Diccionario de IA

Agente de IA

Un sistema que está diseñado para percibir su entorno, tomar decisiones similares a las humanas y tomar acciones autónomas (es decir, no controladas directamente por una persona) para lograr un objetivo específico o un conjunto de objetivos

El diferenciador clave de los agentes de IA frente a las herramientas de automatización tradicionales radica en su independencia y capacidades cognitivas. Las herramientas de automatización tradicionales requieren instrucciones explícitas para cada acción, mientras que los agentes de IA solo necesitan un objetivo final para comenzar su operación.

Modelo de IA

Un programa o algoritmo entrenado y programado por un humano en datos específicos para lograr una tarea definida explícitamente

Sistema de IA

Toda la infraestructura y el marco necesarios para crear e implementar la IA

Si bien el modelo de IA es un componente central de un sistema de IA, un sistema de IA también incluye la adquisición de datos, los recursos de capacitación de hardware y software, la interfaz de usuario y más.

Algoritmo

Un conjunto de instrucciones paso a paso que guían a las máquinas en la realización de tareas y la toma de decisiones

Alineación

El proceso de garantizar que los objetivos de un sistema de IA se alineen con los valores e intereses humanos

En un sentido práctico, significa que un sistema de IA hace lo que le pedimos (por ejemplo, cuando se le pide que proporcione una publicación de blog sobre perros, genera una publicación de blog sobre perros).

En un sentido más amplio, la alineación garantiza que un sistema de IA no se centre demasiado en un objetivo que las decisiones que tome puedan causar daño.

Detección de anomalías

El acto de un modelo de IA que identifica patrones inusuales o anormales en los datos

Mediante la detección de anomalías, los modelos de aprendizaje automático pueden detectar y prevenir ataques cibernéticos mediante la identificación de actividades o comportamientos inusuales en la red.

Interfaz de programación de aplicaciones (API)

Una tecnología que permite que diferentes herramientas y software se comuniquen entre sí, con el objetivo de automatizar tareas que, de otro modo, consumirían mucho tiempo.

Inteligencia General Artificial (AGI)

Cuando los sistemas de IA tienen inteligencia a nivel humano y pueden realizar una amplia gama de tareas

En la progresión de la inteligencia artificial, este es el estado en el que nos encontramos actualmente.

Inteligencia Artificial (IA)

Un término amplio que se refiere a la capacidad de una máquina para realizar tareas que normalmente requerirían inteligencia humana (por ejemplo, el reconocimiento del habla, la comprensión del lenguaje y la toma de decisiones o predicciones basadas en datos))

Inteligencia Artificial Estrecha (ANI)

Cuando los sistemas de IA están diseñados para operar dentro de restricciones y parámetros predefinidos para realizar tareas específicas o conjuntos de tareas (por ejemplo, reconocimiento de voz o clasificación de imágenes), lo que lo hace altamente efectivo para funciones específicas, pero limitado en términos de inteligencia general o autoconciencia.

En la progresión de la inteligencia artificial, inicialmente comenzamos aquí.

Superinteligencia Artificial (ASI)

Cuando los sistemas de IA superan la inteligencia humana y pueden realizar tareas más allá de la comprensión humana

En la progresión de la inteligencia artificial, estamos en camino, pero no del todo, hasta aquí.

Automatización

El uso de la tecnología para monitorear, controlar y ejecutar tareas y procesos automáticamente con una mínima intervención humana.

La automatización mejora los procesos empresariales al delegar tareas repetitivas a las máquinas, lo que agiliza los procesos al vincular los datos a través de varias herramientas de IA y necesita una intervención humana continua mínima una vez establecida.

Caja negra

Cuando el funcionamiento interno y los procesos de toma de decisiones de un modelo de IA no son fácilmente comprensibles o explicados, incluso por los desarrolladores que lo crearon, lo que plantea problemas relacionados con la confianza y la responsabilidad.

Sistema de cría

El proceso de generación de nuevos modelos de IA a través de la combinación de modelos o algoritmos existentes

Esta técnica implica evolucionar y mejorar los sistemas de IA mediante la fusión de diferentes componentes o metodologías para crear modelos más avanzados y eficientes.

Clasificación

El acto de un modelo de IA que identifica patrones en los datos de entrada y luego usa esos patrones para predecir la categoría (o etiqueta) para puntos de datos nuevos e invisibles; Se puede considerar como la categorización de datos

Por ejemplo, un modelo de IA entrenado con imágenes de diferentes tipos de animales (etiquetados como "gato", "perro", "pájaro") podría clasificar una nueva imagen y predecir si muestra un gato, un perro o un pájaro.

