✨ Glosario IA

Imagina que tienes una caja llena de frutas 🍎🍌🍊 y quieres separarlas en grupos según su tipo. Un algoritmo de clasificación en IA es como un conjunto de instrucciones que la computadora sigue para decidir a qué "grupo" (categoría) pertenece cada dato nuevo. Se basa en las características de ese dato.

Ejemplo: Si le muestras a la computadora muchas fotos de perros 🐶 y gatos 🐱, un algoritmo de clasificación aprenderá a distinguir entre ellos fijándose en cosas como la forma de las orejas, el tamaño, etc. Cuando le des una foto nueva, dirá si cree que es un perro o un gato.

Piensa en un termómetro 🌡️. Si sabes la hora del día, puedes tener una idea aproximada de la temperatura. Un algoritmo de regresión en IA es como una herramienta para predecir un número (como la temperatura) basándose en otra información.

Ejemplo: Si le das a la computadora datos históricos sobre el precio de las casas 🏠 en un barrio y sus características (tamaño, número de habitaciones, etc.), un algoritmo de regresión puede aprender a predecir el precio de una casa nueva que se ponga a la venta. Es como adivinar un número en lugar de una categoría.

Imagina que tienes un montón de piezas de un puzzle desordenadas. El análisis de datos es el proceso de mirar esas piezas, limpiarlas (quitar las que no sirven), juntarlas de diferentes maneras y tratar de entender la imagen que forman. En IA, se hace lo mismo con información digital para encontrar patrones y respuestas.

Cuando lees un mensaje en redes sociales o una reseña de un producto, automáticamente sabes si la persona está contenta 😊, triste 😔 o enfadada 😠. El análisis de sentimientos es una técnica para enseñarle a la computadora a hacer esto mismo, a identificar la emoción detrás de un texto.

Piensa en un enchufe de luz 🔌. No necesitas saber cómo funciona la central eléctrica para conectar tu lámpara y encenderla. Una API de IA es como ese enchufe para la inteligencia artificial. Permite a los programadores usar funciones inteligentes (como entender el lenguaje o reconocer imágenes) en sus propias aplicaciones sin tener que saber cómo se construyó esa inteligencia por dentro.

Ejemplo: Una aplicación para traducir idiomas usa una API de IA para enviar el texto que escribes a un servicio de traducción en la nube y recibir la traducción de vuelta. La aplicación no necesita saber cómo funciona la traducción en detalle.

Imagina que estás estudiando para un examen y tienes un montón de apuntes. En lugar de leerlos todos en orden, le preguntas a tu profesor que te diga cuáles son los temas más importantes o en los que más fallan los estudiantes. El aprendizaje activo en IA es similar: el programa no aprende de todos los datos a la vez, sino que elige los ejemplos que cree que le enseñarán más, como si hiciera preguntas para aprender mejor.

Imagina que le enseñas a un perro 🐕 a sentarse dándole una galleta cada vez que lo hace bien. Después de repetirlo varias veces, el perro aprende a sentarse cuando se lo pides, sin que tengas que guiar cada uno de sus movimientos. El aprendizaje automático es similar: le damos muchos datos a una computadora y la "recompensamos" cuando hace lo correcto, de manera que aprende a realizar una tarea sin que le digamos exactamente cómo hacerlo en cada paso.

Imagina que tienes un montón de fotos de diferentes cosas, pero nadie te ha dicho qué hay en cada foto. El aprendizaje no supervisado es como si la computadora mirara esas fotos e intentara agruparlas por sí misma según lo que le parezca similar.

Ejemplo: Podría agrupar las fotos de gatos juntas, las de flores juntas, etc., sin que nadie le haya dicho qué es un gato o una flor.

Piensa en un videojuego 🎮. El jugador (que sería la IA) prueba diferentes acciones y recibe puntos (recompensas) si hace algo bien y pierde puntos si se equivoca. El aprendizaje por reforzamiento es como si la IA aprendiera a jugar al videojuego probando diferentes estrategias y aprendiendo cuáles le dan más puntos a largo plazo.

Es como el aprendizaje por reforzamiento, pero la "mente" del jugador (la IA) es mucho más compleja, utilizando redes neuronales profundas (muchas capas de procesamiento) para tomar decisiones en juegos o situaciones muy complicadas, como conducir un coche autónomo 🚗.

Imagina que has aprendido a andar en bicicleta 🚲. Cuando intentas aprender a montar en moto 🛵, muchas de las habilidades que aprendiste con la bicicleta (mantener el equilibrio, controlar el manillar) te sirven. El aprendizaje por transferencia en IA es similar: si una IA ya ha aprendido a hacer una tarea (por ejemplo, reconocer objetos en fotos), podemos usar parte de ese conocimiento para ayudarla a aprender una tarea relacionada más rápido y mejor (por ejemplo, identificar diferentes razas de perros).

