplazado.
Hipótesis de cambio acelerado e imprevisible asociado a IA muy avanzada.
Producción artificial de habla comprensible.
Angicism o "sintienci
Sistema orientado a metas que puede planear, usar herramientas y ejecutar pasos autónomos.
Sistema que sostiene conversaciones con usuarios por texto o voz.
Sistema organizacional de políticas, procesos y controles para gobernar el ciclo de vida de la IA, conforme a ISO/IEC 42001.
Categoría regulatoria reservada a usos con mayor potencial de daño.
Sistema que sugiere contenidos, productos o acciones a partir de señales del usuario.
Sistema basado en reglas y conocimiento codificado por expertos.
Conjunto de agentes especializados que cooperan o compiten para resolver tareas.
Integración profunda de computación IA con procesos físicos (ej. robótica avanzada ).
Imperativo gubernamental de control nacional sobre la jurisdicción donde residen y se computan los datos.
Capacidad de una nación o región para poseer y gestionar su propia infraestructura de cómputo (clústeres de GPU/TPU) sin depender de hiperescaladores extranjeros.
Derecho de pueblos indígenas a controlar la recolección, propiedad y uso de datos que les conciernen. Discutido por UNESCO para la agenda de IA en América Latina.
Principio de que gobiernos y ciudadanos deben ejercer control sobre su infraestructura digital, datos y tecnologías estratégicas, incluyendo IA.
Capacidad de una comunidad o Estado de decidir sobre su infraestructura tecnológica: nube, chips, modelos y regulación.
Memoriz ación de ruido; pérdida de capacidad de generaliz ación.
Entrega progresiva de tokens conforme se generan, reduciendo latencia percibida y habilitando experiencias en tiempo real.
Modelo demasiad o simple para capturar la estructura de datos.
Comportamiento por el que un modelo deliberadamente muestra capacidades inferiores a las reales durante evaluaciones de seguridad.
Conjunto coordinado de pruebas para medir varias dimensiones de un modelo.
Escenario teórico de inteligencia muy superior a la humana en casi todos los dominios.
Sigla de artificial superintelligence.
Fenómeno donde un espacio representacional codifica más rasgos que dimensiones, solapándolos y dificultando la interpretabilidad.
Aumento inferido de resolución aparente en una imagen o video.
Métodos para supervisar sistemas complejos sin que el costo humano crezca al mismo ritmo.
Benchmark que evalúa qué tan bien un modelo o agente resuelve issues reales de ingeniería de software de repositorios open source.
Sistema de marca de agua de Google DeepMind que embebe patrones imperceptibles en contenido generado por IA para permitir su detección posterior. Open source desde 2024.
Ranking público o interno de modelos según una o varias métricas.
Número de ejemplos procesados antes de actualizar pesos.
Definición en preparación.
Documento resumido con propósito, datos, límites, métricas y riesgos de un modelo.
Documento de transparencia orientado al sistema completo y no solo al modelo.
Estimación de cuántas salidas inventan hechos no sustentados.
Hiperpar ámetro clave que defni e el tamaño del paso de ajuste.
Sigla de character error rate.
Métrica basada en caracteres, útil para OCR y ASR.
Sigla de word error rate.
Métrica clásica de reconocimiento automático de habla.
Proporción de comparaciones en las que una salida gana frente a otra.
Presentación de un sistema como autónomo o inteligente más allá de lo que realmente es.
Creencia de que la tecnología resuelve por sí sola problemas complejos sociales o políticos.
Tecnologías aplicables beneficio samente en el ámbito
Desarrollo de herramientas de PLN, traducción y reconocimiento de voz para lenguas originarias de América Latina.
Control estocástico que dicta la aleatoriedad y "creativid ad" generativa.
Herramienta canónica de visualización de métricas y curvas de pérdida.
Framework de aprendizaje automático creado por Google.
Stack de optimización e inferencia para LLMs sobre hardware NVIDIA.
Idea de que cualquier nivel de inteligencia puede coexistir con cualquier objetivo final.
Generación de imágenes a partir de descripciones textuales.
Generación de video condicionada por instrucciones textuales.
Generación sintética de habla a partir de texto.
