# Diccionario de IA · Aula AIAO Revisado el 5 de noviembre de 2026 Definiciones y ejemplos originales de AIAO, contrastados con documentación de los creadores, organismos públicos y publicaciones de investigación. Cada ficha enlaza una referencia para profundizar. El vocabulario básico de TERMCAT orienta las denominaciones catalanas que recoge. Para otros conceptos ofrecemos equivalentes explicativos: no presentamos toda la guía como terminología normalizada. ## Agente de IA ES: Agente de IA · CA: Agent d'IA · EN: AI agent Sistema que usa un modelo para decidir pasos y utilizar herramientas con las que avanzar hacia un objetivo. **Con un ejemplo se entiende mejor** Puede buscar cursos y compararlos; inscribirte o pagar requiere permisos y controles aparte. Sigue el hilo: Llamada a herramientas, Supervisión humana Para ampliar y contrastar: [Anthropic · Building effective agents](https://www.anthropic.com/research/building-effective-agents) ## Ajuste fino ES: Ajuste fino · CA: Afinament · EN: Fine-tuning Entrenamiento adicional de un modelo existente para adaptarlo a una tarea o dominio. Modifica parámetros, a diferencia de un prompt. **Con un ejemplo se entiende mejor** Entrenas con ejemplos revisados del estilo de tu organización; añadir un documento al chat no es lo mismo. Sigue el hilo: Prompt o instrucción, Generación aumentada por recuperación (RAG) Para ampliar y contrastar: [Hugging Face · Fine-tuning](https://huggingface.co/docs/transformers/en/training) ## Alfabetización en IA ES: Alfabetización en IA · CA: Alfabetització en IA · EN: AI literacy Conocimientos y habilidades para comprender, usar y evaluar la IA con criterio, atendiendo a sus posibilidades y riesgos. **Con un ejemplo se entiende mejor** No consiste en memorizar 120 palabras: consiste en saber qué preguntar, qué comprobar y cuándo pedir ayuda. Sigue el hilo: Evaluación de IA, Supervisión humana Para ampliar y contrastar: [Comisión Europea · AI literacy: questions and answers](https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers) ## Algoritmo ES: Algoritmo · CA: Algorisme · EN: Algorithm Secuencia definida de pasos para resolver una tarea. Puede existir sin IA y sin aprendizaje automático. **Con un ejemplo se entiende mejor** Ordenar los cursos por fecha sigue un algoritmo; no todo botón listo lleva una IA dentro. Sigue el hilo: Modelo de IA, Entrenamiento Para ampliar y contrastar: [IBM · Machine learning](https://www.ibm.com/think/topics/machine-learning) ## Alineación de IA ES: Alineación de IA · CA: Alineació de la IA · EN: AI alignment Trabajo para orientar sistemas hacia objetivos, valores y restricciones deseados, comprobando diferencias entre intención y comportamiento. **Con un ejemplo se entiende mejor** No basta con que un asistente consiga una tarea: también importa cómo la consigue y qué efectos produce. Sigue el hilo: Aprendizaje por refuerzo, Pruebas adversarias Para ampliar y contrastar: [IBM · AI alignment](https://www.ibm.com/think/topics/ai-alignment) ## Alucinación de IA ES: Alucinación de IA · CA: Al·lucinació d'IA · EN: AI hallucination Respuesta que presenta información falsa, inventada o sin respaldo como si fuera válida, aunque resulte convincente. **Con un ejemplo se entiende mejor** El asistente cita un curso que nunca existió. Que le ponga nombre y horario no lo convierte en real. Sigue el hilo: Fundamentación en fuentes, Evaluación de IA Para ampliar y contrastar: [IBM · AI hallucinations](https://www.ibm.com/think/topics/ai-hallucinations) ## Ampliación generativa ES: Ampliación generativa · CA: Ampliació generativa · EN: Outpainting Generación de contenido fuera de los límites originales de una imagen para ampliar su encuadre. **Con un ejemplo se entiende mejor** Conviertes una foto cuadrada en una cabecera ancha inventando los laterales; esos laterales no documentan la escena original. Sigue el hilo: Relleno generativo de una zona, Procedencia del contenido Para ampliar y contrastar: [Hugging Face · Outpainting](https://huggingface.co/docs/diffusers/en/advanced_inference/outpaint) ## Anonimización ES: Anonimización · CA: Anonimització · EN: Anonymisation Transformación que evita identificar razonablemente a personas en los datos. Borrar solo el nombre no siempre basta. **Con un ejemplo se entiende mejor** Una combinación única de edad, localidad y cargo puede revelar quién es alguien; revisa también esos detalles. Sigue el hilo: Seudonimización, Datos personales Para ampliar y contrastar: [AEPD · ¿Los datos anonimizados son datos personales?](https://www.aepd.es/preguntas-frecuentes/0-conceptos-basicos/FAQ-0005-sobre-los-datos-anonimizados) ## Anotación de datos ES: Anotación de datos · CA: Anotació de dades · EN: Data annotation Proceso de añadir información a los datos, como etiquetas, transcripciones o zonas señaladas de una imagen. **Con un ejemplo se entiende mejor** Dibujar un recuadro alrededor de cada bicicleta es anotar las imágenes, no retocar su color. Sigue el hilo: Etiqueta, Visión artificial Para ampliar y contrastar: [IBM · Data labeling](https://www.ibm.com/think/topics/data-labeling) ## Aprendizaje automático ES: Aprendizaje automático · CA: Aprenentatge automàtic · EN: Machine learning (ML) Técnicas que ajustan un modelo a partir de datos para que resuelva tareas con nuevos casos. **Con un ejemplo se entiende mejor** En lugar de escribir todas las reglas del spam, entrenas con correos ya clasificados. Sigue el hilo: Entrenamiento, Aprendizaje supervisado Para ampliar y contrastar: [IBM · Machine learning](https://www.ibm.com/think/topics/machine-learning) ## Aprendizaje autosupervisado ES: Aprendizaje autosupervisado · CA: Aprenentatge autosupervisat · EN: Self-supervised learning Aprendizaje que obtiene señales de entrenamiento de los propios datos, sin etiquetar manualmente cada respuesta. **Con un ejemplo se entiende mejor** Ocultas una parte de un texto y entrenas al modelo para predecirla a partir del resto. Sigue el hilo: Gran modelo de lenguaje (LLM), Entrenamiento Para ampliar y contrastar: [IBM · Self-supervised learning](https://www.ibm.com/think/topics/self-supervised-learning) ## Aprendizaje no supervisado ES: Aprendizaje no supervisado · CA: Aprenentatge no supervisat · EN: Unsupervised learning Búsqueda de estructuras o agrupaciones en datos sin respuestas objetivo etiquetadas para cada ejemplo. **Con un ejemplo se entiende mejor** Agrupas comentarios parecidos para descubrir temas; nadie ha indicado antes qué grupo corresponde a cada comentario. Sigue el hilo: Aprendizaje supervisado, Representación vectorial Para ampliar y contrastar: [IBM · Unsupervised learning](https://www.ibm.com/think/topics/unsupervised-learning) ## Aprendizaje por refuerzo ES: Aprendizaje por refuerzo · CA: Aprenentatge per reforç · EN: Reinforcement learning (RL) Aprendizaje de decisiones mediante interacción con un entorno y señales de recompensa que valoran sus resultados. **Con un ejemplo se entiende mejor** Un agente practica en un juego y recibe puntos por alcanzar la meta, no por decir que ha llegado. Sigue el hilo: Agente de IA, Alineación de IA Para ampliar y contrastar: [IBM · Reinforcement learning](https://www.ibm.com/think/topics/reinforcement-learning) ## Aprendizaje por transferencia ES: Aprendizaje por transferencia · CA: Aprenentatge per transferència · EN: Transfer learning Reutilización de lo aprendido en una tarea para facilitar otra, en vez de comenzar completamente desde cero. **Con un ejemplo se entiende mejor** Partes de un modelo que reconoce formas y lo adaptas para distinguir tipos de plantas. Sigue el hilo: Ajuste fino, Modelo fundacional Para ampliar y contrastar: [Hugging Face · Fine-tuning](https://huggingface.co/docs/transformers/en/training) ## Aprendizaje profundo ES: Aprendizaje profundo · CA: Aprenentatge profund · EN: Deep learning Aprendizaje automático con redes neuronales de muchas capas