La clasificación se utiliza mucho en el comercio electrónico e impulsa muchos sistemas de etiquetado, que categorizan y organizan los productos mediante palabras clave o etiquetas.

Agrupamiento

El acto de un modelo de IA que identifica agrupaciones y patrones en los datos sin que un humano defina explícitamente los criterios.

Los motores de recomendación, como Amazon y Netflix, suelen aprovechar la agrupación en clústeres para proporcionar recomendaciones personalizadas de productos y películas a los usuarios.

Visión por Computador

El acto de un modelo de IA que analiza e interpreta datos visuales (por ejemplo, imágenes o vídeos) de cámaras o sensores

Los modelos de IA pueden aprovechar la visión artificial para identificar defectos en los productos utilizando datos visuales, lo que permite un control de calidad eficiente y la reducción de residuos en la fabricación.

Potencia de cómputo

La capacidad del hardware de un sistema de IA (por ejemplo, GPU y TPU) para realizar cálculos complejos necesarios para entrenar y ejecutar el modelo de manera eficiente

La cantidad de potencia informática desempeña un papel crucial en el rendimiento de los algoritmos de aprendizaje automático, especialmente los modelos de aprendizaje profundo, que se basan en grandes cantidades de datos y cálculos.

IA constitucional

Una forma de entrenar un modelo de IA para que se autocritique y revise sus respuestas para alinearse con un conjunto predefinido de reglas o principios (es decir, la constitución) basados en principios humanos como evitar daños, respetar preferencias y proporcionar información precisa

El objetivo es que el modelo sea inofensivo y se automejore sin necesidad de que los humanos etiqueten o identifiquen los resultados dañinos. Claude, de Anthropic, es un ejemplo de un gran modelo de lenguaje (LLM) que funciona con IA constitucional.

IA conversacional

Tecnologías de IA como chatbots que entablan conversaciones similares a las humanas con los usuarios

Ventana contextual

Un rango especificado de tokens (por ejemplo, palabras) que rodean a un token de destino que define el alcance de la información que se tiene en cuenta al procesar o analizar elementos individuales dentro de una secuencia de datos

En el procesamiento del lenguaje natural (PLN), se puede pensar en él como una ventana a través de la cual una computadora busca comprender el significado de las palabras considerando las palabras cercanas. Si la ventana es grande, ve más palabras a la vez, lo que le ayuda a comprender oraciones más complejas y piezas de información más grandes.

Leer más: Explore la historia dinámica y el emocionante futuro de la IA en nuestra sección Evolución de la IA: su pasado y futuro, que rastrea su desarrollo desde los conceptos fundacionales hasta los horizontes innovadores del mañana.

Aprendizaje profundo

Un enfoque de aprendizaje automático que entrena modelos de IA utilizando redes neuronales de múltiples capas (que simulan las capacidades de toma de decisiones del cerebro humano) para identificar patrones y relaciones y hacer predicciones con alta precisión

Modelo de difusión

Un tipo de IA generativa en la que el modelo de IA tiene como objetivo aprender la estructura subyacente de un conjunto de datos, así como los patrones y las relaciones entre diferentes piezas de información, observando cómo se mueven la información o los detalles utilizando tres componentes principales:

1. Proceso de reenvío: El modelo toma una imagen o sonido y le aplica una serie de pasos, donde cada paso agrega un poco de ruido a la imagen o el sonido, distorsionándolo más con el tiempo
2. Proceso inverso: A continuación, el programa intenta adivinar cuál era la imagen o el sonido original invirtiendo el mismo proceso utilizado para distorsionarlo
3. Procedimiento de muestreo: Al repetir este proceso, el modelo mejora su capacidad para adivinar la imagen o el sonido original

Esta es actualmente la opción más popular para la generación de imágenes y videos. El potente generador de imágenes, Midjourney, funciona a través de una combinación de un modelo de difusión y un modelo de lenguaje grande (LLM).

Incrustación

Un vector "sobrealimentado" (es decir, representaciones matemáticas de datos) que captura el significado semántico y las relaciones entre los datos, lo que ayuda a los modelos de IA a comprender mejor los matices y el contexto general de los datos.

