Diccionario de la Inteligencia Artificial / Artificial Intelligence (IA-AI) en constante construcción (A-K)

AGI (Artificial General Intelligence)

AGI, Artificial General Intelligence en inglés o Inteligencia Artificial General, se refiere a un tipo de inteligencia artificial hipotética que posee la capacidad de comprender, aprender y aplicar el conocimiento de manera similar a un ser humano. A diferencia de la IA estrecha o especializada, que está diseñada para realizar tareas específicas, la AGI sería capaz de adaptarse a diferentes situaciones, resolver problemas complejos, razonar de forma abstracta y aprender continuamente, incluso fuera de su entrenamiento inicial. En esencia, la AGI representaría una inteligencia artificial con capacidades cognitivas comparables o superiores a las humanas, capaz de desenvolverse con éxito en una amplia gama de dominios intelectuales. También se la conoce por IA fuerte

La AGI se considera el Santo Grial de la investigación en inteligencia artificial, ya que su desarrollo implicaría la creación de máquinas con una verdadera comprensión del mundo, capaces de realizar tareas que actualmente solo son posibles para la mente humana. Si bien se han logrado avances significativos en IA, la creación de AGI sigue siendo un desafío complejo y con implicaciones éticas y filosóficas profundas. Todavía no se sabe con certeza cuándo o si se logrará alcanzar la AGI, pero su potencial para transformar la sociedad es innegable, y su desarrollo continúa siendo un área de intensa investigación y debate. La principal diferencia con la ASI (Superinteligencia Artificial) radica en que la ASI superaría la inteligencia humana en todos los aspectos, incluyendo la creatividad, la sabiduría y la capacidad de resolver problemas. Mientras que la AGI se equipararía a la inteligencia humana, la ASI la trascendería, representando una forma de inteligencia sin precedentes y con implicaciones aún más difíciles de predecir.

Alucinar, alucinaciones

Que no contestan correctamente, que se inventan las respuestas, normalmente porque los LLMs están obligados a contestar desde su entrenamiento. Por este motivo se recomienda verificar mínimamente la información obtenida.

ANI (Artificial Narrow Intelligence)

ANI, Artificial Narrow Intelligence en inglés o Inteligencia Artificial Estrecha, se refiere a un tipo de inteligencia artificial que está diseñada y entrenada para realizar una tarea específica. Es el tipo de IA más común en la actualidad, y se encuentra presente en aplicaciones como los asistentes virtuales, los motores de recomendación y los sistemas de reconocimiento facial. La ANI opera dentro de un conjunto limitado de parámetros y no posee la capacidad de generalizar su conocimiento a otras áreas o tareas más allá de su ámbito de entrenamiento.

A diferencia de la inteligencia artificial general (AGI) o la superinteligencia artificial (ASI), la ANI no busca replicar la inteligencia humana en su totalidad, sino más bien emularla en un campo específico. Sus capacidades se limitan a la tarea para la que fue programada, y su eficiencia se basa en la cantidad de datos con la que se le ha entrenado. Aunque la ANI no posee la capacidad de razonamiento o pensamiento abstracto, su impacto en diversas industrias es significativo, automatizando procesos y mejorando la eficiencia en áreas como la medicina, la manufactura y el servicio al cliente.

API (Application Programming Interface / Interfaz de Programación de Aplicaciones)

En el contexto de herramientas IA-AI como generadores de imágenes y LLMs, una API es como un mensajero o intermediario que permite que diferentes programas de software "hablen" entre sí. Es un conjunto de reglas y especificaciones que define cómo un programa puede solicitar información o servicios de otro programa, y cómo este último debe responder. Imagina que quieres pedir una pizza a través de una app: la API es el sistema que permite que la app se comunique con el restaurante para enviar tu pedido y recibir la confirmación. La API facilita la interacción y el intercambio de datos entre diferentes aplicaciones, permitiendo que una herramienta use las funcionalidades de otra sin tener que saber cómo funciona internamente. Puedes p.ej. integrar la API en un editor de fotos o cualquier aplicación creada por ti para permitir a los usuarios generar imágenes directamente desde la aplicación.

