Glosario

Definiciones concisas de los términos centrales del libro, en orden alfabético. Cada entrada remite al módulo donde se desarrolla el concepto.

A2A (Agent2Agent): Estándar abierto de comunicación entre agentes de orígenes distintos, que les permite descubrirse y cooperar. Complementa el MCP (que conecta agentes a herramientas). [M10]
Agente: Sistema en que el modelo opera en lazo (planificar, actuar, observar, repetir) para cumplir una tarea de varios pasos que él mismo conduce. [M10]
Ajuste fino (fine-tuning): Adaptación de un modelo ya entrenado a una tarea, estilo o dominio específico, a partir de datos adicionales. [M5, M11]
Ajuste por instrucciones (instruction tuning): Ajuste fino supervisado que enseña al modelo a seguir pedidos en el formato instrucción-respuesta. [M5]
Alineamiento: Conjunto de técnicas que orientan el comportamiento del modelo para que sea útil, honesto y seguro (ver RLHF, RLAIF, DPO, Constitutional AI). [M5, M11]
Alucinación (hallucination): Producción de contenido plausible, pero factualmente falso o no fundamentado en la fuente. [M7]
API: Canal programático por el cual un software, y no una persona, envía pedidos al modelo y recibe respuestas. [M10]
Atención (attention): Mecanismo por el cual cada token pondera la relevancia de los demás para reinterpretarse en el contexto. [M4]
Attention budget (presupuesto de atención): Idea de que la capacidad del modelo de “prestar atención” es finita y disputada por todos los tokens del contexto. [M10]
Backpropagation (retropropagación): Algoritmo que calcula los gradientes de todos los pesos propagando el error de la salida a las primeras capas. [M3]
Banco vectorial: Sistema que almacena vectores y encuentra rápidamente los vecinos más próximos, base de la búsqueda en RAG. [M9]
Benchmark: Conjunto estandarizado de tareas con respuestas conocidas, usado para comparar modelos. [M8]
Chatbot: Interfaz conversacional directa con el modelo, sin acceso a datos externos ni ejecución de acciones. [M10]
Constitutional AI: Variante de alineamiento en que la retroalimentación la genera una IA guiada por principios escritos (RLAIF), reduciendo la dependencia de etiquetas humanas. [M5]
Contaminación de evaluación: Filtración de ejemplos de prueba al conjunto de entrenamiento, que infla la nota y mide memorización en vez de competencia. [M8]
Context engineering (ingeniería de contexto): Disciplina de decidir qué información entra en el contexto y cómo organizarla, desplazando el foco del prompt al ambiente de información. [M10]
Context rot: Degradación de la calidad a medida que el contexto crece y acumula información irrelevante o desactualizada. [M10]
Descenso del gradiente: Procedimiento de ajuste de los pesos en la dirección que más reduce la pérdida. [M3]
Destilación (knowledge distillation): Entrenamiento de un modelo pequeño (alumno) para imitar las salidas de un modelo grande (profesor). [M8]
DPO (optimización directa de preferencias): Método de alineamiento que ajusta el modelo directamente a partir de preferencias, sin entrenar un modelo de recompensa separado. [M11]
Embedding: Vector de números reales asociado a un token, que define su posición en un espacio de muchas dimensiones. [M2]
Espacio vectorial semántico: Espacio geométrico en que la proximidad entre vectores refleja proximidad de significado. [M2]
Función de activación: Función no lineal (como la ReLU) que da a la red poder de representar relaciones complejas. [M3]
Function calling: Capacidad del modelo de solicitar la ejecución de funciones externas e incorporar sus resultados. [M10]
Generalización: Capacidad de acertar en datos nuevos, y no solo en los ejemplos vistos en el entrenamiento. [M3]
Generación autorregresiva: Producción de la respuesta un token a la vez, realimentando cada token generado. [M6]
Guardrails: Filtros y reglas que validan entrada y salida y restringen acciones del sistema. [M12]
Harness: Runtime que ejecuta el lazo de un agente, gestionando herramientas, memoria, límites y errores. [M10]
Inferencia: Uso del modelo entrenado para generar respuestas; ningún peso se altera en ese proceso. [M6]
Intent engineering: Esfuerzo de capturar y expresar el objetivo real detrás de un pedido, muchas veces implícito. [M10]
Jailbreaking: Sortear el alineamiento del modelo para obtener respuestas que fue entrenado a rechazar. [M12]
Ventana de contexto: Número máximo de tokens que el modelo considera de una sola vez. [M4]
KV-cache: Almacenamiento de las claves y valores ya calculados en la atención, acelerando la generación al costo de memoria. [M8]