Mientras que los vectores son adecuados para tareas en las que la atención se centra en operaciones numéricas y una representación sencilla de datos, las incrustaciones son necesarias para tareas en las que el modelo de IA necesita aprender patrones complejos o comprender matices y relaciones sutiles entre los datos, como el procesamiento del lenguaje natural (PLN) y la visión artificial.

Sistema experto

Un tipo de modelo de IA en el que la máquina realiza tareas basadas en una experiencia predeterminada que ha sido codificada en ellas, codificada por humanos para simular el juicio y el comportamiento de un experto humano

Explicabilidad

Un enfoque clave para construir una IA responsable es la explicabilidad de los modelos, que se refiere a hacer que los modelos de IA, y la forma en que toman ciertas decisiones, sean transparentes y fáciles de entender.

Pocos tiros de aprendizaje

Al entrenar un modelo de IA, darle algunos "disparos" o ejemplos para mejorar su rendimiento en una tarea específica

Ajuste fino

Personalizar un modelo de IA (después de que se haya sometido a un entrenamiento inicial para crear el modelo base) para tareas específicas mediante la realización de pequeños ajustes, que generalmente consisten en enviar datos adicionales al modelo y ajustar las capas o parámetros finales.

Tenga en cuenta que el ajuste fino corre el riesgo de "sobreajustar" el modelo (es decir, hacer que el modelo sea demasiado especializado, lo que resulta en una falta de generalización y un rendimiento deficiente en los datos nuevos).

Modelo de Fundación

Cuando un modelo de IA se entrena con un conjunto diverso de datos no estructurados para crear un modelo general o "base", que luego se puede ajustar aún más (es decir, personalizar) para sobresalir en una tarea específica

NOTA: ¿Por qué datos no estructurados? Los datos no estructurados (como el texto sin procesar de sitios web, libros y artículos, o las imágenes de Internet) son más abundantes e inherentemente diversos, lo que proporciona una gran cantidad de conocimiento humano, lenguaje e información visual. Esta diversidad es crucial para desarrollar modelos con una amplia comprensión y la capacidad de generalizar en una amplia gama de tareas.

Generación/IA generativa

El acto de un modelo de IA de crear nuevos datos o contenidos (por ejemplo, texto, imágenes, audio, etc.) mediante el aprendizaje de los patrones y la estructura de los datos con los que se entrenaron.

Los modelos de IA que utilizan la generación se conocen comúnmente como "IA generativa" o "GenAI".

Redes generativas adversarias (GAN)

Un tipo de algoritmo de IA que enfrenta dos redes neuronales entre sí para mejorar la calidad de los datos generados (es decir, las dos redes neuronales se entrenan simultáneamente de manera competitiva) para tareas como la generación de imágenes realistas.

Las dos redes incluyen:

• Generador, que crea nuevos datos que intentan engañar al discriminador
• Discriminator, que actúa como crítico y tiene como objetivo identificar los datos falsos del generador

Las redes iteran hasta que el generador se vuelve experto en producir datos que el discriminador se esfuerza por distinguir de los datos reales.

Muchos modelos de generación de imágenes de IA combinan transformadores y GAN para generar imágenes a partir de descripciones de texto, procesando la entrada de texto a través de un transformador, que luego acondiciona la GAN para generar la imagen correspondiente.

Transformador generativo preentrenado (GPT)

Un tipo de modelo de lenguaje grande (LLM) desarrollado por OpenAI que aprovecha la arquitectura de transformadores para procesar el lenguaje y generar texto coherente, similar al humano y resultados contextualmente relevantes.

GPT sobresale en una amplia gama de tareas de procesamiento del lenguaje natural (PLN), incluida la generación de texto, la respuesta a preguntas, el resumen y la comprensión del lenguaje.

Unidad de procesamiento de gráficos (GPU)

Un circuito electrónico especializado diseñado para acelerar la representación de gráficos mediante el procesamiento rápido de grandes conjuntos de datos y algoritmos complejos

Alucinación

La tendencia de los modelos de IA generativa a generar datos poco realistas o sin sentido

Por ejemplo, un modelo de lenguaje grande (LLM) puede generar oraciones que no tienen sentido, o un modelo de imagen puede generar imágenes poco realistas o distorsionadas.

Imagen a imagen

El proceso de generación de una imagen utilizando otra imagen como solicitud

Con la imagen a imagen, un modelo de IA traducirá la imagen inicial en otra imagen (es decir, la finalización/salida) conservando las características esenciales.

