Glosario de Inteligencia Artificial

La Inteligencia Artificial (IA) se refiere a la simulación de la inteligencia humana en máquinas que están programadas para pensar y actuar como humanos. Estas máquinas inteligentes pueden ser entrenadas para realizar diversas tareas procesando grandes cantidades de datos y aprendiendo de ellos. Los sistemas de IA pueden clasificarse en dos categorías principales: estrechos o generales. Los sistemas de IA estrechos están diseñados para realizar tareas específicas, mientras que los sistemas de IA generales están diseñados para realizar cualquier tarea intelectual que un ser humano pueda. El objetivo final de la investigación en IA es crear sistemas que puedan comprender, pensar y actuar de manera inteligente, de manera que sean indistinguibles de un ser humano.

Un tipo de aprendizaje automático en el que un agente aprende a través de la prueba y error interactuando con su entorno y recibiendo recompensas o castigos por sus acciones.

El proceso de ajustar los parámetros de un modelo de aprendizaje automático que se establecen antes del entrenamiento, con el fin de mejorar su rendimiento.

El proceso de etiquetar o anotar imágenes con información relevante, como clases de objetos o cuadros delimitadores.

Un método de entrenamiento de algoritmos utilizando grandes cantidades de datos y permitiendo que el algoritmo aprenda y mejore por sí mismo sin programación explícita.

Una técnica de aprendizaje automático en la que un sistema de inteligencia artificial (IA) aprende a partir de la retroalimentación o recompensas proporcionadas por un usuario o entrenador humano.

El proceso de agrupar puntos de datos juntos en función de la similitud o las características comunes.

Una técnica de aprendizaje automático que implica ajustar los hiperparámetros o parámetros de un modelo preentrenado en un nuevo conjunto de datos para optimizar su rendimiento para una tarea específica. El afinamiento se utiliza comúnmente cuando se dispone de un modelo preentrenado para una tarea relacionada, pero los datos disponibles para la nueva tarea son limitados o la tarea objetivo es ligeramente diferente de la tarea original.

Una técnica de aprendizaje automático en la que se entrenan y combinan múltiples modelos para hacer predicciones, con el objetivo de mejorar el rendimiento general del modelo.

El uso de una función para aproximar la función de valor o la política en un problema de aprendizaje por refuerzo, cuando los espacios de estado o acción son demasiado grandes para representarse explícitamente.

Una estructura de árbol similar a un diagrama de flujo utilizado para tomar decisiones basadas en una serie de divisiones binarias.

Un tipo de modelo generativo que consiste en una red codificadora que mapea los datos de entrada a una representación latente y una red decodificadora que mapea la representación latente de nuevo al espacio de datos original.

Un algoritmo de aprendizaje por refuerzo que utiliza el error de diferencia temporal, la diferencia entre las recompensas futuras estimadas y las recompensas reales, para actualizar la función de valor de acción.

Un algoritmo de búsqueda que utiliza principios de la evolución natural, como la reproducción, la mutación y la selección, para encontrar soluciones a problemas.

Un subcampo del aprendizaje automático que implica el entrenamiento de redes neuronales multicapa para aprender y tomar decisiones por sí mismas.

Un tipo de red neuronal utilizado para la reducción de dimensionalidad y el aprendizaje de características, que consta de un codificador y un decodificador que aprenden a comprimir y reconstruir datos, respectivamente.

Una técnica de conjunto de aprendizaje automático en la que se entrenan múltiples modelos en diferentes subconjuntos aleatorios de los datos de entrenamiento y se combinan para hacer predicciones, con el objetivo de reducir la varianza y mejorar la generalización del modelo.

Conjuntos grandes de datos que pueden ser analizados y utilizados para obtener información y tomar decisiones informadas.

Una técnica de conjunto de aprendizaje automático en la que los modelos débiles se combinan para formar un modelo fuerte, con el objetivo de mejorar la precisión general de la predicción.

El proceso de asignar una imagen a una o más categorías o clases predefinidas.

Un algoritmo de aprendizaje automático utilizado para tareas de clasificación basadas en el teorema de Bayes de probabilidad.

El proceso de agregar colores a una imagen en escala de grises.

Un conjunto de algoritmos que utilizan principios de la evolución natural, como la reproducción, la mutación y la selección, para encontrar soluciones a problemas.

La tensión en el aprendizaje por refuerzo entre explorar nuevas acciones y explotar las acciones conocidas y buenas, para equilibrar los objetivos de aprendizaje y de maximización de recompensas del agente.

Un chatbot de OpenAI construido sobre su modelo de lenguaje grande GPT3.5, entrenado con datos públicos.

El proceso de categorizar datos en clases o grupos predefinidos.

El desarrollo de sistemas informáticos que pueden realizar tareas que normalmente requieren inteligencia similar a la humana, como el aprendizaje y la resolución de problemas.

El proceso de identificar y localizar objetos en una imagen o video.

El conjunto de todas las posibles acciones que un agente puede tomar en un problema de aprendizaje por refuerzo.