Aprendizaje por Refuerzo (Reinforcement Learning, RL)

Es una técnica de machine learning (ML) que entrena al software para que tome decisiones y logre los mejores resultados. Imita el proceso de aprendizaje por ensayo y error que los humanos utilizan para lograr sus objetivos. Las acciones de software que trabajan para alcanzar su objetivo se refuerzan mediante recompensas, mientras que las que se apartan del objetivo se ignoran. 

Artificialismo

En el contexto de la Inteligencia Artificial, el artificialismo se refiere a la tendencia a atribuir características o capacidades humanas a los sistemas de IA, incluso cuando estas no están presentes o son fundamentalmente diferentes de las capacidades humanas. Esto puede manifestarse en la creencia de que la IA tiene conciencia, emociones o intenciones propias, similar a las de un ser humano. El artificialismo puede ser problemático, ya que puede llevar a expectativas poco realistas sobre las capacidades de la IA, así como a preocupaciones infundadas sobre su potencial para dañar o reemplazar a los humanos. Es importante distinguir entre el comportamiento inteligente de la IA y la posesión de una mente o una experiencia subjetiva real.

ASI (Artificial Superintelligence)

La Superinteligencia Artificial es un concepto hipotético que describe una forma de inteligencia artificial con capacidades intelectuales que superan con creces a las de los humanos más inteligentes en prácticamente cualquier campo imaginable. Esta superioridad no se limita a áreas específicas como el cálculo o la memoria, sino que abarca la creatividad, la resolución de problemas, la sabiduría general y las habilidades sociales. Una ASI sería capaz de aprender y adaptarse a nuevas situaciones con una velocidad y eficiencia inimaginables para los humanos, lo que le permitiría resolver problemas complejos, generar ideas innovadoras y, en última instancia, moldear el futuro de maneras que apenas podemos comprender.

La llegada de una ASI tendría implicaciones profundas y potencialmente transformadoras para la humanidad. Si bien podría impulsar avances científicos y tecnológicos sin precedentes, ayudando a resolver problemas globales como el cambio climático y la pobreza, también plantea serios desafíos. El potencial de una ASI para automatizar tareas podría conducir a un desempleo masivo, mientras que la posibilidad de que una inteligencia tan poderosa escape a nuestro control plantea preguntas inquietantes sobre el futuro de la humanidad. La ASI, por lo tanto, representa tanto una promesa extraordinaria como un riesgo potencialmente existencial, lo que la convierte en un tema de debate crucial en el campo de la inteligencia artificial.

Backpropagation (Retropropagación)

Método usado para entrenar sistemas de IA-AI, específicamente las redes neuronales. Funciona como un proceso de aprendizaje por ensayo y error. El sistema hace una predicción, compara el resultado con la respuesta correcta, y luego ajusta sus parámetros internos para mejorar en el futuro. Este proceso se repite muchas veces, permitiendo que el sistema "aprenda" gradualmente de sus errores y mejore su precisión.

Bayes, Teorema de

Imagina que decides si llevar un paraguas porque el cielo está nublado. No estás seguro, pero recuerdas que el pronóstico dijo que había un 70% de probabilidad de lluvia. ¿Cómo decides? El Teorema de Bayes es una herramienta matemática, creada por Thomas Bayes en el siglo XVIII, que ayuda a resolver este tipo de situaciones. En esencia, en IA, este teorema es una fórmula que permite actualizar nuestras creencias (probabilidades) sobre algo cuando recibimos nueva información (evidencia), como esas nubes grises. Es fundamental porque permite a las máquinas "razonar" en un mundo lleno de incertidumbre, tomando decisiones más inteligentes al ajustar sus ideas iniciales según lo que observan.