Debido a que la traducción de imagen a imagen permite tareas como la transferencia de estilo, la coloración y más, desempeña un papel crucial en diversas aplicaciones como el arte, la mejora de imágenes y la visión por computadora.

Inferencia

El proceso de un modelo de IA que aplica la información aprendida durante el entrenamiento para generar un resultado procesable (por ejemplo, generar una imagen)

Entrada

Los datos (por ejemplo, texto, imágenes, datos de sensores o muchos otros tipos de información relevante) proporcionados a un sistema de IA para explicar un problema, una situación o una solicitud.

Si bien las solicitudes son una forma popular de entrada, las entradas son fundamentales a lo largo de todo el ciclo de vida de un modelo de IA, desde el entrenamiento hasta la implementación y el uso.

En la automatización, las entradas son los datos necesarios para que la automatización funcione. (Por ejemplo, las entradas de un flujo de trabajo de automatización relacionado con el correo electrónico pueden ser el cuerpo del correo electrónico, la línea de asunto, el correo electrónico del remitente, la fecha de envío, las etiquetas agregadas, etc.)

Modelo de lenguaje grande (LLM)

Un tipo de IA generativa que procesa y genera lenguaje humano para realizar tareas como la traducción de idiomas, la generación de texto y la respuesta a preguntas.

Los LLM (como ChatGPT de OpenAI y Gemini de Google) funcionan mediante el aprendizaje de patrones y relaciones entre palabras y frases para generar salidas de texto coherentes y contextualmente relevantes basadas en indicaciones o entradas dadas.

Low-Code/No-Code

Herramientas y plataformas que permiten a las personas crear aplicaciones de IA con cero o muy poco conocimiento de codificación.

Aprendizaje automático (ML)

Un tipo de modelo de IA en el que la máquina aprende a realizar tareas y optimizar el rendimiento a través de la experiencia, sin que un humano defina explícitamente las reglas.

Modalidad

El tipo de datos generados por un modelo de IA (por ejemplo, texto, imágenes, audio, etc.).

Multimodal

La capacidad de los modelos de IA para comprender y generar contenido en múltiples tipos de modalidades

Procesamiento del lenguaje natural (PLN)

Una rama del aprendizaje automático que permite a los modelos de IA comprender y generar lenguaje humano en forma de texto o voz.

El NLP es una función clave de los grandes modelos de lenguaje (LLM) como ChatGPT de OpenAI. Algunos ejemplos de PNL en uso incluyen:

• Servicio de atención al cliente para analizar el sentimiento de los comentarios de los clientes
• Análisis de redes sociales para detectar spam o contenido abusivo
• investigación de la industria para analizar grandes volúmenes de datos de texto para extraer información

Comprensión del lenguaje natural (NLU)

Un subconjunto del procesamiento del lenguaje natural (NLP) que se centra específicamente en permitir que las máquinas interpreten el lenguaje humano más allá de las palabras para comprender también el significado y la intención.

Si bien NLU y NLP a veces se usan indistintamente, se refieren a diferentes aspectos del procesamiento del lenguaje, siendo NLU un componente específico del marco más amplio de NLP.

Redes neuronales

Un tipo de proceso de aprendizaje automático, específicamente el aprendizaje profundo, que enseña a las máquinas a procesar datos de una manera que imita el cerebro humano, utilizando sistemas adaptativos que abarcan nodos interconectados en una estructura en capas para permitir que las máquinas comprendan relaciones y patrones complejos, así como aprender de sus errores y mejorar.

Código abierto

Software o modelos de IA que están disponibles gratuitamente para que cualquiera los use, modifique y distribuya.

Los modelos de código abierto permiten una mayor colaboración, transparencia e innovación al permitir que los desarrolladores e investigadores accedan y se basen en los modelos y herramientas existentes, lo que en última instancia conduce a un progreso acelerado en el ámbito de la IA en su conjunto

Salida

La respuesta que genera un modelo de IA, ya sea texto, una imagen u otra modalidad

En el caso específico de la automatización, el resultado final de un flujo de trabajo de automatización es la salida (por ejemplo, un informe generado, una tarea completada o una decisión tomada por el sistema).

Una salida también se conoce como "finalización".

Parámetros

Las variables internas o dentro de un modelo de IA que se aprenden durante el proceso de entrenamiento

Perplejidad

Métrica de rendimiento para modelos de lenguaje que mide la eficacia de un modelo para predecir las palabras de una secuencia

Puedes pensar en la perplejidad como la confianza en sí misma que tiene una modelo.

