Glosario de términos populares de AI: qué significan las alucinaciones, los tokens y los prompts

TechCrunch publicó un glosario actualizado de términos de inteligencia artificial. Con el crecimiento explosivo de la IA a nuestro alrededor, han surgido docenas de palabras nuevas y jerga que pueden confundir incluso a usuarios experimentados.

Términos Principales de IA

Cuando se habla de aprendizaje automático y redes neuronales, frecuentemente aparecen palabras como "entrenamiento", "parámetros" y "vectores". Pero hay una serie de términos específicos que aparecen especialmente frecuentemente en el contexto de grandes modelos de lenguaje.

• Hallucinations (alucinaciones) — cuando un LLM genera con confianza información falsa, presentándola como hechos. Un ejemplo típico: ChatGPT inventa artículos inexistentes o atribuye acciones a personas que nunca cometieron.

• Prompt engineering (ingeniería de prompts) — el arte de formular instrucciones para la IA. El prompt correcto puede aumentar la calidad de la respuesta varias veces, mientras que uno incorrecto puede reducir el resultado a nada.

• Fine-tuning (ajuste fino) — adaptación de un modelo preentrenado para tareas y datos específicos. Las empresas toman GPT-4 y la entrenan con sus documentos corporativos.

• Embeddings (representaciones vectoriales) — códigos numéricos que la IA utiliza para codificar el significado de palabras y documentos. Esta es la base para búsqueda, agrupación y análisis semántico.

• Token (token) — la unidad mínima de texto (una palabra o parte de una palabra) que procesa el modelo. ChatGPT calcula costos por tokens, por lo que "token" = dinero en el contexto de la API.

Arquitectura y Métodos

Durante los últimos años se ha formado un conjunto estándar de técnicas para trabajar con modelos.

Transformer — la arquitectura en la que se construyen todos los LLMs modernos como GPT y BERT. Fue el Transformer el que permitió a las redes neuronales procesar secuencias de datos en paralelo, revolucionando la velocidad de entrenamiento.

RAG (retrieval-augmented generation) — una técnica en la que el modelo primero busca documentos relevantes de fuentes externas y luego genera una respuesta basada en ellos. Esto permite que los LLMs funcionen con información actual sin reentrenamiento y reduce alucinaciones.

Otro término clave es RLHF (aprendizaje por refuerzo a partir de retroalimentación humana). Fue a través de RLHF que OpenAI hizo que ChatGPT fuera educado, útil y seguro. Las evaluaciones humanas ayudan al modelo a aprender no solo de patrones estadísticos en los datos, sino también de las preferencias de las personas, lo que cambia el comportamiento del modelo en sí.

Por Qué Esto Importa

Entender términos básicos le ayuda a percibir críticamente las noticias sobre IA. Si aprende sobre "alucinaciones", entenderá por qué los modelos a veces mienten. Conociendo "tokens", puede optimizar sus gastos en API. Darse cuenta de que existe la "ingeniería de prompts" lo convencerá de no apresurarse — la formulación correcta de una pregunta vale la pena.

El glosario de TechCrunch no pretende ser completo, pero proporciona una lingua franca — un lenguaje común en el que se puede discutir IA con un especialista técnico, periodista o gerente.

Qué Significa Esto

La estandarización de terminología es el primer paso hacia una discusión informada de la tecnología. A medida que la IA se desarrolla, el lenguaje de profesionales y público debe converger, de lo contrario permanecerá la sensación de que están discutiendo cosas diferentes. Cuando todos hablan el mismo idioma, es más fácil encontrar la verdad y evitar pánico.

Si trabaja con herramientas de IA o simplemente sigue las noticias, un glosario ahorra horas buscando definiciones y ejemplos. En lugar de deambular por múltiples fuentes — una referencia que puede abrir en cualquier momento.