El entrenamiento se refiere al proceso de aprendizaje a partir de datos para mejorar el rendimiento de un modelo o sistema. El entrenamiento es una parte fundamental del aprendizaje automático y implica alimentar a un modelo con un conjunto de datos y ajustar sus parámetros o pesos para optimizar su rendimiento para una tarea específica.

El proceso de transformar los valores de una característica o un conjunto de datos para tener una media cero y una varianza unitaria.

El conjunto de todos los estados posibles en un problema de aprendizaje por refuerzo.

El proceso de medir el rendimiento de un modelo de aprendizaje automático en una tarea específica, utilizando métricas como precisión, precisión y recuperación.

La secuencia de estados, acciones y recompensas que un agente experimenta en un problema de aprendizaje por refuerzo antes de llegar a un estado terminal.

La función que define la recompensa o el castigo que un agente recibe por sus acciones en un problema de aprendizaje por refuerzo.

La función de valor que corresponde a la política óptima en un problema de aprendizaje por refuerzo.

El factor por el cual se descuentan las recompensas futuras en el algoritmo de aprendizaje por refuerzo, para equilibrar el compromiso entre las recompensas a corto y largo plazo.

Un tipo de modelo generativo que consta de dos redes neuronales que compiten, un generador y un discriminador, que aprenden a generar y reconocer datos sintéticos, respectivamente.

Un modelo de lenguaje grande desarrollado por OpenAI que utiliza la arquitectura de transformador y el aprendizaje auto-supervisado para generar texto similar al humano.

El proceso de crear nuevas imágenes sintéticas utilizando técnicas de inteligencia artificial.

Un método de resolución de problemas que implica encontrar una solución a través de ensayo y error y aprendizaje a partir de experiencias pasadas.

El proceso de deducir conclusiones a partir de premisas utilizando el razonamiento lógico.

Un algoritmo de aprendizaje por refuerzo que implica mejorar iterativamente la función de valor hasta que converge a la función de valor óptima.

Un algoritmo de aprendizaje por refuerzo que implica alternar entre evaluar la política actual y mejorarla en función de la función de valor aprendida.

El proceso de hacer un modelo de aprendizaje automático disponible para su uso en entornos de producción, como implementarlo en un servidor web o integrarlo en una aplicación.

El proceso de reparar o rellenar partes dañadas o faltantes de una imagen.

El proceso de seleccionar y crear características informativas y relevantes a partir de datos en bruto para su uso en un modelo de aprendizaje automático.

Un algoritmo de aprendizaje no supervisado utilizado para agrupar puntos de datos en un número predefinido de clústeres.

Una forma de lógica matemática que permite la incertidumbre y la imprecisión en la entrada y salida de un sistema.

El proceso de mejorar la calidad visual de una imagen, como aumentar su contraste o eliminar el ruido.

Un modelo de aprendizaje automático que aprende la distribución subyacente de los datos y puede generar muestras nuevas y sintéticas de ella.

El proceso de extraer patrones y conocimientos útiles de grandes conjuntos de datos.

Un modelo estadístico utilizado en inteligencia artificial para predecir la probabilidad de una secuencia de palabras o tokens en un idioma. Los modelos de lenguaje se utilizan comúnmente en tareas de procesamiento del lenguaje natural para generar texto coherente y apropiado.

Un modelo estadístico grande en inteligencia artificial que se entrena en un conjunto de datos muy grande de texto y utiliza técnicas de aprendizaje automático para aprender los patrones y la estructura del lenguaje. Los modelos de lenguaje grandes se utilizan comúnmente para tareas como la generación de lenguaje, la traducción automática y la clasificación de texto, y son capaces de generar texto similar al humano con un alto grado de coherencia y fluidez.

Un algoritmo de aprendizaje automático utilizado para tareas de clasificación y regresión.

Un sistema de aprendizaje automático que genera imágenes basadas en descripciones de lenguaje natural.

Un modelo es una representación de un problema o un sistema que se puede utilizar para hacer predicciones, decisiones o aprender patrones en los datos. Los modelos son una parte fundamental del aprendizaje automático y se utilizan para realizar diversas tareas, como clasificación, regresión, agrupamiento o reducción de dimensionalidad. Los modelos pueden entrenarse en un conjunto de datos utilizando varios algoritmos de aprendizaje automático, como aprendizaje supervisado, aprendizaje no supervisado o aprendizaje por refuerzo, para aprender las relaciones y patrones en los datos y hacer predicciones o decisiones basadas en ellos.

Un algoritmo de aprendizaje por refuerzo que utiliza el muestreo aleatorio para estimar la función de valor o la política óptima.

Un problema de aprendizaje por refuerzo en el que un agente debe elegir entre un conjunto de acciones, cada una con una distribución de recompensa desconocida, y aprender cuáles son las más gratificantes a través de la prueba y error.

El proceso de escalar los valores de una característica o un conjunto de datos a un rango común, como [0, 1] o [-1, 1].

Un sistema que representa las relaciones y categorías dentro de un dominio particular de conocimiento.

Un proceso de decisión de Markov que solo tiene un componente de recompensa, sin ninguna toma de decisiones involucrada.

El proceso de determinar un curso de acción para lograr un objetivo específico.