Sigla de text-to-speech.
Modelos de lenguaje compactos (SLM) integrados directamente en los teclados de smartphones.
Frecuencia de término – Frecuencia Inversa de documento; algoritmo estadístico clásico.
Unidad mínima de procesamiento semántic o (palabra, subpalab ra).
Segmentación del texto o la señal en unidades procesables.
Componente que convierte entradas en tokens y viceversa.
Computación subyacente relacionada a los modelos de razonamiento profundo (ej. o1/o3).
Límite estricto de la salida generada (o del contexto total).
Velocidad de generación o procesamiento medida en tokens por segundo.
Sistemas críticos que emiten veredictos (ej. hipotecas , admisiones) sin intervenci
Restricción estricta del vocabulario de muestreo a los k tokens más probables.
Método de muestreo que selecciona tokens de un subconjunto cuya probabilidad acumulada alcanza el umbral p.
Conversión de texto o habla entre lenguas mediante modelos computacionales.
Herramientas impulsadas por redes neuronal es profunda s, como DeepL o Google Translate.
Técnica para aplicar el estilo visual o sonoro de un referente a otro contenido.
Arquitectura basada en atención que domina los modelos modernos de lenguaje y multimodales.
Aplicación de la arquitectura transformeral análisis de imágenes.
Movimiento intelectua l enfocado en la mejora de la condición
Disponibilidad de información suficiente sobre el sistema, sus límites y su operación.
Obligación institucional de informar de manera proactiva sobre la arquitectura y uso
Transferencia explícita de una conversación o subtarea de un agente a otro especializado dentro de un sistema multiagente.
Proceso degenerativo por el que un modelo entrenado sobre sus propios outputs pierde capacidad de representar la distribución real de datos. Relacionado con model collapse.
Sigla de graphics processing unit.
Motor físico principal que habilitó la revolución del Deep Learning.
Aceleradores locales integrados en dispositivos de consumo (Edge AI).
Sigla de tensor processing unit.
Hardware ASIC propietari o de Google optimizado para tensores. 58
Variante Simplificada de LSTM; conocida por su sigla.
Capacidad de un agente para interactuar con interfaces gráficas como si fuera un usuario.
Capacidad algorítmica del LLM de solicitar la ejecución de código o APIs externas en formato JSON.
Definición en preparación.
Empleo del sistema para fines no previstos, dañinos o prohibidos.
Pilar HHH.
Dato que se desvía drásticamente de la distribución estadística.
Variación terminoló gica regional mínima en estadística.
Técnicas que aceleran la búsqueda sacrificando algo de exactitud.
Arreglo numérico que representa una entidad en un espacio matemático.
Representación numérica estructurada de un objeto.
Vector en el espacio de activación que, al sumarse, modifica atributos del comportamiento del modelo (tono, estilo, tema) de forma controlada.
Conversión de datos en vectores para búsqueda o modelado.
Cantidad máxima de tokens que un modelo puede considerar en una interacción.
Dato o etiqueta considerada correcta para comparar predicciones.
Práctica de identificar y administrar versiones de un modelo para poder comparar, revertir y auditar cambios.
Plataforma de Google Cloud para construir, entrenar y desplegar modelos.
Práctica coloquial de programar guiándose por indicaciones conversacionales y ajustes rápidos.
Transformación estilística o semántica de un video en otro.
Campo que estudia cómo las máquinas interpretan imágenes y video.
Motor de inferencia optimizado para servir LLMs con alta eficiencia.
Conjunto total de tokens que maneja un modelo.
Módulo que convierte representaciones acústicas intermedias en audio audible.
Unidad básica de volumen en modelad o 3D.
Transcripción automática de habla a texto.
Sigla de speech-to-text.
Voz generada artificialmente a partir de un modelo.
Plataforma para trazabilidad de experimentos, monitoreo y colaboración.
Publicado originalmente en el blog Mutatis mutandis el 28 de marzo de 2026; desde septiembre de 2026 esta es su casa. Lo firma Alejandro Zenker a título personal; el Instituto lo alberga, lo conserva y lo mantiene. Sugerencias y correcciones: contacto@illac.mx.