Glosario de IA

Sistema de IA que puede tomar acciones de forma autónoma: buscar información, ejecutar código, usar APIs. Va más allá de solo generar texto. Ejemplos: OpenClaw, AutoGPT, LangChain Agents.

Cuando un modelo de IA genera información falsa con total confianza. Por ejemplo, inventar datos, citas o hechos que no existen. Es uno de los principales riesgos al usar LLMs.

Application Programming Interface. Interfaz que permite comunicarte con un modelo de IA mediante código. En lugar de usar una web, envías peticiones programáticas para integrar IA en tus aplicaciones.

Clave de autenticación que te da acceso a una API de IA (OpenAI, Anthropic, etc.). Es como una contraseña: no la compartas públicamente. Se usa en el código para identificar tu cuenta y medir el uso.

Framework de Microsoft para sistemas multi-agente. Permite que múltiples agentes de IA conversen entre sí para resolver tareas complejas de forma autónoma. Licencia MIT.

Test estandarizado para medir el rendimiento de un modelo de IA. Ejemplos: MMLU (conocimiento general), HumanEval (código), MATH (matemáticas). Sirven para comparar modelos objetivamente.

Técnica de razonamiento donde el modelo desglosa un problema en pasos intermedios antes de responder. Permite resolver problemas complejos con más precisión que una respuesta directa.

Cantidad máxima de tokens que un modelo puede procesar en una sola conversación. GPT-4 tiene 128K tokens de contexto; Llama 3 tiene 8K-128K según la versión. Más contexto = más documento puedes procesar de una vez.

Framework para crear equipos de agentes de IA con roles específicos. Un agente investiga, otro redacta, otro revisa — todos colaborando como un equipo humano. Ideal para flujos editoriales o de análisis.

Tarea programada que se ejecuta automáticamente en intervalos definidos (cada hora, todos los lunes a las 9am). En OpenClaw permite que el agente actúe sin intervención humana: resúmenes automáticos, alertas, etc.

Procesamiento de datos cerca del dispositivo donde se generan (tu móvil, una Raspberry Pi, un router) en lugar de enviarlos a la nube. Clave para IA offline con privacidad total.

Representación numérica (vector) de texto, imágenes o datos. Los embeddings capturan el significado semántico, permitiendo buscar textos similares. Son la base de sistemas RAG y búsqueda semántica.

Proceso de entrenamiento adicional sobre un modelo ya existente para adaptarlo a una tarea específica. Por ejemplo, afinar Llama 3 para que responda mejor en español o para código médico.

Tarjetas gráficas domésticas (RTX 3060, RTX 4060, RX 7600) que, sin ser profesionales, pueden ejecutar modelos de IA pequeños (7B-14B parámetros) localmente con quantización.

En IA, las GPU (tarjetas gráficas) son mucho más rápidas que las CPU para entrenar y ejecutar modelos gracias a su capacidad de procesamiento paralelo. Una GPU NVIDIA RTX 4090 puede ser 50x más rápida que una CPU para inferencia.

Porcentaje de respuestas de un modelo que contienen información falsa o inventada. Es una métrica clave para evaluar la fiabilidad de un LLM en entornos profesionales.

El proceso de usar un modelo entrenado para generar predicciones o respuestas. Cuando le haces una pregunta a ChatGPT, eso es inferencia. Es mucho menos costoso computacionalmente que el entrenamiento.

Framework de orquestación para construir aplicaciones con LLMs. Permite encadenar llamadas, gestionar memoria, conectar herramientas y crear agentes personalizados. Es el framework de agentes más popular.

Large Language Model. Modelo de lenguaje grande entrenado con enormes cantidades de texto. Es el cerebro detrás de asistentes como ChatGPT, Claude o GPT. Ejemplos: GPT-4, Llama 3, DeepSeek-R1.

Low-Rank Adaptation. Técnica eficiente de fine-tuning que entrena solo una pequeña parte del modelo en lugar de todos los parámetros. Reduce drásticamente el coste de adaptar un modelo a tus necesidades.