LoRA / PEFT: Ajuste fino eficiente en parámetros: entrena pequeñas matrices adicionales en vez de todo el modelo (LoRA); el QLoRA agrega cuantización. [M11]
MCP (Model Context Protocol): Estándar abierto para conectar aplicaciones de IA a datos y herramientas, como un “puerto USB para IA”. [M10]
Mixture of Experts (MoE): Arquitectura esparsa en que un enrutador activa solo algunos “expertos” por token, separando la capacidad total del costo por respuesta. [M8]
Mode collapse: Tendencia de las respuestas a converger a un patrón repetitivo, perdiendo diversidad. [M10]
Model card: Documento estandarizado que describe el uso pretendido, el desempeño, los datos y las limitaciones de un modelo. [M12]
Multi-head attention: Varias atenciones en paralelo, cada una capturando un tipo de relación. [M4]
Multimodalidad: Capacidad de un modelo de procesar más de un tipo de señal (texto, imagen, audio) de forma integrada. [M13]
No determinismo: Variación de respuestas para la misma entrada, derivada del muestreo en la generación. [M1, M6]
Neurona artificial: Unidad que calcula una suma ponderada de las entradas, suma un sesgo y aplica una función de activación. [M3]
Open-weight vs. propietario: Modelos cuyos pesos se publican y se ejecutan localmente, versus modelos accesibles solo por API. [M11]
Peso (weight): Parámetro ajustable que mide la importancia de una entrada; aprender es ajustar pesos. [M3]
Positional encoding: Vector sumado al embedding para registrar la posición de cada token en la secuencia. [M4]
Preentrenamiento: Fase en que el modelo aprende a predecir el próximo token sobre enormes corpus, adquiriendo lenguaje y conocimiento. [M5]
Prompt engineering: Arte de formular la instrucción enviada al modelo (palabras, ejemplos, formato). [M10]
Prompt injection: Instrucción maliciosa embebida en datos externos que secuestra el comportamiento del modelo. [M12]
Cuantización: Reducción del número de bits por peso, disminuyendo memoria y costo con pequeña pérdida de calidad. [M8]
Razonamiento estructurado (chain-of-thought): Generación de pasos intermedios de razonamiento antes de la respuesta, que mejora el desempeño en problemas complejos. [M6]
RAG (generación aumentada por recuperación): Recuperar información externa relevante y generar la respuesta fundamentada en ella, compensando el conocimiento estático del modelo. [M9]
Red teaming: Atacar deliberadamente el propio sistema para descubrir y corregir fallas antes que adversarios reales. [M12]
Red neuronal: Conjunto de neuronas artificiales organizadas en capas, capaz de aprender representaciones de los datos. [M3]
RLHF / RLAIF: Alineamiento por refuerzo a partir de preferencias humanas (RLHF) o de retroalimentación de IA por principios (RLAIF). [M5, M11]
Self-attention (autoatención): Atención en que cada token consulta a los demás (query y key) y pondera sus valores (value) según la relevancia. [M4]
Skill: Capacidad empaquetada y reutilizable que extiende el modelo en una tarea específica, activable bajo demanda. [M10]
SLM (modelo de lenguaje pequeño): Modelo liviano y especializado que puede superar a un gran generalista en su tarea, a menor costo. [M11]
Sobreajuste (overfitting): Memorizar los ejemplos de entrenamiento, incluido el ruido, al punto de generalizar mal en datos nuevos. [M3]
Specification engineering / Spec: Disciplina de transformar objetivos en especificaciones explícitas (reglas, criterios de aceptación); la Spec es el artefacto de control resultante. [M10]
Temperatura: Parámetro que reescala la distribución de probabilidad, controlando el equilibrio entre previsibilidad y diversidad de la generación. [M6]
Test-time compute: Gasto de más cómputo en el momento de la respuesta (más razonamiento) para mejorar el resultado. [M6]
Token: Unidad mínima en que se corta el texto para su procesamiento; puede ser una palabra, una subpalabra o un carácter. [M2]
Tokenización: Proceso de dividir el texto en tokens; el uso de subpalabras garantiza un vocabulario finito y la cobertura de palabras inéditas. [M2]
Tool use: Uso, por el modelo, de herramientas externas (búsqueda, cálculo, APIs) para obtener datos o ejecutar acciones. [M10]
Transformer: Arquitectura, basada en el mecanismo de atención, que hizo posibles los LLM modernos. [M4]
Vector: Lista ordenada de números; en el contexto de los LLM, la forma en que se representan tokens y significados. [M2]
Vision Transformer (ViT): Arquitectura que fragmenta la imagen en bloques y los trata como tokens, llevando el Transformer a la visión. [M13]