que construyen representaciones cada vez más complejas. **Con un ejemplo se entiende mejor** Una red puede combinar bordes, formas y otros patrones para reconocer una bicicleta en una foto. Sigue el hilo: Red neuronal, Visión artificial Para ampliar y contrastar: [IBM · Deep learning](https://www.ibm.com/think/topics/deep-learning) ## Aprendizaje supervisado ES: Aprendizaje supervisado · CA: Aprenentatge supervisat · EN: Supervised learning Entrenamiento con ejemplos que incluyen la respuesta de referencia que el modelo debe aprender a predecir. **Con un ejemplo se entiende mejor** Cada mensaje de práctica viene marcado como «consulta» o «incidencia». Sigue el hilo: Etiqueta, Aprendizaje no supervisado Para ampliar y contrastar: [IBM · Supervised learning](https://www.ibm.com/think/topics/supervised-learning) ## Atención ES: Atención · CA: Atenció · EN: Attention Mecanismo que pondera la relevancia de distintas partes de la entrada al calcular una representación. No implica conciencia. **Con un ejemplo se entiende mejor** En «la taza junto al libro está rota», las relaciones entre palabras ayudan a interpretar qué está roto. Sigue el hilo: Transformer, Ventana de contexto Para ampliar y contrastar: [Vaswani et al. · Attention Is All You Need](https://arxiv.org/abs/1706.03762) ## Aumento de datos ES: Aumento de datos · CA: Augment de dades · EN: Data augmentation Creación de variantes de ejemplos existentes para ampliar la diversidad del entrenamiento, conservando lo relevante para la tarea. **Con un ejemplo se entiende mejor** Cambias ligeramente el brillo de fotos de tazas; sigues teniendo tazas, no nuevos tipos de vajilla. Sigue el hilo: Datos sintéticos, Sobreajuste Para ampliar y contrastar: [IBM · Data augmentation](https://www.ibm.com/think/topics/data-augmentation) ## Base de conocimiento ES: Base de conocimiento · CA: Base de coneixement · EN: Knowledge base Colección organizada de información para consultar o reutilizar. Puede alimentar un asistente sin reentrenar su modelo. **Con un ejemplo se entiende mejor** Reúnes guías, preguntas frecuentes y programas vigentes del Aula en un lugar mantenido y revisado. Sigue el hilo: Generación aumentada por recuperación (RAG), Calidad de los datos Para ampliar y contrastar: [Amazon Web Services · Knowledge bases for Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) ## Base de datos vectorial ES: Base de datos vectorial · CA: Base de dades vectorial · EN: Vector database Sistema que almacena e indexa vectores para localizar elementos similares de forma eficiente. **Con un ejemplo se entiende mejor** Guardas representaciones de lecciones para recuperar las más cercanas a la pregunta de una persona. Sigue el hilo: Representación vectorial, Búsqueda semántica Para ampliar y contrastar: [IBM · Vector databases](https://www.ibm.com/think/topics/vector-database) ## Búsqueda semántica ES: Búsqueda semántica · CA: Cerca semàntica · EN: Semantic search Búsqueda que considera relaciones de significado, más allá de coincidir exactamente con las palabras escritas. **Con un ejemplo se entiende mejor** Buscar «hacer una foto más ancha» puede devolver una explicación de ampliación generativa. Sigue el hilo: Representación vectorial, Reordenación de resultados Para ampliar y contrastar: [IBM · Vector databases](https://www.ibm.com/think/topics/vector-database) ## Caché de contexto ES: Caché de contexto · CA: Memòria cau de context · EN: Prompt caching Reutilización del procesamiento de partes repetidas de una entrada para reducir trabajo, según las condiciones del servicio. **Con un ejemplo se entiende mejor** Varias consultas comparten las mismas instrucciones largas; la caché puede evitar recalcularlas, sin convertirse en memoria personal. Sigue el hilo: Ventana de contexto, Memoria del asistente Para ampliar y contrastar: [Anthropic · Prompt caching](https://platform.claude.com/docs/en/build-with-claude/prompt-caching) ## Calidad de los datos ES: Calidad de los datos · CA: Qualitat de les dades · EN: Data quality Grado en que los datos son adecuados para su uso: correctos, completos, coherentes y suficientemente actuales. **Con un ejemplo se entiende mejor** Una lista con cursos duplicados y fechas antiguas no mejora por meterla en una IA. Sigue el hilo: Conjunto de datos, Sesgo de IA Para ampliar y contrastar: [IBM · Data quality](https://www.ibm.com/think/topics/data-quality) ## Capacidad de procesamiento ES: Capacidad de procesamiento · CA: Capacitat de processament · EN: Throughput Cantidad de trabajo procesado por unidad de tiempo, como solicitudes o tokens por segundo. **Con un ejemplo se entiende mejor** Un servicio puede atender muchas peticiones por minuto aunque cada una tarde varios segundos. Sigue el hilo: Latencia, Límite de solicitudes Para ampliar y contrastar: [Hugging Face · Inference optimisation](https://huggingface.co/docs/transformers/en/optimization_overview) ## Característica de entrada ES: Característica de entrada · CA: Característica d'entrada · EN: Feature Propiedad que un modelo utiliza para hacer una predicción; puede medirse directamente o extraerse de otros datos. **Con un ejemplo se entiende mejor** Para estimar la duración de una clase, el número de ejercicios podría ser una característica. Sigue el hilo: Etiqueta, Conjunto de datos Para ampliar y contrastar: [IBM · Supervised learning](https://www.ibm.com/think/topics/supervised-learning) ## Clave de API ES: Clave de API · CA: Clau d'API · EN: API key Credencial que identifica o autoriza el uso de un servicio. Debe protegerse porque puede permitir acceso o generar consumo. **Con un ejemplo se entiende mejor** No pegues una clave real en el código público de una página; guárdala en el entorno seguro de la aplicación. Sigue el hilo: Interfaz de programación (API), Privacidad de los datos Para ampliar y contrastar: [Anthropic · API keys and authentication](https://platform.claude.com/docs/en/get-api-key) ## Conector ES: Conector · CA: Connector · EN: Connector Integración que enlaza una aplicación de IA con otro servicio, sujeta a las funciones y permisos concedidos. **Con un ejemplo se entiende mejor** Conectar una carpeta de apuntes no debería abrir automáticamente tus carpetas personales. Sigue el hilo: Protocolo de contexto de modelos (MCP), Privacidad de los datos Para ampliar y contrastar: [Model Context Protocol · What is MCP?](https://modelcontextprotocol.io/docs/getting-started/intro) ## Conjunto de datos ES: Conjunto de datos · CA: Conjunt de dades · EN: Dataset Colección organizada de ejemplos que se utiliza para analizar, entrenar o evaluar un sistema. **Con un ejemplo se entiende mejor** Una carpeta de fotos con una tabla de descripciones puede formar un conjunto de datos. Sigue el hilo: Etiqueta, Calidad de los datos Para ampliar y contrastar: [Gebru et al. · Datasheets for Datasets](https://arxiv.org/abs/1803.09010) ## Credenciales de contenido ES: Credenciales de contenido · CA: Credencials de contingut · EN: Content Credentials Información de procedencia vinculada mediante mecanismos criptográficos, siguiendo estándares como C2PA. No certifica que una escena sea verdadera. **Con un ejemplo se entiende mejor** Un historial firmado puede mostrar que la imagen se editó; la ausencia de credenciales tampoco demuestra falsedad. Sigue el hilo: Procedencia del contenido, Marca de agua Para ampliar y contrastar: [C2PA · Content Credentials explainer](https://spec.c2pa.org/specifications/specifications/2.3/explainer/Explainer.html) ## Cuantización ES: Cuantización · CA: Quantització · EN: Quantization Representación de valores del modelo con menor precisión numérica para reducir recursos, con posibles cambios en calidad. **Con un ejemplo se entiende mejor** Una versión de pocos bits puede caber en tu equipo; comprueba sus resultados antes de darla por equivalente. Sigue el hilo: Modelo local, Destilación de conocimiento