La perplejidad se utiliza a menudo para evaluar y comparar diferentes modelos de IA generativa, y una perplejidad menor indica que el modelo es mejor para predecir la siguiente palabra, lo que lo hace más preciso y fiable para las aplicaciones del mundo real.

NOTA: Perplejidad es también el nombre de uno de los principales modelos de lenguaje grandes (LLM).

Predicción

El acto de un modelo de IA que predice la probabilidad de un determinado resultado, normalmente enmarcado como probabilidades.

Los algoritmos de clasificación de redes sociales utilizan la predicción para estimar la probabilidad de que un usuario haga clic en un anuncio específico.

Pronto

Una interacción entre un humano y un modelo de IA que proporciona al modelo información suficiente para generar el resultado deseado por el usuario

Las indicaciones pueden adoptar muchas formas diferentes, como preguntas, texto, fragmentos de código, imágenes o vídeos. Las indicaciones más comunes hoy en día son las indicaciones de texto, pero las indicaciones pueden ser de cualquier modalidad.

Aprendizaje por refuerzo

Un enfoque de aprendizaje automático en el que un modelo de IA aprende recibiendo recompensas o penalizaciones en función de sus acciones, similar a jugar un juego.

El modelo puede aprender y mejorar su toma de decisiones de una de estas dos maneras:

• Aprendizaje por refuerzo, que no implica la intervención humana directa en el proceso de entrenamiento, sino que la máquina se basa en su propia exploración del entorno.
• Reinforcement Learning with Human Feedback (RLHF), que implica la orientación humana para optimizar el rendimiento del modelo.

RLHF es particularmente útil en tareas en las que el juicio humano es esencial, como el procesamiento del lenguaje natural (NLP) para chatbots o la generación de texto.

IA responsable

El uso ético y responsable de la tecnología de IA, garantizando que los sistemas de IA se diseñen e implementen de manera que se respeten los derechos humanos, la diversidad y la privacidad.

Por ejemplo, una empresa que utiliza tecnología de reconocimiento facial debe asegurarse de que no se utiliza para la vigilancia ilegal y no discrimina a ciertos grupos de personas.

Generación aumentada de recuperación

Un proceso que mejora el resultado de los modelos de IA mediante la incorporación de referencias a bases de conocimiento fuera de las fuentes de datos de entrenamiento del modelo (por ejemplo, un campo de conocimiento específico o la base de datos interna de una organización), sin necesidad de volver a entrenar el modelo.

Sistema basado en la recuperación

Un modelo de IA conversacional que busca en una gran colección de respuestas preexistentes para encontrar la mejor respuesta a la consulta de un usuario

A diferencia de los sistemas generativos que crean respuestas desde cero, los sistemas basados en la recuperación seleccionan y presentan las respuestas en función de la similitud o relevancia de la consulta de entrada o el contexto.

Sistema basado en reglas

Un tipo de modelo de IA en el que la máquina realiza tareas basadas en reglas predeterminadas que han sido codificadas por humanos, lo que da como resultado resultados predefinidos mediante declaraciones de codificación "si-entonces"

Significado semántico

La comprensión de los conceptos e intenciones subyacentes (en texto o imágenes, por ejemplo) para determinar el mensaje general que se transmite.

Un modelo de IA que comprenda el significado semántico puede captar los sutiles matices y complejidades del lenguaje durante la generación de texto y las relaciones entre objetos durante la generación de imágenes, lo que permite a los modelos generar resultados más precisos y contextualmente relevantes.

El significado semántico es crucial para la visión artificial y diversas tareas de procesamiento del lenguaje natural (PLN) (por ejemplo, análisis de sentimientos, clasificación, respuesta a preguntas y traducción de idiomas).

Singularidad

Un punto hipotético en el futuro en el que los sistemas de IA sean capaces de diseñarse y mejorarse a sí mismos sin intervención humana, superando la comprensión humana de una manera que conduzca a cambios sociales rápidos e impredecibles

Reconocimiento de voz

El acto de un modelo de IA de reconocer el habla y transcribirla en texto escrito

El reconocimiento de voz es uno de los casos de uso de IA más utilizados por los consumidores en la actualidad... ejem, Siri.

