Base de conocimientos de IA

Digital Twin (Gemelo Digital) es un sistema tecnológico para el modelado en espejo, la cartografía dinámica y la gestión del ciclo de vida completo de entidades físicas o sistemas complejos en un espacio digital virtual con gran precisión, alta fidelidad e interacción bidireccional en tiempo real.

El aprendizaje supervisado es uno de los métodos más comunes y fundamentales del aprendizaje automático. La idea central es enseñar a un modelo informático a hacer predicciones o juicios utilizando un conjunto de datos existente con la "respuesta correcta".

La Inteligencia Artificial General (AGI) son sistemas inteligentes que pueden comprender, aprender, razonar, adaptarse y crear como los humanos o incluso más allá de ellos en cualquier tarea cognitiva.

La gobernanza de la IA es un marco integral que abarca la tecnología, la ética, el derecho y la sociedad y que orienta, gestiona y supervisa de forma eficaz todo el ciclo de vida de los sistemas de IA: desde el diseño, el desarrollo, la implantación y el uso final. El objetivo principal no es obstaculizar la innovación tecnológica, sino garantizar que el desarrollo y la aplicación de las tecnologías de IA comiencen...

La IA explicable (XAI) es un conjunto global de conceptos, métodos, tecnologías y marcos de gobernanza.

El aprendizaje no supervisado (Unsupervised Learning, ULS) es una importante rama del aprendizaje automático que se centra en el procesamiento de conjuntos de datos que no están preetiquetados.

El aprendizaje semisupervisado es una rama importante en el campo del aprendizaje automático, que utiliza una pequeña cantidad de datos etiquetados y una gran cantidad de datos sin etiquetar para entrenar conjuntamente un modelo con el fin de mejorar el efecto de aprendizaje y la capacidad de generalización.

El aprendizaje autosupervisado (SSL) es un paradigma de aprendizaje emergente en el campo del aprendizaje automático, en el que la idea central es generar automáticamente señales supervisadas a partir de datos no etiquetados y entrenar modelos para aprender representaciones útiles de los datos.

La seguridad de la inteligencia artificial (seguridad de la IA) es el campo interdisciplinar de vanguardia que consiste en garantizar que los sistemas de IA, especialmente los que son cada vez más potentes y autónomos, actúen de forma fiable y predecible a lo largo de su ciclo de vida de acuerdo con las intenciones humanas, sin consecuencias perjudiciales.

El aprendizaje por transferencia (TL) es una rama importante en el campo del aprendizaje automático, la idea central es aplicar el conocimiento aprendido de una tarea o dominio a otra tarea o dominio relacionado pero diferente.

La Superinteligencia Artificial (SIA) es un sistema inteligente que supera la inteligencia humana, con capacidades que superan las de los humanos en todos los ámbitos, incluidos la cognición, la creatividad, la resolución de problemas y la toma de decisiones.

La equidad en la IA es el campo interdisciplinar que consiste en garantizar que los sistemas de IA traten a todos los individuos y grupos de personas de forma justa e imparcial a lo largo de todo el ciclo de vida de su diseño, desarrollo, despliegue y funcionamiento.

La red neuronal recurrente (RNN) es una arquitectura de red neuronal diseñada para procesar datos secuenciales. Por datos secuenciales se entiende una colección de datos con orden temporal o dependencias, como textos lingüísticos, señales de voz o series temporales.

El metaaprendizaje, o aprender a aprender, es una rama importante del campo del aprendizaje automático que se centra en el desarrollo de algoritmos de aprendizaje capaces de adaptarse rápidamente a nuevas tareas.

La red neuronal (NN) es un modelo computacional inspirado en el funcionamiento de las neuronas en el cerebro biológico.

El aprendizaje federado (FL) es un enfoque innovador de aprendizaje automático, propuesto por primera vez por un equipo de investigadores de Google en 2016, que tiene como objetivo abordar los desafíos de la privacidad de los datos y la computación distribuida.

La arquitectura Transformer es un modelo de aprendizaje profundo diseñado para procesar tareas secuencia a secuencia, como la traducción automática o el resumen de textos. La principal innovación radica en basarse exclusivamente en el mecanismo de autoatención, evitando los bucles tradicionales o las estructuras convolucionales. Al permitir que el modelo procese todos los elementos de una secuencia en...

El mecanismo de atención (Attention Mechanism) es una técnica computacional que imita los procesos cognitivos humanos, aplicada inicialmente en el campo de la traducción automática y convertida posteriormente en una parte importante del aprendizaje profundo.

El modelo de difusión es un modelo generativo diseñado específicamente para crear nuevas muestras de datos, como imágenes, audio o texto. El núcleo del modelo se inspira en el proceso de difusión en física, que simula la difusión natural de partículas desde una región de alta concentración a otra de baja concentración. En la máquina...

El modelo preentrenado (PTM) es una técnica fundamental y poderosa en inteligencia artificial, que representa modelos de aprendizaje automático preentrenados en conjuntos de datos a gran escala. Los modelos forman una amplia base de conocimientos procesando cantidades masivas de información y aprendiendo patrones y características genéricas de los datos....

La memoria a largo plazo (LSTM) es una variante de red neuronal recurrente diseñada específicamente para procesar datos secuenciales. En el campo de la inteligencia artificial, los datos secuenciales se utilizan ampliamente en tareas como la predicción de series temporales, el procesamiento del lenguaje natural y el reconocimiento del habla.

Large Language Model (LLM) es un sistema de aprendizaje profundo entrenado en datos de texto masivos, con la arquitectura Transformer en su núcleo. El mecanismo de autoatención de esta arquitectura puede capturar eficazmente las dependencias a larga distancia en el lenguaje. El modelo de "gran ...

El ajuste fino de modelos (Fine-tuning) es una aplicación específica del aprendizaje por transferencia en el aprendizaje automático. El proceso central se basa en modelos de preentrenamiento, que utilizan conjuntos de datos a gran escala para aprender patrones genéricos y desarrollar amplias capacidades de extracción de características. A continuación, la fase de ajuste fino introduce conjuntos de datos de tareas específicas para ...

La autoatención es un mecanismo clave en el aprendizaje profundo, originalmente propuesto y ampliamente utilizado en la arquitectura Transformer. La idea central es permitir que el modelo atienda simultáneamente a todas las posiciones de la secuencia de entrada y calcule cada posición...

El aprendizaje multitarea (MTL) no es un algoritmo aislado, sino un paradigma de aprendizaje automático inteligente.

La regularización es una técnica fundamental en el aprendizaje automático y la estadística para evitar el ajuste excesivo de los modelos. La regularización controla el grado de ajuste añadiendo un término de penalización a la función objetivo que está relacionado con la complejidad del modelo. Las formas más comunes son la regularización L1 y L2: la L1 produce soluciones dispersas y aplica...

Generative Adversarial Network (GAN) es un modelo de aprendizaje profundo, propuesto por Ian Goodfellow et al. en 2014. El marco implementa un modelo generativo entrenando dos redes neuronales entre sí....

La regresión logística es un método de aprendizaje estadístico utilizado para resolver problemas de clasificación binaria. El objetivo principal es predecir la probabilidad de que una muestra pertenezca a una categoría determinada en función de las características de entrada. El modelo asigna la salida lineal entre 0 y 1 combinando linealmente los valores propios mediante una función en forma de S....