Para ampliar y contrastar: [Hugging Face · Quantization](https://huggingface.co/docs/transformers/en/main_classes/quantization) ## Datos de entrenamiento ES: Datos de entrenamiento · CA: Dades d'entrenament · EN: Training data Ejemplos usados para ajustar el modelo. Su variedad, calidad y procedencia influyen en lo que aprende. **Con un ejemplo se entiende mejor** Si entrenas un lector solo con letra impresa, la letra manuscrita puede darle un buen susto. Sigue el hilo: Datos de prueba, Calidad de los datos Para ampliar y contrastar: [scikit-learn · Cross-validation and held-out data](https://scikit-learn.org/stable/modules/cross_validation.html) ## Datos de prueba ES: Datos de prueba · CA: Dades de prova · EN: Test data Ejemplos separados del desarrollo para estimar el rendimiento final. Consultarlos repetidamente puede contaminar esa estimación. **Con un ejemplo se entiende mejor** Es el examen reservado, no la hoja de respuestas con la que has preparado cada ajuste. Sigue el hilo: Datos de validación, Evaluación de IA Para ampliar y contrastar: [scikit-learn · Cross-validation and held-out data](https://scikit-learn.org/stable/modules/cross_validation.html) ## Datos de validación ES: Datos de validación · CA: Dades de validació · EN: Validation data Ejemplos reservados para comparar configuraciones durante el desarrollo, sin usarlos directamente para ajustar los pesos. **Con un ejemplo se entiende mejor** Comparas dos versiones del detector con la validación y guardas la prueba final para el final. Sigue el hilo: Datos de prueba, Hiperparámetro Para ampliar y contrastar: [scikit-learn · Cross-validation and held-out data](https://scikit-learn.org/stable/modules/cross_validation.html) ## Datos personales ES: Datos personales · CA: Dades personals · EN: Personal data Información que identifica o permite identificar a una persona, por sí sola o combinada con otros datos. **Con un ejemplo se entiende mejor** Un nombre, una dirección o una combinación de detalles puede identificar a alguien aunque no aparezca su DNI. Sigue el hilo: Privacidad de los datos, Anonimización Para ampliar y contrastar: [AEPD · ¿Qué son los datos personales?](https://www.aepd.es/preguntas-frecuentes/2-tus-obligaciones-como-responsable-del-tratamiento/2-aplicacion-de-la-normativa/FAQ-0241-que-son-los-datos-personales) ## Datos sintéticos ES: Datos sintéticos · CA: Dades sintètiques · EN: Synthetic data Datos creados artificialmente para simular ejemplos. No son automáticamente correctos, representativos ni anónimos. **Con un ejemplo se entiende mejor** Inventas pedidos de una tienda ficticia para probar una pantalla sin usar clientes reales. Sigue el hilo: Privacidad de los datos, Calidad de los datos Para ampliar y contrastar: [IBM · Synthetic data](https://www.ibm.com/think/topics/synthetic-data) ## Derechos de autor ES: Derechos de autor · CA: Drets d'autor · EN: Copyright Derechos que protegen obras y regulan determinados usos. La protección y las excepciones dependen del contexto y la normativa aplicable. **Con un ejemplo se entiende mejor** Encontrar una ilustración en internet no implica permiso para ponerla en un curso; comprueba quién permite qué. Sigue el hilo: Licencia de uso, Procedencia del contenido Para ampliar y contrastar: [World Intellectual Property Organization · Copyright](https://www.wipo.int/en/web/copyright) ## Destilación de conocimiento ES: Destilación de conocimiento · CA: Destil·lació de coneixement · EN: Knowledge distillation Entrenamiento de un modelo para imitar comportamientos de otro, a menudo para conseguir una versión más pequeña. **Con un ejemplo se entiende mejor** Un modelo compacto aprende de respuestas de uno mayor; hay que comprobar qué capacidades conserva. Sigue el hilo: Cuantización, Evaluación de IA Para ampliar y contrastar: [IBM · Knowledge distillation](https://www.ibm.com/think/topics/knowledge-distillation) ## Entrenamiento ES: Entrenamiento · CA: Entrenament · EN: Training Proceso que ajusta los parámetros de un modelo usando datos y un objetivo de aprendizaje. **Con un ejemplo se entiende mejor** Mostrar muchos ejemplos etiquetados ayuda a ajustar el detector; utilizarlo después es otra fase. Sigue el hilo: Parámetro del modelo, Inferencia Para ampliar y contrastar: [IBM · Machine learning](https://www.ibm.com/think/topics/machine-learning) ## Envenenamiento de datos ES: Envenenamiento de datos · CA: Enverinament de dades · EN: Data poisoning Manipulación intencionada de datos usados por un sistema para alterar su comportamiento, introducir sesgos o crear vulnerabilidades. **Con un ejemplo se entiende mejor** Alguien añade ejemplos falsos al material de entrenamiento para que el clasificador aprenda una asociación incorrecta. Sigue el hilo: Datos de entrenamiento, Inyección de instrucciones Para ampliar y contrastar: [OWASP · Data and model poisoning](https://genai.owasp.org/llmrisk/llm042025-data-and-model-poisoning/) ## Época de entrenamiento ES: Época de entrenamiento · CA: Època d'entrenament · EN: Epoch Una pasada completa por el conjunto de entrenamiento. Más épocas no garantizan mejores resultados con datos nuevos. **Con un ejemplo se entiende mejor** Tres épocas recorren tres veces los ejemplos; repetir sin control también puede producir sobreajuste. Sigue el hilo: Lote de entrenamiento, Sobreajuste Para ampliar y contrastar: [Hugging Face · Fine-tuning](https://huggingface.co/docs/transformers/en/training) ## Etiqueta ES: Etiqueta · CA: Etiqueta · EN: Label Respuesta o categoría asignada a un ejemplo, utilizada como referencia en tareas de aprendizaje supervisado. **Con un ejemplo se entiende mejor** En una foto de una taza, «taza» puede ser la etiqueta correcta. Sigue el hilo: Anotación de datos, Aprendizaje supervisado Para ampliar y contrastar: [IBM · Data labeling](https://www.ibm.com/think/topics/data-labeling) ## Evaluación de IA ES: Evaluación de IA · CA: Avaluació d'IA · EN: AI evaluation Comprobación sistemática de calidad, fallos y adecuación de un sistema mediante casos, criterios y métricas definidos. **Con un ejemplo se entiende mejor** Pruebas diez preguntas frecuentes y revisas contenido, fuentes y tono; «me ha gustado» no es el único criterio. Sigue el hilo: Prueba de referencia, Supervisión humana Para ampliar y contrastar: [Anthropic · Define success criteria and build evaluations](https://platform.claude.com/docs/en/test-and-evaluate/develop-tests) ## Evasión de salvaguardas ES: Evasión de salvaguardas · CA: Evasió de salvaguardes · EN: Jailbreak Intento de conseguir que un modelo ignore sus límites de seguridad o de comportamiento. **Con un ejemplo se entiende mejor** Presentar una petición prohibida como un juego no elimina el riesgo de lo que se está solicitando. Sigue el hilo: Inyección de instrucciones, Pruebas adversarias Para ampliar y contrastar: [OWASP · LLM prompt injection prevention](https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html) ## Exactitud ES: Exactitud · CA: Exactitud · EN: Accuracy Proporción de predicciones correctas entre todas las realizadas. Puede ocultar malos resultados en categorías poco frecuentes. **Con un ejemplo se entiende mejor** Acertar 90 de 100 da un 90 %; todavía falta saber en qué diez casos falla. Sigue el hilo: Precisión, Exhaustividad o sensibilidad Para ampliar y contrastar: [scikit-learn · Accuracy score](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html) ## Exhaustividad o sensibilidad ES: Exhaustividad o sensibilidad · CA: Exhaustivitat o sensibilitat · EN: Recall Proporción de los positivos reales que el sistema consigue detectar, para la categoría evaluada. **Con un ejemplo se entiende mejor** Hay veinte mensajes de spam y detecta quince: la exhaustividad es del 75 %. Sigue el hilo: Precisión, Puntuación F1 Para ampliar y contrastar: [scikit-learn · Classification metrics](https://scikit-learn.org/stable/modules/model_evaluation.html#precision-recall-f-measure-metrics) ## Explicabilidad