Ventana de contexto inmediata de un LLM, típicamente de 128K a 1M tokens. El modelo 'recuerda' la conversación reciente dentro de esta ventana. Cuando se llena, olvida lo más antiguo.

Sistema de almacenamiento persistente (bases de datos vectoriales, RAG, archivos de estado) que permite a un agente recordar información entre sesiones, conversaciones y reinicios.

Arquitectura donde el modelo tiene múltiples 'expertos' especializados y un router que decide cuál usar para cada token. Permite modelos muy grandes (como Mixtral 8x7B) que solo activan una fracción de parámetros a la vez, ahorrando recursos.

Plataforma de automatización low-code/open source. Permite construir flujos de trabajo visuales conectando APIs, servicios y modelos de IA mediante drag & drop. Ideal para no-programadores.

En IA, 'open source' suele referirse a modelos cuyos pesos se publican libremente (como Llama), mientras que 'código abierto' se refiere a software cuyo código fuente es accesible. No siempre son lo mismo: un modelo puede ser open weight pero no open source completo.

Coordinación de múltiples modelos, herramientas y flujos de trabajo de IA para que funcionen juntos. Frameworks como LangChain se especializan en orquestar prompts, memoria, herramientas y agentes.

Cuando un modelo aprende demasiado bien los datos de entrenamiento y pierde capacidad de generalizar. Funciona perfecto con lo conocido pero falla con datos nuevos. Es como memorizar un examen sin entender.

Número total de valores ajustables en un modelo. Un modelo de 7B tiene 7 mil millones de parámetros. Más parámetros suelen significar mayor capacidad, pero también más recursos necesarios.

Son los valores numéricos que un modelo de IA aprende durante el entrenamiento. Los pesos definen cómo el modelo transforma una entrada en una salida. Descargar un modelo implica descargar sus pesos.

Instrucción o texto de entrada que le das a un modelo de IA para que genere una respuesta. Escribir buenos prompts (prompt engineering) es clave para obtener resultados útiles.

Técnica para reducir el tamaño de un modelo usando menos precisión numérica (ej. Q4 en lugar de FP16). Un modelo quantizado ocupa menos memoria y es más rápido, con una pérdida mínima de calidad. Esencial para ejecutar modelos grandes en hardware modesto.

Técnica que combina un LLM con una base de documentos externa. El modelo busca información relevante antes de responder, reduciendo alucinaciones y proporcionando respuestas basadas en datos reales.

Reinforcement Learning from Human Feedback. Técnica de entrenamiento donde humanos evalúan respuestas del modelo para alinearlo con lo que consideramos útil y seguro. Es cómo ChatGPT se volvió tan 'amable'.

Arquitectura donde varios agentes de IA especializados colaboran, cada uno con un rol definido. Por ejemplo: un agente investigador alimenta a un redactor que entrega a un revisor.

Conjunto de instrucciones iniciales que define el rol, comportamiento y límites de un agente de IA. Es la 'personalidad' del asistente. En OpenClaw se configura con archivos AGENTS.md y SOUL.md.

Parámetro que controla la aleatoriedad de las respuestas de un LLM. Temperature baja (0.1) = respuestas más predecibles y precisas. Temperature alta (0.9) = respuestas más creativas y variadas.

Unidad básica de texto que procesa un LLM. Un token puede ser una palabra, parte de una palabra o incluso un carácter. 100 tokens equivalen aproximadamente a 75 palabras en español.

Arquitectura de red neuronal introducida en 2017 que revolucionó la IA. Es la base de prácticamente todos los LLMs modernos (GPT, BERT, Llama). Su mecanismo de atención permite entender el contexto del texto.

Memoria de video de la tarjeta gráfica (GPU). Determina qué tan grande puede ser el modelo que ejecutas. Un modelo de 7B en Q4 necesita ~4 GB de VRAM; uno de 70B necesita ~40 GB.

Mecanismo que envía datos automáticamente cuando ocurre un evento. Ejemplo: 'cuando alguien llene un formulario web, activa mi agente para que responda'. Es la base de la automatización reactiva en agentes.