El proceso de preparar los datos para su uso en un modelo de aprendizaje automático, que incluye la limpieza, transformación y escalado de los datos.

La política que maximiza la recompensa acumulada esperada en un problema de aprendizaje por refuerzo.

La capacidad de una computadora para entender, interpretar y generar lenguaje humano.

Un marco matemático utilizado en el aprendizaje por refuerzo para modelar el proceso de toma de decisiones de un agente en un entorno secuencial e incierto.

Un método para resolver problemas de optimización dividiéndolos en subproblemas más pequeños y almacenando las soluciones a estos subproblemas en una tabla o matriz.

El proceso de preparar las imágenes para su uso.

La propiedad de un estado en un proceso de decisión de Markov que dice que el futuro es independiente del pasado, dada la situación actual.

Un algoritmo de aprendizaje por refuerzo que aprende una función de valor de acción, también conocida como función Q, que estima las recompensas futuras esperadas para cada acción en un estado dado.

La capacidad de identificar patrones o regularidades en los datos.

El proceso de llegar a conclusiones basadas en evidencia y argumentos lógicos.

Un tipo de red neuronal diseñada específicamente para procesar datos secuenciales, utilizando conexiones de retroalimentación para permitir que la red recuerde y utilice información pasada.

El proceso de reducir el número de características o dimensiones en un conjunto de datos mientras se preserva tanta información como sea posible.

El proceso de identificar y verificar individuos en función de sus rasgos faciales.

Un tipo de red neuronal que consta de dos redes neuronales que compiten, un generador y un discriminador, que aprenden a generar y reconocer datos sintéticos, respectivamente.

El proceso de reparar o restaurar una imagen degradada o dañada.

El proceso de buscar y recuperar imágenes de una gran base de datos en función de su contenido visual.

La forma en que se codifica y almacena el conocimiento en un sistema informático.

Un tipo de algoritmo de aprendizaje automático modelado según la estructura y función del cerebro humano, que consiste en capas de "neuronas" interconectadas que pueden procesar y transmitir información.

Una técnica de aprendizaje automático utilizada para predecir un valor numérico continuo en función de un conjunto de características de entrada.

El estudio y la aplicación de robots y automatización.

Un tipo de algoritmo de aprendizaje automático modelado sobre la estructura y función del cerebro humano, que consiste en capas de "neuronas" interconectadas que pueden procesar y transmitir información.

Un tipo de red neuronal diseñada específicamente para tareas de reconocimiento de imágenes y video, utilizando capas convolucionales para aprender y reconocer patrones en los datos.

Una técnica de generación de imágenes desarrollada por Google que utiliza una red neuronal convolucional para generar imágenes oníricas amplificando las características de la red.

Una condición en la que un modelo de aprendizaje automático funciona mal tanto en los datos de entrenamiento como en los nuevos y no vistos, debido a que es demasiado simple e incapaz de capturar los patrones subyacentes en los datos.

Un programa informático que utiliza técnicas de inteligencia artificial para imitar las habilidades de toma de decisiones de un experto humano en un campo específico.

El proceso de elegir un subconjunto de las características más relevantes de un conjunto más grande de características para su uso en un modelo de aprendizaje automático.

El proceso de generar una descripción en lenguaje natural de una imagen.

El proceso de dividir una imagen en múltiples regiones o segmentos, cada uno representando un objeto o fondo diferente.

El proceso de elegir el mejor modelo entre un conjunto de modelos candidatos para una tarea determinada.

La Stable Diffusion es un modelo de texto a imagen basado en el aprendizaje profundo que puede generar imágenes altamente detalladas basadas en descripciones de texto.

Una condición en la que un modelo de aprendizaje automático funciona bien en los datos de entrenamiento pero mal en datos nuevos y no vistos, debido a que es demasiado complejo y se ajusta al ruido en los datos de entrenamiento.

El proceso de aumentar la resolución de una imagen o video rellenando los detalles faltantes.

Un algoritmo de aprendizaje por refuerzo que aprende una función de valor de acción utilizando la recompensa esperada y el valor de la siguiente acción, en lugar de la recompensa final como en Q-learning.

El proceso de convertir una imagen de un dominio a otro, como traducir una fotografía a una pintura o un boceto.

El movimiento del agente de un estado a otro estado en un problema de aprendizaje por refuerzo, basado en una acción y las probabilidades de transición del entorno.

El proceso de transferir el estilo de una imagen a otra imagen, manteniendo el contenido de la segunda imagen.

La secuencia de estados y acciones que sigue un agente en un problema de aprendizaje por refuerzo.

Una técnica de aprendizaje automático en la que se ajusta o adapta un modelo entrenado en una tarea para una tarea relacionada.

Una técnica de evaluación de modelos en la que los datos de entrenamiento se dividen en múltiples pliegues, y el modelo se entrena y evalúa en cada pliegue para obtener una estimación de su rendimiento de generalización.

La capacidad de una computadora para interpretar y comprender datos visuales del mundo, como imágenes y video.

Una extensión de la World Wide Web que permite a las máquinas comprender el significado de los datos en la web.