Imagina un pastel con muchas capas 🍰. Cada capa procesa la información de una manera un poco diferente, volviéndose más compleja a medida que bajas en las capas. El aprendizaje profundo utiliza "redes neuronales" con muchas de estas "capas" para analizar datos muy complejos, como imágenes, sonido o texto, y encontrar patrones que serían muy difíciles de ver con métodos más simples.

Imagina que estás aprendiendo a reconocer diferentes tipos de pájaros 🐦 mirando muchas fotos. Si solo tienes unas pocas fotos de cada pájaro, podrías tener problemas si ves un pájaro en una pose diferente o con un poco de sombra. El aumento de datos es como tomar las fotos que ya tienes y modificarlas un poco (girarlas, hacerlas más brillantes, recortarlas) para crear más ejemplos y que la computadora aprenda mejor en diferentes situaciones.

Imagina que tienes una forma complicada de describir una imagen, con muchos detalles. Un autoencoder es como un programa que aprende a comprimir esa descripción en una forma más corta y eficiente, pero que luego puede usar esa forma corta para reconstruir la descripción original (o una muy parecida). Se utiliza para simplificar datos y encontrar las características más importantes.

Imagina que estás leyendo una frase y quieres entender el significado de una palabra en particular. Para hacerlo, no solo miras las palabras que están antes, sino también las que están después. BERT es un tipo de modelo de lenguaje que funciona de manera similar: analiza el texto en ambas direcciones para comprender mejor el contexto y el significado de cada palabra.

Piensa en cuando tienes una idea preconcebida sobre algo y tiendes a ver solo la información que confirma esa idea, ignorando la que la contradice. Un bias cognitivo es un error sistemático en nuestra forma de pensar. Es importante entenderlos porque pueden influir en cómo creamos y usamos la IA, introduciendo errores en los datos y en cómo interpretamos los resultados.

Es una tecnología de registro distribuido, descentralizado e inmutable. Consiste en una cadena de bloques de datos entrelazados que están protegidos por criptografía, lo que garantiza la transparencia y la seguridad de las transacciones.

Imagina una conversación por mensaje de texto con una persona. Un chatbot es un programa de computadora diseñado para simular esa conversación, respondiendo a tus preguntas y comentarios de una manera que parezca humana, aunque detrás de la conversación haya reglas de programación o inteligencia artificial.

Imagina que tienes un montón de correos electrónicos 📧 y quieres organizarlos automáticamente en carpetas como "Spam", "Trabajo" o "Personal". La clasificación de texto es la tarea de enseñarle a la computadora a leer el contenido de un texto (como un correo electrónico) y asignarle una etiqueta o categoría.

Imagina que estás aprendiendo un idioma nuevo y ves una imagen de un perro y escuchas la palabra "perro". CLIP aprende a relacionar imágenes con descripciones de texto de una manera similar. Mira muchas imágenes y muchos textos y aprende qué descripciones textuales encajan mejor con qué imágenes. Esto le permite entender y clasificar imágenes basándose en descripciones en lenguaje natural.

Imagina que tienes un montón de canicas de diferentes colores y tamaños, y las pones todas juntas. El clustering es como si la computadora intentara formar grupos de canicas que son similares entre sí (por ejemplo, todas las canicas rojas juntas, todas las canicas azules juntas, etc.) sin que nadie le diga de antemano cuáles son los grupos.

Es un tipo de computación que utiliza fenómenos de la mecánica cuántica (como la superposición y el entrelazamiento) para realizar cálculos mucho más rápido que las computadoras clásicas, especialmente en problemas complejos como la factorización de números grandes.

Imagina que tienes una linterna y la pasas por encima de una pintura para iluminar diferentes partes y ver pequeños detalles. En las redes neuronales que procesan imágenes, la convolución es una operación similar: una "linterna" digital (un filtro) se mueve por la imagen, resaltando diferentes características como bordes, texturas o formas.

Imagina que estás aprendiendo una nueva habilidad, como tocar un instrumento musical 🎸. Al principio, mejoras muy rápido, pero luego tu progreso se hace más lento a medida que te vuelves más experto. Una curva de aprendizaje en IA es una gráfica que muestra cómo mejora el rendimiento de un programa a medida que se le dan más datos para aprender. Al principio suele subir rápido y luego se estabiliza.

Imagina que estás enseñando a un niño a reconocer animales mostrándole muchas fotos de perros, gatos, pájaros, etc., y diciéndole el nombre de cada uno. Todas esas fotos que usas para enseñarle son los datos de entrenamiento para una IA.