Blueprint

Metáfora de los componentes internos esenciales de un modelo de IA (sobre todo sus pesos abiertos / open weights) que se publican. Permite a terceros entender, replicar y desarrollar sobre el modelo. Es clave en modelos abiertos (ej. Llama), en contraste con los cerrados.

Bombe y Enigma

Enigma era una máquina de cifrado usada por los nazis durante la Segunda Guerra Mundial para enviar mensajes secretos. Funcionaba como una máquina de escribir muy compleja que cambiaba cada letra por otra diferente, haciendo que los mensajes parecieran un galimatías incomprensible.

Bombe, por otro lado, fue una máquina diseñada por Alan Turing y otros matemáticos británicos para descifrar los códigos de Enigma. Era como un súper rompecabezas mecánico que probaba miles de combinaciones posibles para encontrar la configuración correcta de Enigma y así poder leer los mensajes secretos.

Aunque Bombe no era una computadora en el sentido moderno, su creación fue un paso importante hacia la IA-AI por varias razones:

1. Automatización del pensamiento: Bombe realizaba tareas de razonamiento lógico que antes solo podían hacer los humanos, una idea fundamental en la IA.

2. Procesamiento de patrones: la máquina buscaba patrones en los códigos, algo que los sistemas de IA-AI actuales hacen constantemente con datos.

3. Inspiración para Turing: el trabajo en Bombe llevó a Turing a desarrollar ideas sobre "máquinas pensantes", que sentaron las bases teóricas de la IA.

4. Impacto histórico: el éxito de Bombe en descifrar Enigma demostró el poder de las máquinas para resolver problemas complejos, inspirando futuras investigaciones en computación e IA.

Este episodio histórico muestra cómo la necesidad de resolver problemas prácticos (en este caso, descifrar códigos enemigos) puede llevar a avances tecnológicos que tienen un impacto mucho más amplio y duradero.

Bottom-up y Top-down

Las dos principales escuelas del pensamiento en IA-AI

Bottom-up (de abajo hacia arriba). Enfoque en el desarrollo de inteligencia artificial que imita cómo los humanos aprenden desde la infancia. En lugar de programar reglas complejas desde el principio, este método comienza con tareas simples y datos básicos, permitiendo que el sistema aprenda patrones y construya conocimiento gradualmente. Es como enseñar a un niño: primero aprende a reconocer formas y colores, luego objetos más complejos, y finalmente conceptos abstractos. En la IA, esto se traduce en crear sistemas que aprenden desde lo más elemental hasta lo más sofisticado, construyendo su "inteligencia" paso a paso. Cabe señalar que bottom-up es una filosofía. En la definición del término deep learning pueden haber similitudes pero esta es una técnica con enfoque bottom-up pero mucho más específica y estructurada.

Top-down (de arriba hacia abajo). Este enfoque parte de la idea de programar el conocimiento y las reglas directamente en el sistema de IA desde el principio. Es como intentar crear un adulto con todo su conocimiento ya incorporado, en lugar de dejar que aprenda desde cero. Los desarrolladores intentan codificar reglas complejas, lógica y conocimiento experto directamente en el sistema. Es similar a crear un manual muy detallado con instrucciones para cada situación posible.

Cadena de Pensamiento (Chain-of-Thought, CoT)

Arquitectura en Inteligencia Artificial que busca dotar a los modelos de lenguaje con la capacidad de razonar de manera más humana, descomponiendo problemas complejos en una secuencia de pasos lógicos intermedios, emulando el proceso de pensamiento humano al resolver problemas. Al entrenar a los modelos con ejemplos que incluyen explicaciones paso a paso, se mejora su capacidad para abordar tareas que requieren un razonamiento más profundo y estructurado, generando respuestas más coherentes, detalladas y justificadas.