ES: Explicabilidad · CA: Explicabilitat · EN: Explainability Capacidad de ofrecer información comprensible sobre cómo o por qué un sistema produce resultados. Una explicación generada puede ser inexacta. **Con un ejemplo se entiende mejor** Pides qué factores influyeron en una clasificación y contrastas la explicación con métodos de análisis, no solo con su relato. Sigue el hilo: Evaluación de IA, Supervisión humana Para ampliar y contrastar: [IBM · Explainable AI](https://www.ibm.com/think/topics/explainable-ai) ## Ficha del conjunto de datos ES: Ficha del conjunto de datos · CA: Fitxa del conjunt de dades · EN: Dataset datasheet Documentación sobre la creación, composición, recogida, usos y limitaciones de un conjunto de datos. **Con un ejemplo se entiende mejor** La ficha explica de dónde salen las grabaciones, cómo se seleccionaron y para qué se pueden utilizar. Sigue el hilo: Conjunto de datos, Procedencia del contenido Para ampliar y contrastar: [Gebru et al. · Datasheets for Datasets](https://arxiv.org/abs/1803.09010) ## Ficha del modelo ES: Ficha del modelo · CA: Fitxa del model · EN: Model card Documento que describe un modelo, sus usos previstos, evaluación, limitaciones y otros datos relevantes. **Con un ejemplo se entiende mejor** Antes de elegir un modelo para catalán, revisa qué idiomas se evaluaron y con qué resultados. Sigue el hilo: Evaluación de IA, Licencia de uso Para ampliar y contrastar: [Hugging Face · Model cards](https://huggingface.co/docs/hub/en/model-cards) ## Flujo de trabajo con IA ES: Flujo de trabajo con IA · CA: Flux de treball amb IA · EN: AI workflow Secuencia de pasos que combina modelos, herramientas y reglas. Puede seguir un recorrido fijo sin ser un agente autónomo. **Con un ejemplo se entiende mejor** Primero resume, después traduce y finalmente pide revisión: tres pasos definidos, no libertad total. Sigue el hilo: Orquestación, Agente de IA Para ampliar y contrastar: [Anthropic · Building effective agents](https://www.anthropic.com/research/building-effective-agents) ## Fragmentación de documentos ES: Fragmentación de documentos · CA: Fragmentació de documents · EN: Chunking División de documentos en partes manejables para recuperarlas o procesarlas, procurando conservar suficiente contexto. **Con un ejemplo se entiende mejor** Divides un manual por apartados; evitas separar una condición de la excepción que viene justo después. Sigue el hilo: Recuperación de información, Ventana de contexto Para ampliar y contrastar: [IBM · Retrieval augmented generation](https://www.ibm.com/think/topics/retrieval-augmented-generation) ## Fundamentación en fuentes ES: Fundamentación en fuentes · CA: Fonamentació en fonts · EN: Grounding Vinculación de una respuesta a información de referencia verificable para reducir afirmaciones sin respaldo. **Con un ejemplo se entiende mejor** Pides que cada horario se apoye en el programa publicado. Una cita decorativa no basta: debe respaldar el dato. Sigue el hilo: Generación aumentada por recuperación (RAG), Alucinación de IA Para ampliar y contrastar: [Google Cloud · Generative AI glossary](https://docs.cloud.google.com/docs/ai-ml/generative-ai/glossary) ## Generación aumentada por recuperación (RAG) ES: Generación aumentada por recuperación (RAG) · CA: Generació augmentada per recuperació (RAG) · EN: Retrieval-augmented generation (RAG) Técnica que recupera información externa y la aporta al modelo para preparar una respuesta contextualizada. **Con un ejemplo se entiende mejor** El asistente busca primero en el programa vigente del Aula y luego responde; aún hay que revisar la respuesta. Sigue el hilo: Recuperación de información, Fundamentación en fuentes Para ampliar y contrastar: [IBM · Retrieval augmented generation](https://www.ibm.com/think/topics/retrieval-augmented-generation) ## Generación de texto a imagen ES: Generación de texto a imagen · CA: Generació de text a imatge · EN: Text-to-image generation Creación de imágenes guiada por una descripción escrita, con resultados que deben revisarse frente al encargo. **Con un ejemplo se entiende mejor** Pides una biblioteca luminosa para una portada; revisa si las letras del cartel son realmente legibles. Sigue el hilo: Modelo de difusión, Prompt o instrucción Para ampliar y contrastar: [Hugging Face · Text-to-image](https://huggingface.co/docs/diffusers/en/using-diffusers/conditional_image_generation) ## Grafo de conocimiento ES: Grafo de conocimiento · CA: Graf de coneixement · EN: Knowledge graph Representación de entidades y sus relaciones, útil para recorrer conexiones explícitas entre conceptos o datos. **Con un ejemplo se entiende mejor** «Curso → contiene → lección» y «lección → explica → RAG» forman conexiones que se pueden consultar. Sigue el hilo: Base de conocimiento, Recuperación de información Para ampliar y contrastar: [IBM · Knowledge graph](https://www.ibm.com/think/topics/knowledge-graph) ## Gran modelo de lenguaje (LLM) ES: Gran modelo de lenguaje (LLM) · CA: Model de llenguatge gran (MLG) · EN: Large language model (LLM) Modelo de gran escala entrenado para procesar y generar lenguaje. Una respuesta fluida no demuestra que sea cierta. **Con un ejemplo se entiende mejor** Te ayuda a redactar la descripción de un curso; tú compruebas que no se invente sus contenidos. Sigue el hilo: Alucinación de IA, Token Para ampliar y contrastar: [IBM · Large language models](https://www.ibm.com/think/topics/large-language-models) ## Hiperparámetro ES: Hiperparámetro · CA: Hiperparàmetre · EN: Hyperparameter Configuración que guía el entrenamiento o la arquitectura y que no se aprende como un peso normal. **Con un ejemplo se entiende mejor** La tasa de aprendizaje controla el tamaño de los ajustes: cambiarla puede mejorar o empeorar el entrenamiento. Sigue el hilo: Parámetro del modelo, Época de entrenamiento Para ampliar y contrastar: [IBM · Hyperparameter tuning](https://www.ibm.com/think/topics/hyperparameter-tuning) ## IA de código abierto ES: IA de código abierto · CA: IA de codi obert · EN: Open-source AI IA distribuida con libertades de uso, estudio, modificación y redistribución y los elementos necesarios para ejercerlas, según la definición aplicable. **Con un ejemplo se entiende mejor** Que puedas descargar un modelo no basta para llamarlo de código abierto: revisa componentes y licencia. Sigue el hilo: Pesos abiertos, Licencia de uso Para ampliar y contrastar: [Open Source Initiative · The Open Source AI Definition 1.0](https://opensource.org/ai/open-source-ai-definition) ## IA generativa ES: IA generativa · CA: IA generativa · EN: Generative AI IA que produce texto, imágenes, audio u otros contenidos a partir de patrones aprendidos y entradas recibidas. **Con un ejemplo se entiende mejor** Pides tres títulos para tu taller y obtienes propuestas nuevas; después toca elegir y revisar. Sigue el hilo: Prompt o instrucción, Alucinación de IA Para ampliar y contrastar: [IBM · Artificial intelligence](https://www.ibm.com/think/topics/artificial-intelligence) ## Inferencia ES: Inferencia · CA: Inferència · EN: Inference Uso de un modelo ya entrenado para producir una salida a partir de una entrada. **Con un ejemplo se entiende mejor** Cada vez que el modelo resume tu texto está haciendo inferencia, no necesariamente aprendiendo de esa conversación. Sigue el hilo: Entrenamiento, Latencia Para ampliar y contrastar: [IBM · AI inference](https://www.ibm.com/think/topics/ai-inference) ## Ingeniería de prompts ES: Ingeniería de prompts · CA: Enginyeria d'indicacions · EN: Prompt engineering Diseño y revisión de peticiones para obtener resultados más útiles y comprobables, mediante pruebas y ajustes. **Con un ejemplo se entiende mejor** Pasas de «hazlo bonito» a explicar público, formato y criterios. Menos telepatía, más contexto. Sigue el hilo: Prompt o