La inteligencia artificial (IA) está transformando la realidad actual y creando un nuevo lenguaje para describir sus avances. Al leer sobre IA, es común encontrarse con términos como LLMs, RAG y RLHF, que pueden generar confusión incluso entre expertos. Este glosario busca aclarar esos conceptos, actualizándose regularmente a medida que el campo evoluciona.
La inteligencia general artificial, o AGI, es un término ambiguo que se refiere a sistemas de IA más capaces que el ser humano promedio en diversas tareas. Sam Altman, CEO de OpenAI, la describe como el “equivalente de un compañero de trabajo humano”. Según la carta de OpenAI, AGI son sistemas autónomos que superan a los humanos en trabajos económicamente valiosos. Google DeepMind tiene una visión ligeramente diferente, considerando AGI como IA que iguala a los humanos en tareas cognitivas. Esta diversidad de definiciones puede causar confusión incluso entre los investigadores más avanzados.
Un agente de IA es una herramienta que utiliza tecnologías de IA para realizar tareas en nombre del usuario, como gestionar gastos o reservar en restaurantes. No obstante, el término “agente de IA” puede variar en significado, y la infraestructura necesaria para estos sistemas aún se está desarrollando. La idea básica implica un sistema autónomo que puede combinar múltiples sistemas de IA para llevar a cabo tareas complejas.
Conceptos de IA
Los puntos finales de API funcionan como “botones” en un software que otros programas pueden presionar para ejecutar acciones. Los desarrolladores utilizan estas interfaces para crear integraciones, como permitir que una aplicación extraiga datos de otra. Con el avance de los agentes de IA, estos pueden encontrar y utilizar estos puntos finales de manera autónoma, abriendo posibilidades de automatización.
El razonamiento en cadena es un concepto en el contexto de IA que implica descomponer un problema en pasos intermedios para mejorar la calidad de la respuesta final. Aunque puede llevar más tiempo, este método generalmente produce respuestas más precisas, especialmente en programación y lógica. Los modelos de razonamiento han evolucionado a partir de modelos de lenguaje tradicionales, optimizados gracias al aprendizaje por refuerzo.
Un agente de codificación es un tipo de agente de IA que se especializa en el desarrollo de software. A diferencia de los modelos que solo sugieren código, estos agentes pueden escribir, probar y depurar código de forma autónoma, manejando el trabajo iterativo que normalmente consume tiempo a los desarrolladores. Estos sistemas pueden operar en bases de código completas, detectando errores y aplicando correcciones con mínima supervisión humana.
Profundizando en términos y técnicas
El término “cómputo” se refiere al poder computacional necesario para operar modelos de IA. Este poder permite entrenar y desplegar modelos avanzados, y se asocia con hardware como GPUs y CPUs. Los algoritmos de aprendizaje profundo, que utilizan estructuras de redes neuronales artificiales, permiten a los modelos de IA hacer correlaciones complejas, imitando el funcionamiento del cerebro humano.
Los modelos de aprendizaje profundo pueden identificar características en los datos sin necesidad de intervención humana, aprendiendo de los errores y mejorando sus resultados a través de repeticiones. Sin embargo, requieren grandes volúmenes de datos para ser efectivos y su entrenamiento puede ser costoso.
La difusión es la tecnología central en muchos modelos de IA generativa. Inspirada en la física, los sistemas de difusión “destruyen” la estructura de los datos mediante la adición de ruido, buscando aprender un proceso de “difusión inversa” para recuperar la información original. La destilación, por otro lado, es una técnica utilizada para extraer conocimiento de un modelo de IA grande mediante un modelo “maestro” que guía a un modelo “estudiante” para que aprenda a replicar su comportamiento.
Desafíos y oportunidades en IA
La alucinación, término usado en la industria de IA, se refiere a la generación de información incorrecta por parte de modelos de IA. Este fenómeno puede resultar en salidas engañosas que presenten riesgos en situaciones reales. Se considera que las alucinaciones surgen de brechas en los datos de entrenamiento, lo que está impulsando un enfoque hacia modelos de IA más especializados para reducir estos riesgos.
La inferencia es el proceso de ejecutar un modelo de IA para hacer predicciones basadas en datos previamente vistos. Este proceso depende de un entrenamiento previo que permite al modelo reconocer patrones. Diferentes tipos de hardware son capaces de realizar la inferencia, pero no todos lo hacen de manera eficiente, especialmente los modelos de gran tamaño.
Los modelos de lenguaje grandes (LLMs) son los utilizados por asistentes de IA populares, como ChatGPT y Claude. Estos modelos son redes neuronales profundas que aprenden relaciones entre palabras y frases, construyendo representaciones del lenguaje a partir de patrones en grandes volúmenes de texto.
La memoria caché es un proceso que optimiza la inferencia, ayudando a reducir el número de cálculos necesarios al guardar resultados de cálculos previos. Esto mejora la eficiencia y velocidad en la generación de respuestas. Con el avance de la tecnología, la creación de modelos de IA se vuelve cada vez más compleja, lo que requiere mejores estrategias de paralelización y optimización.
El término “RAMageddon” describe la escasez creciente de memoria de acceso aleatorio (RAM) en la industria tecnológica, lo que afecta a diversos sectores. Este aumento en la demanda de RAM para alimentar centros de datos de IA ha llevado a un encarecimiento generalizado de dicha memoria.
El aprendizaje por refuerzo es un método de entrenamiento de IA basado en recompensas por respuestas correctas, permitiendo que un modelo se adapte y mejore su comportamiento. Este enfoque ha demostrado ser efectivo para entrenar modelos en juegos y robótica, y se está utilizando para afinar la capacidad de razonamiento de los modelos de lenguaje grandes.
Los tokens son unidades básicas de comunicación entre humanos y máquinas, representando segmentos de datos procesados. A través de la tokenización, el texto se descompone en unidades que los modelos de lenguaje pueden procesar. El rendimiento se refiere a la cantidad de trabajo que un sistema puede realizar en un tiempo determinado, siendo crucial para la infraestructura de IA.
Conclusiones sobre la IA
El proceso de entrenamiento de modelos de aprendizaje automático implica alimentar datos para que el sistema identifique patrones. Este proceso puede ser costoso debido a los grandes volúmenes de datos requeridos. Se están explorando enfoques híbridos para optimizar costes sin empezar desde cero.
El aprendizaje por transferencia permite reutilizar un modelo previamente entrenado para facilitar el desarrollo de un nuevo modelo relacionado. Este enfoque puede ser eficiente, aunque tiene limitaciones y puede requerir más datos para un buen desempeño en su área específica.
Los pesos son fundamentales en el entrenamiento de IA, determinando la importancia de diferentes características en los datos. A medida que el modelo se entrena, los pesos se ajustan para optimizar la salida, lo que es crucial para tareas como la predicción de precios de viviendas.
La pérdida de validación es un indicador clave que ayuda a los investigadores a evaluar el aprendizaje del modelo durante el entrenamiento, con el objetivo de evitar el sobreajuste. Monitorear esta métrica es esencial para garantizar que el modelo no solo memorice, sino que también generalice correctamente.
Este artículo se actualiza regularmente con nueva información.