Maniobrabilidad/IA dirigible

La capacidad de refinar, modificar, rectificar o dirigir un sistema de IA para que funcione más de acuerdo con las expectativas del usuario.

Debido a que ChatGPT es altamente personalizable y se puede dirigir para centrarse en temas o estilos de conversación específicos, es bien conocido por su capacidad de dirección.

Transferencia de estilo

Técnica de visión artificial que combina el contenido de una imagen (la imagen original) con el estilo de otra (la imagen de referencia), combinándolos para crear una nueva imagen que conserva el contenido de la imagen original, pero que se representa en el estilo de la imagen de referencia

Aprendizaje supervisado

Un enfoque de aprendizaje automático en el que un modelo de IA se entrena con datos etiquetados, predeterminados por humanos, para aprender la relación entre las variables de entrada y salida, lo que permite al modelo hacer predicciones para nuevos datos de entrada en función de los patrones que ha aprendido de los ejemplos etiquetados.

Temperatura

Un parámetro crucial utilizado para controlar la aleatoriedad de los resultados generados por los modelos de IA, que desempeña un papel esencial en el logro de los resultados deseados

Unidades de procesamiento tensorial (TPU)

Aceleradores de hardware especializados desarrollados por Google que aceleran el entrenamiento y la implementación de modelos de aprendizaje automático

Texto a imagen

El proceso de generar una imagen a partir de una descripción de texto (es decir, un mensaje de texto)

Texto a video

El proceso de generar un video a partir de una descripción de texto (es decir, un mensaje de texto)

Seña

La unidad de datos más pequeña, que representa elementos como palabras o píxeles, según la modalidad, utilizada por los modelos de IA para procesar entradas y generar salidas.

Por ejemplo, en la oración "La manzana es una fruta", cada palabra ("Manzana", "es", "una", "fruta") es una ficha. Tanto las entradas (incluidas las solicitudes) como las salidas se dividen en tokens.

La descomposición de datos complejos en estos tokens más pequeños y manejables permite a los modelos de IA comprender y generar contenido de manera efectiva.

Transformador

Un tipo de red neuronal que aprende a comprender el contexto y las relaciones entre diferentes partes de los datos para transformar las entradas en salidas.

Los transformadores revolucionaron el campo de la IA al permitir que los modelos de IA presten atención a diferentes partes de los datos de entrada simultáneamente (en lugar de un elemento a la vez) a medida que aprenden. Esta capacidad, llamada "mecanismo de autoatención", ayuda al modelo a desarrollar una comprensión más profunda de los datos mediante el aprendizaje de relaciones más complejas dentro de los datos.

Es posible que hayas escuchado el término "transformador" porque es la "T" de GPT (Generative Pre-Trained Transformer), que impulsa ChatGPT de OpenAI.

NOTA: Mientras que "transformador" se refiere al tipo de modelo de red neuronal, el término "arquitectura de transformador" se refiere a la estructura general y los componentes específicos que hacen que el modelo de transformador funcione (es decir, cómo fluyen los datos a través del modelo, cómo se procesa y transforma la información y cómo interactúan las diferentes partes para lograr tareas específicas).

Aprendizaje no supervisado

Un enfoque de aprendizaje automático en el que un modelo de IA identifica patrones en un conjunto de datos sin ninguna salida etiquetada explícitamente

El aprendizaje no supervisado es particularmente útil en situaciones en las que etiquetar con precisión un gran volumen de datos diversos e intrincados es una tarea prohibitivamente oportuna y costosa para un ser humano.

Vector

Una representación matemática de los tokens

A cada token se le asigna su propio conjunto de números que representan su significado y contexto. Al convertir tokens en vectores numéricos, los algoritmos de aprendizaje automático pueden procesar y analizar datos de manera más efectiva.

Si bien los vectores son adecuados para tareas en las que la atención se centra en operaciones numéricas y una representación directa de datos, no son adecuados para tareas que requieren que el modelo de IA aprenda patrones complejos o comprenda matices y relaciones sutiles entre los datos, como el procesamiento del lenguaje natural (NLP) y la visión por computadora. Las incrustaciones son necesarias para estas tareas más complejas.

Aprendizaje de tiro cero

Cuando un modelo de IA completa eficazmente una tarea sin haber recibido ningún entrenamiento específico para la tarea, gracias al uso de indicaciones estratégicamente diseñadas

Descubre herramientas IA similares a Diccionario de IA puedes visitar la categoría Tutoriales.