instrucción, Petición sin ejemplos Para ampliar y contrastar: [Anthropic · Prompt engineering overview](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview) ## Instrucción de sistema ES: Instrucción de sistema · CA: Instrucció de sistema · EN: System prompt Instrucción de la aplicación que establece el comportamiento general del asistente. No sustituye los controles de permisos. **Con un ejemplo se entiende mejor** El asistente del Aula recibe pautas de tono; el acceso a datos se limita también en el sistema. Sigue el hilo: Inyección de instrucciones, Salvaguardas Para ampliar y contrastar: [Anthropic · Prompt engineering overview](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview) ## Inteligencia artificial (IA) ES: Inteligencia artificial (IA) · CA: Intel·ligència artificial (IA) · EN: Artificial intelligence (AI) Campo que desarrolla sistemas capaces de realizar tareas como reconocer patrones, interpretar lenguaje o tomar decisiones. **Con un ejemplo se entiende mejor** Un filtro que detecta mensajes sospechosos usa IA; no necesita tener conciencia para hacerlo. Sigue el hilo: Aprendizaje automático, IA generativa Para ampliar y contrastar: [IBM · Artificial intelligence](https://www.ibm.com/think/topics/artificial-intelligence) ## Interfaz de programación (API) ES: Interfaz de programación (API) · CA: Interfície de programació (API) · EN: Application programming interface (API) Conjunto de reglas y funciones mediante el cual un programa solicita servicios o datos a otro. **Con un ejemplo se entiende mejor** La web consulta una API para obtener cursos disponibles sin copiar manualmente toda la información. Sigue el hilo: Punto de acceso de una API, Clave de API Para ampliar y contrastar: [MDN Web Docs · API](https://developer.mozilla.org/en-US/docs/Glossary/API) ## Inyección de instrucciones ES: Inyección de instrucciones · CA: Injecció d'instruccions · EN: Prompt injection Ataque que introduce instrucciones maliciosas en entradas o contenidos consultados para desviar el comportamiento de un sistema de IA. **Con un ejemplo se entiende mejor** Un documento consultado intenta dar órdenes al asistente. El documento es información, no quien manda. Sigue el hilo: Instrucción de sistema, Salvaguardas Para ampliar y contrastar: [OWASP · Prompt injection](https://genai.owasp.org/glossary/prompt-injection/) ## Latencia ES: Latencia · CA: Latència · EN: Latency Tiempo que tarda una operación en responder. En generación conviene distinguir el inicio de la respuesta y su finalización. **Con un ejemplo se entiende mejor** Las primeras palabras aparecen pronto, pero el texto completo tarda más: son dos medidas distintas. Sigue el hilo: Respuesta en flujo, Capacidad de procesamiento Para ampliar y contrastar: [IBM · AI inference](https://www.ibm.com/think/topics/ai-inference) ## Licencia de uso ES: Licencia de uso · CA: Llicència d'ús · EN: Licence Condiciones que conceden determinados permisos sobre un recurso. Pueden exigir atribución o limitar modificaciones y usos comerciales. **Con un ejemplo se entiende mejor** Revisa por separado la licencia del modelo, la de sus datos y la de las imágenes que publiques. Sigue el hilo: IA de código abierto, Derechos de autor Para ampliar y contrastar: [Creative Commons · CC licences](https://creativecommons.org/cc-licenses/) ## Límite de solicitudes ES: Límite de solicitudes · CA: Límit de sol·licituds · EN: Rate limit Restricción de solicitudes o cantidad de datos procesados durante un periodo. Es distinta del saldo o presupuesto disponible. **Con un ejemplo se entiende mejor** Aunque tengas saldo, demasiadas peticiones seguidas pueden obligarte a esperar y reintentar de forma controlada. Sigue el hilo: Interfaz de programación (API), Capacidad de procesamiento Para ampliar y contrastar: [Anthropic · Rate limits](https://platform.claude.com/docs/en/api/rate-limits) ## Llamada a herramientas ES: Llamada a herramientas · CA: Crida a eines · EN: Tool calling Mecanismo por el que un modelo solicita una función externa; la aplicación controla si la ejecuta y devuelve resultados. **Con un ejemplo se entiende mejor** El modelo pide consultar el calendario; el programa comprueba permisos y hace la consulta autorizada. Sigue el hilo: Interfaz de programación (API), Agente de IA Para ampliar y contrastar: [Anthropic · Tool use with Claude](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview) ## Lote de entrenamiento ES: Lote de entrenamiento · CA: Lot d'entrenament · EN: Training batch Grupo de ejemplos procesados juntos en un paso del entrenamiento, según la configuración utilizada. **Con un ejemplo se entiende mejor** Con lotes de 16, el entrenamiento procesa pequeños grupos en vez de todo el conjunto a la vez. Sigue el hilo: Época de entrenamiento, Entrenamiento Para ampliar y contrastar: [IBM · Hyperparameter tuning](https://www.ibm.com/think/topics/hyperparameter-tuning) ## Marca de agua ES: Marca de agua · CA: Marca d'aigua · EN: Watermark Señal visible o imperceptible insertada en un contenido para aportar identificación o información sobre su origen. **Con un ejemplo se entiende mejor** Una imagen puede llevar una marca invisible; no verla no demuestra que la imagen sea una fotografía real. Sigue el hilo: Procedencia del contenido, Credenciales de contenido Para ampliar y contrastar: [Google DeepMind · SynthID](https://deepmind.google/models/synthid/) ## Memoria del asistente ES: Memoria del asistente · CA: Memòria de l'assistent · EN: Assistant memory Información conservada entre pasos o conversaciones, según la aplicación. No equivale a la ventana de contexto ni a reentrenar. **Con un ejemplo se entiende mejor** El asistente puede guardar que prefieres respuestas cortas; comprueba qué guarda y cómo se elimina. Sigue el hilo: Ventana de contexto, Privacidad de los datos Para ampliar y contrastar: [LangChain · Memory overview](https://docs.langchain.com/oss/python/concepts/memory) ## Mezcla de expertos (MoE) ES: Mezcla de expertos (MoE) · CA: Barreja d'experts (MoE) · EN: Mixture of experts (MoE) Arquitectura con varios bloques especializados y un mecanismo que selecciona cuáles intervienen en cada cálculo. **Con un ejemplo se entiende mejor** No son personas asesorando al modelo: son componentes matemáticos que se activan selectivamente. Sigue el hilo: Parámetro del modelo, Transformer Para ampliar y contrastar: [Hugging Face · Mixture of Experts Explained](https://huggingface.co/blog/moe) ## Modelo de difusión ES: Modelo de difusión · CA: Model de difusió · EN: Diffusion model Modelo generativo que aprende a revertir un proceso de ruido para producir datos, como imágenes. **Con un ejemplo se entiende mejor** Durante la generación, una imagen puede ir tomando forma desde el ruido; no se está enfocando una foto oculta. Sigue el hilo: Generación de texto a imagen, Relleno generativo de una zona Para ampliar y contrastar: [IBM · Diffusion models](https://www.ibm.com/think/topics/diffusion-models) ## Modelo de IA ES: Modelo de IA · CA: Model d'IA · EN: AI model Sistema matemático ajustado para transformar entradas en predicciones o resultados. Es una pieza de una aplicación, no toda la aplicación. **Con un ejemplo se entiende mejor** La web del asistente es la interfaz; el modelo es parte del motor que genera la respuesta. Sigue el hilo: Inferencia, Parámetro del modelo Para ampliar y contrastar: [IBM · AI inference](https://www.ibm.com/think/topics/ai-inference) ## Modelo en la nube ES: Modelo en la nube · CA: Model al núvol · EN: Cloud-hosted model Modelo ejecutado en infraestructura remota a la que accedes por una aplicación o API, según sus condiciones. **Con un ejemplo se entiende mejor** Tu portátil envía la petición a un servicio; revisa acceso, tratamiento de datos y coste antes de usar información real. Sigue el hilo: Modelo local, Privacidad de los datos Para ampliar y contrastar: [Amazon Web Services · Deploy models for inference](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html) ## Modelo fundacional ES: Modelo fundacional · CA: Model fundacional · EN: Foundation model Modelo entrenado con datos amplios que puede adaptarse a distintas tareas. No todos trabajan con los mismos formatos. **Con un ejemplo se entiende mejor** Un mismo modelo puede servir de base para resumir textos, responder preguntas o clasificar mensajes. Sigue el hilo: Gran modelo de lenguaje (LLM), Aprendizaje por transferencia Para ampliar y contrastar: [IBM · Large language models](https://www.ibm.com/think/topics/large-language-models) ## Modelo local ES: Modelo local · CA: Model local · EN: Local model Modelo ejecutado en un equipo propio. Necesita recursos suficientes y no garantiza por sí solo privacidad de toda la aplicación. **Con un ejemplo se entiende mejor** El cálculo ocurre en tu ordenador, pero revisa si la aplicación envía registros o utiliza servicios externos. Sigue el hilo: Cuantización, Modelo en la nube Para ampliar y contrastar: [Ollama · Frequently asked questions](https://docs.ollama.com/faq) ## Modelo multimodal ES: Modelo multimodal · CA: Model multimodal · EN: Multimodal model Modelo que combina o procesa más de un tipo de información, como texto, imagen o audio. **Con un ejemplo se entiende mejor** Subes la foto de una pizarra y preguntas qué tareas aparecen. Leer fotos no implica poder generar imágenes. Sigue el hilo: Visión artificial, Reconocimiento automático del habla Para ampliar y contrastar: [IBM · Large language models](https://www.ibm.com/think/topics/large-language-models) ## Muestreo top-p ES: Muestreo top-p · CA: Mostreig top-p · EN: Top-p sampling Selección entre el conjunto mínimo de tokens cuya probabilidad acumulada alcanza un umbral determinado. **Con un ejemplo se entiende mejor** Con un umbral menor suelen entrar menos alternativas; no significa «porcentaje de respuestas correctas». Sigue el hilo: Temperatura, Token Para ampliar y contrastar: [Hugging Face · Generation configuration](https://huggingface.co/docs/transformers/en/main_classes/text_generation) ## Neurona artificial ES: Neurona artificial · CA: Neurona artificial · EN: Artificial neuron Unidad de cálculo que combina entradas y aplica una transformación. Es una simplificación matemática, no una célula viva. **Con un ejemplo se entiende mejor** Piensa en una pequeña operación dentro de una red, no en un cerebro diminuto con café. Sigue el hilo: Red neuronal, Parámetro del modelo Para ampliar y contrastar: [IBM · Deep learning](https://www.ibm.com/think/topics/deep-learning) ## Operaciones de aprendizaje automático ES: Operaciones de aprendizaje automático · CA: Operacions d'aprenentatge automàtic · EN: MLOps Prácticas para desarrollar, desplegar, vigilar y actualizar modelos de forma controlada y reproducible. **Con un ejemplo se entiende mejor** Registras versiones, compruebas cambios y vigilas fallos después de publicar; el trabajo no termina en «subido». Sigue el hilo: Evaluación de IA, Ficha del modelo Para ampliar y contrastar: [Google Cloud · MLOps and delivery pipelines](https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning) ## Orquestación ES: Orquestación · CA: Orquestració · EN: Orchestration Coordinación del orden, intercambio de datos y manejo de fallos entre los componentes de un sistema de IA. **Con un ejemplo se entiende mejor** Si falla la búsqueda, el sistema decide reintentar o pedir ayuda en lugar de inventar resultados. Sigue el hilo: Flujo de trabajo con IA, Llamada a herramientas Para ampliar y contrastar: [Anthropic · Building effective agents](https://www.anthropic.com/research/building-effective-agents) ## Parámetro del modelo ES: Parámetro del modelo · CA: Paràmetre del model · EN: Model parameter Valor interno aprendido durante el entrenamiento, como un peso. No es lo mismo que una instrucción escrita. **Con un ejemplo se entiende mejor** Cambiar «responde más breve» cambia la petición; no reescribe directamente los pesos del modelo. Sigue el hilo: Hiperparámetro, Ajuste fino Para ampliar y contrastar: [IBM · Hyperparameter tuning](https://www.ibm.com/think/topics/hyperparameter-tuning) ## Pesos abiertos ES: Pesos abiertos · CA: Pesos oberts · EN: Open weights Modelo cuyos parámetros entrenados se distribuyen para descarga. Sus permisos de uso dependen de la licencia y pueden tener restricciones. **Con un ejemplo se entiende mejor** Puedes tener los pesos sin disponer de los datos o del proceso completo de entrenamiento. Sigue el hilo: IA de código abierto, Parámetro del modelo Para ampliar y contrastar: [Open Source Initiative · The Open Source AI Definition 1.0](https://opensource.org/ai/open-source-ai-definition) ## Petición con pocos ejemplos ES: Petición con pocos ejemplos · CA: Petició amb pocs exemples · EN: Few-shot prompting Petición que incluye algunos ejemplos para mostrar el formato o comportamiento deseado, sin reentrenar el modelo. **Con un ejemplo se entiende mejor** Añades dos mensajes y sus clasificaciones antes del nuevo mensaje que quieres clasificar. Sigue el hilo: Petición sin ejemplos, Ajuste fino Para ampliar y contrastar: [Anthropic · Prompting best practices](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices) ## Petición sin ejemplos ES: Petición sin ejemplos · CA: Petició sense exemples · EN: Zero-shot prompting Petición que describe la tarea sin aportar ejemplos resueltos dentro de esa petición. **Con un ejemplo se entiende mejor** «Clasifica este mensaje como consulta o incidencia» pide la tarea sin enseñar respuestas modelo. Sigue el hilo: Petición con pocos ejemplos, Prompt o instrucción Para ampliar y contrastar: [Anthropic · Prompting best practices](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices) ## Planificación ES: Planificación · CA: Planificació · EN: Planning Descomposición de un objetivo en pasos que se pueden ejecutar y revisar. Tener un plan no demuestra haberlo completado. **Con un ejemplo se entiende mejor** «Revisar, corregir y probar la web» es el plan; ver la web funcionando es otra cosa. Sigue el hilo: Agente de IA, Evaluación de IA Para ampliar y contrastar: [Google Cloud · What are AI agents?](https://cloud.google.com/discover/what-are-ai-agents) ## Precisión ES: Precisión · CA: Precisió · EN: Precision Entre los casos señalados como positivos, proporción que realmente lo es. No equivale a exactitud global. **Con un ejemplo se entiende mejor** Marca diez mensajes como spam y ocho lo son: la precisión para spam es del 80 %. Sigue el hilo: Exhaustividad o sensibilidad, Puntuación F1 Para ampliar y contrastar: [scikit-learn · Classification metrics](https://scikit-learn.org/stable/modules/model_evaluation.html#precision-recall-f-measure-metrics) ## Privacidad de los datos ES: Privacidad de los datos · CA: Privadesa de les dades · EN: Data privacy Protección del uso y la exposición de información personal, considerando qué se recoge, para qué, quién accede y cuánto se conserva. **Con un ejemplo se entiende mejor** Para practicar un resumen, utiliza un documento ficticio antes que el expediente real de otra persona. Sigue el hilo: Datos personales, Memoria del asistente Para ampliar y contrastar: [IBM · Data privacy](https://www.ibm.com/think/topics/data-privacy) ## Procedencia del contenido ES: Procedencia del contenido · CA: Procedència del contingut · EN: Content provenance Información sobre el origen y la historia de un contenido, incluidas transformaciones conocidas. No prueba por sí sola su veracidad. **Con un ejemplo se entiende mejor** Saber qué herramienta editó una imagen ayuda a entender su historia, pero no demuestra que la escena ocurriera. Sigue el hilo: Credenciales de contenido, Suplantación audiovisual sintética Para ampliar y contrastar: [C2PA · Content Credentials explainer](https://spec.c2pa.org/specifications/specifications/2.3/explainer/Explainer.html) ## Procesamiento