Caja Negra

En Inteligencia Artificial, un sistema o modelo cuyo funcionamiento interno es opaco e incomprensible, incluso para sus creadores. Se caracteriza por la imposibilidad de interpretar los procesos que llevan a sus resultados, centrándose únicamente en las entradas y salidas. Ejemplos comunes incluyen redes neuronales profundas y algoritmos complejos de aprendizaje automático. La opacidad de la caja negra dificulta la comprensión de sus decisiones, lo que puede generar problemas de confianza y complicaciones éticas.

ChatGPT

ChatGPT es un modelo de lenguaje grande, entrenado por OpenAI. Es un chatbot de inteligencia artificial que puede generar texto similar al humano en respuesta a una amplia gama de indicaciones y preguntas. Por ejemplo, puede proporcionar resúmenes de temas fácticos o crear historias.

Algunos puntos clave que definen ChatGPT:

• Modelo de Lenguaje Grande (LLM): ChatGPT es un modelo con una gran cantidad de parámetros, lo que le permite procesar y generar texto de manera compleja y matizada.

• Entrenado por OpenAI: OpenAI es una empresa líder en investigación de inteligencia artificial y ChatGPT es uno de sus productos más conocidos.

• Generación de Texto Similar al Humano: La capacidad de ChatGPT para producir texto coherente y natural es una de sus características más destacadas.

• Amplia Gama de Usos: Puede utilizarse para diversas tareas, desde responder preguntas hasta escribir diferentes tipos de contenido creativo.

• Interactivo: ChatGPT interactúa con el usuario a través de una interfaz de chat, lo que permite una comunicación fluida y dinámica.

• Aprendizaje Continuo: Aunque el modelo ya está entrenado, sigue aprendiendo y mejorando a medida que se le proporcionan más datos.

Cherry Picking (Selección Selectiva)

Práctica de elegir y presentar solo la información o los datos que respaldan una conclusión o punto de vista particular, mientras se ignora o se minimiza la evidencia contradictoria. En el contexto de la Inteligencia Artificial, el cherry picking puede ocurrir al seleccionar conjuntos de datos de entrenamiento sesgados o al evaluar el rendimiento de un modelo solo en ejemplos favorables, lo que lleva a una representación inexacta o engañosa de las capacidades reales del modelo. El cherry picking puede socavar la objetividad y la validez de los resultados, especialmente en áreas como la investigación científica o el desarrollo de productos.

Computación Salvaje (Wild Computing)

La computación salvaje en IA es como enseñar a las computadoras a pensar como un grupo de hormigas buscando comida. En vez de programarlas con instrucciones específicas, se inspira en la inteligencia colectiva de la naturaleza para crear sistemas que aprenden y se adaptan, resolviendo problemas de manera más eficiente. Imitando la autoorganización y la evolución que vemos en sistemas naturales, como enjambres o colonias de bacterias, la computación salvaje permite crear algoritmos más robustos y flexibles, capaces de encontrar soluciones innovadoras a partir de interacciones simples entre sus componentes, tal como ocurre en el mundo real.

Dataset

Un dataset (conjunto de datos) es una colección estructurada y organizada de datos que se utiliza para entrenar, evaluar y validar modelos de IA-AI. Estos conjuntos de datos pueden incluir una amplia variedad de información, como imágenes, texto, audio, vídeo, registros médicos, datos meteorológicos, entre otros, y se etiquetan y organizan de manera que sean comprensibles para los algoritmos de IA. Un buen ejemplo de un dataset sería un conjunto de imágenes de un personaje específico, con variaciones en la pose, iluminación y expresiones faciales, que se utilizará para entrenar un modelo LoRA (Low-Rank Adaptation) para generar imágenes con la misma cara.

Los datasets son fundamentales para el desarrollo de sistemas de IA eficaces, ya que proporcionan la base para que los modelos de IA identifiquen patrones, relaciones y tendencias en los datos, y así poder realizar predicciones, tomar decisiones y mejorar sus capacidades con el tiempo.