del lenguaje natural (PLN) ES: Procesamiento del lenguaje natural (PLN) · CA: Processament del llenguatge natural (PLN) · EN: Natural language processing (NLP) Área que desarrolla métodos para analizar, interpretar o generar lenguaje humano mediante ordenadores. **Con un ejemplo se entiende mejor** Clasificar consultas, extraer nombres o traducir textos son tareas de lenguaje; no todas necesitan un gran chatbot. Sigue el hilo: Gran modelo de lenguaje (LLM), Reconocimiento automático del habla Para ampliar y contrastar: [IBM · Natural language processing](https://www.ibm.com/think/topics/natural-language-processing) ## Prompt o instrucción ES: Prompt o instrucción · CA: Indicació o petició · EN: Prompt Entrada con la que pides una tarea a un modelo. Puede incluir instrucciones, contexto, ejemplos y otros formatos. **Con un ejemplo se entiende mejor** «Resume este anuncio en tres frases para principiantes y conserva la fecha» es una petición concreta. Sigue el hilo: Ingeniería de prompts, Petición con pocos ejemplos Para ampliar y contrastar: [Anthropic · Prompt engineering overview](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview) ## Protocolo de contexto de modelos (MCP) ES: Protocolo de contexto de modelos (MCP) · CA: Protocol de context de models (MCP) · EN: Model Context Protocol (MCP) Estándar para conectar aplicaciones de IA con herramientas y fuentes de datos mediante una interfaz común. **Con un ejemplo se entiende mejor** Un conector puede ofrecer búsqueda de archivos; el protocolo no concede por sí mismo permiso para leerlos todos. Sigue el hilo: Conector, Llamada a herramientas Para ampliar y contrastar: [Model Context Protocol · What is MCP?](https://modelcontextprotocol.io/docs/getting-started/intro) ## Prueba de referencia ES: Prueba de referencia · CA: Prova de referència · EN: Benchmark Conjunto de tareas y reglas de medición para comparar sistemas. Una buena puntuación no garantiza rendimiento en cualquier uso. **Con un ejemplo se entiende mejor** Un modelo gana en problemas matemáticos, pero tú necesitas comprobar cómo resume tus lecciones en catalán. Sigue el hilo: Evaluación de IA, Datos de prueba Para ampliar y contrastar: [Anthropic · Define success criteria and build evaluations](https://platform.claude.com/docs/en/test-and-evaluate/develop-tests) ## Pruebas adversarias ES: Pruebas adversarias · CA: Proves adversàries · EN: Red teaming Evaluación deliberada que busca fallos, usos indebidos o comportamientos peligrosos, dentro de un alcance autorizado. **Con un ejemplo se entiende mejor** Un equipo prueba situaciones difíciles en una copia del asistente antes de abrirlo al público. Sigue el hilo: Robustez, Salvaguardas Para ampliar y contrastar: [Anthropic · Challenges in red teaming AI systems](https://www.anthropic.com/news/challenges-in-red-teaming-ai-systems) ## Punto de acceso de una API ES: Punto de acceso de una API · CA: Punt d'accés d'una API · EN: API endpoint Dirección concreta donde un servicio recibe solicitudes para una operación determinada. **Con un ejemplo se entiende mejor** Una API puede tener una dirección para generar texto y otra para consultar el estado de una tarea. Sigue el hilo: Clave de API, Llamada a herramientas Para ampliar y contrastar: [MDN Web Docs · API](https://developer.mozilla.org/en-US/docs/Glossary/API) ## Puntuación F1 ES: Puntuación F1 · CA: Puntuació F1 · EN: F1 score Media armónica de precisión y exhaustividad. Resume su equilibrio, pero no sustituye revisar los errores concretos. **Con un ejemplo se entiende mejor** Si detectas casi todo pero generas muchas falsas alarmas, F1 refleja parte de ese desequilibrio. Sigue el hilo: Precisión, Exhaustividad o sensibilidad Para ampliar y contrastar: [scikit-learn · Classification metrics](https://scikit-learn.org/stable/modules/model_evaluation.html#precision-recall-f-measure-metrics) ## Reconocimiento automático del habla ES: Reconocimiento automático del habla · CA: Reconeixement automàtic de la parla · EN: Automatic speech recognition (ASR) Conversión del habla grabada o en directo en texto. No es lo mismo que identificar quién habla. **Con un ejemplo se entiende mejor** Transcribes una charla para preparar subtítulos y revisas los nombres que el sistema entendió «a su manera». Sigue el hilo: Síntesis de voz, Procesamiento del lenguaje natural (PLN) Para ampliar y contrastar: [Hugging Face · Automatic speech recognition](https://huggingface.co/tasks/automatic-speech-recognition) ## Reconocimiento óptico de caracteres (OCR) ES: Reconocimiento óptico de caracteres (OCR) · CA: Reconeixement òptic de caràcters (OCR) · EN: Optical character recognition (OCR) Conversión de texto presente en imágenes en texto procesable. La lectura puede contener errores y requiere revisión. **Con un ejemplo se entiende mejor** Fotografías un cartel y extraes sus palabras; revisa especialmente fechas, cifras y nombres. Sigue el hilo: Visión artificial, Calidad de los datos Para ampliar y contrastar: [IBM · Optical character recognition](https://www.ibm.com/think/topics/optical-character-recognition) ## Recuperación de información ES: Recuperación de información · CA: Recuperació d'informació · EN: Information retrieval Localización de documentos o fragmentos relevantes para una consulta. Recuperar algo no implica que sea correcto. **Con un ejemplo se entiende mejor** El buscador encuentra una ficha antigua; revisa su fecha antes de utilizarla como respuesta actual. Sigue el hilo: Reordenación de resultados, Calidad de los datos Para ampliar y contrastar: [IBM · Retrieval augmented generation](https://www.ibm.com/think/topics/retrieval-augmented-generation) ## Red neuronal ES: Red neuronal · CA: Xarxa neuronal · EN: Neural network Modelo compuesto por unidades conectadas que transforman información mediante operaciones matemáticas y parámetros aprendidos. **Con un ejemplo se entiende mejor** Una red distingue fotos de tazas y platos ajustando sus conexiones durante el entrenamiento. Sigue el hilo: Neurona artificial, Aprendizaje profundo Para ampliar y contrastar: [IBM · Deep learning](https://www.ibm.com/think/topics/deep-learning) ## Relleno generativo de una zona ES: Relleno generativo de una zona · CA: Emplenament generatiu d'una zona · EN: Inpainting Generación o sustitución de contenido dentro de una zona seleccionada de una imagen, normalmente mediante una máscara. **Con un ejemplo se entiende mejor** Seleccionas una taza de la foto para cambiarla por un libro y compruebas sombras y bordes. Sigue el hilo: Ampliación generativa, Generación de texto a imagen Para ampliar y contrastar: [Hugging Face · Inpainting](https://huggingface.co/docs/diffusers/en/using-diffusers/inpaint) ## Reordenación de resultados ES: Reordenación de resultados · CA: Reordenació de resultats · EN: Reranking Segunda ordenación de los resultados recuperados para priorizar los que mejor responden a la consulta. **Con un ejemplo se entiende mejor** Entre veinte lecciones candidatas, otro modelo coloca primero las tres más útiles para tu pregunta. Sigue el hilo: Recuperación de información, Búsqueda semántica Para ampliar y contrastar: [Cohere · Rerank overview](https://docs.cohere.com/docs/rerank-overview) ## Representación vectorial ES: Representación vectorial · CA: Representació vectorial · EN: Embedding Representación de datos mediante números que permite comparar relaciones aprendidas, como semejanzas entre textos. **Con un ejemplo se entiende mejor** «Quiero empezar con IA» puede quedar cerca de «curso para principiantes» aunque no repitan las mismas palabras. Sigue el hilo: Búsqueda semántica, Base de datos vectorial Para ampliar y contrastar: [IBM · Vector databases](https://www.ibm.com/think/topics/vector-database) ## Respuesta en flujo ES: Respuesta en flujo · CA: Resposta en flux · EN: Streaming response Entrega progresiva de una respuesta