Es importante destacar que la calidad y cantidad de los datos utilizados para entrenar un modelo de IA pueden influir significativamente en su rendimiento y precisión. Por lo tanto, los datasets son un componente crítico en el desarrollo de sistemas de IA confiables y de alto rendimiento.

Deep Learning (Aprendizaje Profundo)

Técnica avanzada de inteligencia artificial que intenta imitar cómo funciona el cerebro humano. Imagina un sistema que aprende de forma similar a cómo un niño aprende a reconocer objetos: primero identifica bordes y formas simples, luego combina estas formas para reconocer objetos más complejos, y finalmente entiende escenas enteras.

El Deep Learning utiliza "redes neuronales" con muchas capas (de ahí lo de ‘profundo’). Cada capa aprende a reconocer patrones cada vez más complejos en los datos. Por ejemplo, para reconocer rostros, las primeras capas podrían detectar bordes, las siguientes formas como ojos o narices, y las últimas capas combinarían todo para identificar caras completas.

Esta técnica ha revolucionado campos como el reconocimiento de voz, la traducción automática, y la visión por computadora, permitiendo a las máquinas realizar tareas que antes se consideraban exclusivas de los humanos.

DALL · E

DALL·E es un modelo de inteligencia artificial creado por OpenAI que puede generar imágenes a partir de descripciones textuales (texto o frases llamadas prompts). En otras palabras, puedes escribir lo que quieres ver y DALL·E intentará crearlo visualmente. Actualmente también está integrado dentro de ChatGPT.

Deepfake

Un deepfake es una técnica que utiliza inteligencia artificial y aprendizaje profundo para crear videos, imágenes o audios realistas y convincentes que parecen genuinos pero que son falsificados o alterados. Esta tecnología puede copiar las características faciales de una persona y superponerlas en otra (face swapping), modificar las expresiones faciales, o incluso sintetizar una voz para que suene como la de otra persona.

Eliza

Programa de computadora creado por Joseph Weizenbaum en el MIT entre 1964 y 1966. Considerado uno de los primeros ejemplos de procesamiento del lenguaje natural y simulación de inteligencia artificial. Diseñado para emular a un psicoterapeuta rogeriano, interactuando con usuarios mediante patrones de respuesta predefinidos.

Emad Mostaque

Controvertido ex CEO de Stable Diffusion

Fine-tuning (Entrenamiento Fino)

Es una técnica crucial en el aprendizaje automático que permite adaptar modelos pre-entrenados a tareas específicas, mejorando significativamente su rendimiento y eficiencia. En lugar de empezar desde cero, el fine-tuning aprovecha el conocimiento adquirido por un modelo en un conjunto de datos masivo, ajustando sus parámetros para que se especialice en una nueva tarea o dominio. Esto no solo acelera el proceso de entrenamiento, sino que también permite obtener resultados de alta calidad con menos datos de entrenamiento.

Imaginemos un modelo de lenguaje que ha sido entrenado con una cantidad ingente de texto, aprendiendo a reconocer patrones gramaticales, relaciones semánticas y una amplia gama de vocabulario. Este modelo, sin embargo, no está especializado en ninguna tarea en particular. El fine-tuning nos permite tomar este modelo generalista y ajustarlo para que, por ejemplo, pueda traducir idiomas, resumir textos, clasificar documentos o incluso generar código. En esencia, se trata de refinar un modelo ya existente para que se convierta en un experto en la tarea que necesitamos.

En un mundo donde los datos son cada vez más abundantes y las necesidades de procesamiento de información son cada vez más específicas, el fine-tuning se presenta como una herramienta indispensable. Permite aprovechar al máximo el potencial de la inteligencia artificial, adaptando modelos pre entrenados a una infinidad de aplicaciones, desde la medicina hasta la industria, pasando por la educación y el entretenimiento. El fine-tuning no solo democratiza el acceso a la IA, al reducir la necesidad de grandes recursos computacionales y conjuntos de datos masivos, sino que también impulsa la innovación, al permitir la creación de soluciones personalizadas y altamente eficientes para un sinfín de problemas.