mientras se genera, en lugar de esperar a recibirla completa. **Con un ejemplo se entiende mejor** Ves aparecer el texto poco a poco. Una conexión interrumpida puede dejar una respuesta a medias. Sigue el hilo: Latencia, Interfaz de programación (API) Para ampliar y contrastar: [Anthropic · Streaming messages](https://platform.claude.com/docs/en/build-with-claude/streaming) ## Robustez ES: Robustez · CA: Robustesa · EN: Robustness Capacidad de mantener un funcionamiento adecuado ante variaciones, ruido o condiciones difíciles dentro del ámbito evaluado. **Con un ejemplo se entiende mejor** Un transcriptor debería probarse también con ruido, distintos acentos y micrófonos menos perfectos. Sigue el hilo: Evaluación de IA, Reconocimiento automático del habla Para ampliar y contrastar: [NIST · AI Risk Management Framework](https://www.nist.gov/itl/ai-risk-management-framework) ## Salvaguardas ES: Salvaguardas · CA: Salvaguardes · EN: Guardrails Medidas que limitan comportamientos y riesgos: permisos, validaciones, filtros, supervisión y otras barreras complementarias. **Con un ejemplo se entiende mejor** Antes de enviar algo, la aplicación exige confirmación y comprueba destinatario y contenido. Sigue el hilo: Supervisión humana, Llamada a herramientas Para ampliar y contrastar: [IBM · AI guardrails](https://www.ibm.com/think/topics/ai-guardrails) ## Sesgo de IA ES: Sesgo de IA · CA: Biaix d'IA · EN: AI bias Desviación sistemática en datos, diseño o resultados que puede producir representaciones o tratamientos injustos. **Con un ejemplo se entiende mejor** Si casi todos los ejemplos de «persona experta» muestran el mismo perfil, revisa qué visión está aprendiendo el sistema. Sigue el hilo: Calidad de los datos, Evaluación de IA Para ampliar y contrastar: [IBM · AI bias](https://www.ibm.com/think/topics/ai-bias) ## Seudonimización ES: Seudonimización · CA: Pseudonimització · EN: Pseudonymisation Sustitución de identificadores para separar los datos de la identidad, manteniendo información adicional que permite volver a vincularlos. **Con un ejemplo se entiende mejor** Cambias «Ana» por «Alumna 047» y guardas la correspondencia aparte. Los datos siguen siendo personales. Sigue el hilo: Anonimización, Privacidad de los datos Para ampliar y contrastar: [Comité Europeo de Protección de Datos · Anonimización y seudonimización](https://www.edpb.europa.eu/topics/ai-and-technology/anonymisation-pseudonymisation_es) ## Síntesis de voz ES: Síntesis de voz · CA: Síntesi de veu · EN: Text-to-speech (TTS) Generación de habla artificial a partir de texto. La voz resultante depende del sistema y de sus opciones. **Con un ejemplo se entiende mejor** Conviertes una explicación en audio para escucharla. Imitar una voz real plantea cuestiones de autorización distintas. Sigue el hilo: Reconocimiento automático del habla, Suplantación audiovisual sintética Para ampliar y contrastar: [Hugging Face · Text-to-speech](https://huggingface.co/tasks/text-to-speech) ## Sobreajuste ES: Sobreajuste · CA: Sobreajustament · EN: Overfitting El modelo se adapta demasiado a los ejemplos de entrenamiento y funciona peor al encontrarse con casos nuevos. **Con un ejemplo se entiende mejor** Se sabe los ejercicios de memoria, pero le cambias los números y se queda mirando al techo. Sigue el hilo: Datos de prueba, Subajuste Para ampliar y contrastar: [IBM · Overfitting](https://www.ibm.com/think/topics/overfitting) ## Subajuste ES: Subajuste · CA: Subajustament · EN: Underfitting El modelo no aprende suficientemente los patrones relevantes y rinde mal incluso en los ejemplos de entrenamiento. **Con un ejemplo se entiende mejor** Un modelo demasiado simple intenta explicar una curva complicada con una sola recta. Sigue el hilo: Sobreajuste, Modelo de IA Para ampliar y contrastar: [IBM · Overfitting](https://www.ibm.com/think/topics/overfitting) ## Supervisión humana ES: Supervisión humana · CA: Supervisió humana · EN: Human-in-the-loop (HITL) Participación de una persona en la revisión, decisión o autorización de un proceso automatizado. **Con un ejemplo se entiende mejor** La IA prepara el correo y tú lo revisas antes de enviarlo. Ese último clic tiene dueño. Sigue el hilo: Agente de IA, Salvaguardas Para ampliar y contrastar: [IBM · Human-in-the-loop](https://www.ibm.com/think/topics/human-in-the-loop) ## Suplantación audiovisual sintética ES: Suplantación audiovisual sintética · CA: Suplantació audiovisual sintètica · EN: Deepfake Contenido de imagen, vídeo o audio manipulado o generado para aparentar una persona o situación real. **Con un ejemplo se entiende mejor** Una voz que parece la de tu amigo pide dinero: verifica por otra vía antes de creerla. Sigue el hilo: Procedencia del contenido, Credenciales de contenido Para ampliar y contrastar: [European Data Protection Supervisor · TechSonar: Deepfake detection](https://www.edps.europa.eu/system/files/2023-12/23-12-04_techsonar_23-24_en.pdf) ## Temperatura ES: Temperatura · CA: Temperatura · EN: Temperature Ajuste que modifica la distribución usada para elegir salidas. Mayor temperatura suele aumentar variación, no veracidad. **Con un ejemplo se entiende mejor** Para comparar estilos puedes variar este ajuste si la herramienta lo ofrece; ninguna posición elimina los errores. Sigue el hilo: Muestreo top-p, Alucinación de IA Para ampliar y contrastar: [Hugging Face · Generation configuration](https://huggingface.co/docs/transformers/en/main_classes/text_generation) ## Token ES: Token · CA: Token · EN: Token Unidad que procesa un modelo. En texto puede ser una palabra, una parte de palabra o un signo. **Con un ejemplo se entiende mejor** No calcules el coste contando palabras sin más: idiomas y tokenizadores pueden dividir el mismo texto de forma distinta. Sigue el hilo: Tokenización, Ventana de contexto Para ampliar y contrastar: [Google Cloud · Generative AI glossary](https://docs.cloud.google.com/docs/ai-ml/generative-ai/glossary) ## Tokenización ES: Tokenización · CA: Tokenització · EN: Tokenization Proceso que divide y convierte una entrada en unidades que el modelo puede procesar. **Con un ejemplo se entiende mejor** Una palabra larga puede dividirse en varios fragmentos; el reparto depende del tokenizador utilizado. Sigue el hilo: Token, Gran modelo de lenguaje (LLM) Para ampliar y contrastar: [Hugging Face · Tokenizers](https://huggingface.co/learn/llm-course/en/chapter2/4) ## Transformer ES: Transformer · CA: Transformer · EN: Transformer Arquitectura de red neuronal basada en mecanismos de atención para relacionar elementos de una secuencia. **Con un ejemplo se entiende mejor** Al procesar una frase, puede relacionar palabras distantes sin limitarse a mirar la palabra anterior. Sigue el hilo: Atención, Gran modelo de lenguaje (LLM) Para ampliar y contrastar: [Vaswani et al. · Attention Is All You Need](https://arxiv.org/abs/1706.03762) ## Ventana de contexto ES: Ventana de contexto · CA: Finestra de context · EN: Context window Cantidad máxima de información que un modelo puede manejar en una interacción, medida normalmente en tokens. **Con un ejemplo se entiende mejor** Es la mesa de trabajo disponible; que quepa un libro entero no garantiza que se atienda bien a cada detalle. Sigue el hilo: Token, Memoria del asistente Para ampliar y contrastar: [Google Cloud · Generative AI glossary](https://docs.cloud.google.com/docs/ai-ml/generative-ai/glossary) ## Visión artificial ES: Visión artificial · CA: Visió artificial · EN: Computer vision Técnicas que extraen e interpretan información de imágenes o vídeos, como objetos, posiciones o movimientos. **Con un ejemplo se entiende mejor** Un sistema cuenta sillas en una sala; puede equivocarse si se tapan entre sí. Sigue el hilo: Reconocimiento óptico de caracteres (OCR), Modelo multimodal Para ampliar y contrastar: [IBM · Computer vision](https://www.ibm.com/think/topics/computer-vision)