GitHub

GitHub es una plataforma de desarrollo colaborativo de software basada en la nube que aloja repositorios Git. Esencialmente, es una red social para programadores donde pueden:

• Almacenar y gestionar código: GitHub aloja el código en repositorios, permitiendo un control de versiones eficiente.

• Colaborar en proyectos: Facilita el trabajo en equipo con herramientas para compartir código, revisar cambios y gestionar tareas.

• Control de versiones: Utiliza Git para rastrear cada cambio en el código, facilitando la corrección de errores y la colaboración.

• Comunidad y código abierto: Alberga una gran comunidad de desarrolladores y muchos proyectos de código abierto, fomentando la colaboración y el aprendizaje.

En resumen, GitHub es una herramienta fundamental para el desarrollo de software moderno, permitiendo a los desarrolladores trabajar juntos de forma eficiente y transparente.

IA Explicable (XAI Explainable Artificial Intelligence)

IA Explicable se refiere al conjunto de técnicas y métodos que buscan hacer comprensibles para el ser humano los procesos y resultados de los modelos de Inteligencia Artificial, permitiendo entender cómo y por qué un modelo llega a una determinada decisión o predicción, lo que aumenta la confianza, facilita la depuración, mejora la transparencia y permite la auditoría de los sistemas de IA.

Ilya Sutskever

Cofundador y ex jefe científico de OpenIA. Defensor de la IA-AI segura ante todo.

Inferencia

Es el proceso por el cual un modelo de IA entrenado genera predicciones, toma decisiones o produce contenido basándose en nuevos datos de entrada. En el contexto de la IA generativa, la inferencia es el momento en que el modelo realmente crea algo nuevo. Por ejemplo, cuando ChatGPT genera una receta de pollo con naranja en respuesta a una solicitud del usuario, está realizando una inferencia. Este proceso ocurre cuando ejecutas comandos de IA en tu dispositivo local, donde el modelo aplica lo que ha aprendido durante su entrenamiento para producir resultados sobre información que no ha visto antes.

Inpainting

Cambiar zonas o partes de una imagen creada anteriormente.

Iterar

Dícese del proceso de repetir un conjunto de pasos o un procedimiento varias veces, generalmente con el objetivo de mejorar o refinar un modelo o un resultado. Cada iteración implica aplicar un algoritmo, evaluar el rendimiento y ajustar los parámetros o el enfoque según sea necesario. A nivel de usuario, iterar también puede referirse al proceso de modificar y refinar un prompt o una instrucción para modelos como ChatGPT o Midjourney, con el fin de obtener la respuesta o el resultado deseado.

Jensen Huang, CEO de NVIDIA

JSON (JavaScript Object Notation)

Es un formato de texto ligero y legible para el intercambio de datos, basado en la sintaxis de objetos de JavaScript. Es independiente del lenguaje de programación y se utiliza ampliamente en aplicaciones web y APIs para transmitir información estructurada. Ejemplo:

      {

"nombre": "Juan",

  "edad": 30,

  "ciudad": "Madrid"

}

En contexto de IA, JSON se utiliza frecuentemente para representar datos de entrenamiento, resultados de modelos, configuraciones y otras informaciones relevantes en aplicaciones de Inteligencia Artificial.

John McCarthy

John McCarthy, prominente científico computacional estadounidense, fue el primero en acuñar el término ‘Inteligencia Artificial’. Anécdota que no debería eclipsar su gran carrera, McCarthy propuso este término para la conferencia de Dartmouth en 1956, un evento que marcaría el nacimiento oficial de la IA como disciplina académica. En la conferencia de Dartmouth, oficialmente llamada ‘Dartmouth Summer Research Project on Artificial Intelligence’, escribió: ‘El estudio procederá sobre la base de la conjetura de que cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, ser descrito con tanta precisión que se puede hacer una máquina para simularlo.’ ¡1956!