Finalmente, para tener una idea real de qué tan bien ha aprendido el niño, le muestras fotos de animales que nunca ha visto antes, incluso de tipos que no estaban en las fotos de entrenamiento o validación. Estas fotos son como los datos de prueba para una IA: nos dan una evaluación final de su capacidad para generalizar lo aprendido a situaciones nuevas.

Después de enseñarle al niño con muchas fotos, quieres ver si realmente ha aprendido y no solo memorizado las fotos que le mostraste. Le enseñas algunas fotos nuevas de los mismos animales que no había visto antes. Estas nuevas fotos son como los datos de validación para una IA: nos ayudan a ver si el modelo está aprendiendo de verdad o solo memorizando los datos de entrenamiento.

Una vez que has entrenado a tu IA y estás contento con cómo funciona, quieres ponerla a trabajar. El despliegue de modelos es como poner esa IA "en producción", integrándola en una aplicación, un sitio web o un sistema para que pueda resolver problemas o tomar decisiones en el mundo real.

Volviendo al ejemplo de enseñarle al niño las fotos de animales, una época sería como pasar por todas las fotos de entrenamiento una vez. En el entrenamiento de una IA, a menudo se repite este proceso muchas veces (muchas épocas) para que el modelo aprenda mejor.

Imagina que le has dado un examen al niño para ver qué tan bien ha aprendido los nombres de los animales. La evaluación del modelo en IA es similar: usamos diferentes maneras de medir qué tan bien está funcionando el programa después de haber sido entrenado. Miramos cosas como cuántas veces acierta las respuestas.

Imagina que el niño dice que un animal es un "perro" y tú le preguntas por qué. Si solo dice "porque sí", no te quedas muy tranquilo. La explicabilidad de la IA busca que los programas de inteligencia artificial no solo den una respuesta, sino que también puedan explicar por qué llegaron a esa respuesta, de una manera que los humanos podamos entender. Esto es importante para confiar en la IA, especialmente en decisiones importantes.

Imagina que puedes grabar a una persona hablando durante un rato y luego usar esa grabación para hacer que diga cualquier otra cosa, con su misma voz. La falsificación de voz por IA es la tecnología que permite crear voces artificiales que suenan como la de una persona real.

Imagina que ya tienes un coche que funciona bien para la ciudad, pero quieres adaptarlo para correr en un circuito. Harías algunos ajustes específicos al motor, la suspensión, etc. El fine-tuning en IA es parecido: tomas un modelo que ya ha sido entrenado para una tarea general (como entender el lenguaje) y lo entrenas un poco más con datos específicos para una tarea más concreta (como responder preguntas sobre un tema particular).

En una red neuronal, cada "neurona" decide si debe "encenderse" (activarse) o no, basándose en la información que recibe. La función de activación es como la regla que usa esa neurona para decidir cuándo encenderse. Introduce complejidad en el modelo para que pueda aprender cosas más complicadas que solo relaciones lineales.

Imagina que estás jugando a los dardos y quieres darle al centro de la diana. La función de pérdida en IA es como medir qué tan lejos ha caído tu dardo del centro. Cuanto mayor sea la distancia, mayor será la "pérdida". El objetivo al entrenar una IA es ajustar sus "lanzamientos" (predicciones) para que la "pérdida" sea lo más pequeña posible.

Imagina que estás tratando de entender cómo está el tráfico en una ciudad. Podrías mirar el mapa, escuchar la radio con los reportes de tráfico y leer los mensajes en redes sociales. La fusión de datos es el proceso de combinar información de diferentes fuentes (como texto, imágenes de cámaras de tráfico, datos de sensores de velocidad) para obtener una imagen más completa y precisa de la situación.

Imagina que estás en la cima de una montaña con los ojos vendados y quieres llegar al valle (el punto más bajo). El gradiente descendente es como si en cada paso sintieras hacia dónde está la pendiente más pronunciada hacia abajo y dieras un pequeño paso en esa dirección. Repitiendo este proceso muchas veces, eventualmente llegarás al valle. En IA, se usa para encontrar los mejores valores para los "botones" (parámetros) del modelo que hacen que la "pérdida" sea lo más baja posible.

Volviendo al ejemplo del niño aprendiendo animales, un hiperparámetro sería como decidir cuántas veces le vas a mostrar cada foto (el número de "épocas") o qué tan rápido vas a aumentar la dificultad de las fotos. Son ajustes que haces antes de que el programa empiece a aprender y que controlan cómo aprende.

Una vez que el niño ha aprendido a reconocer los animales y le has dado el examen final, cuando le enseñas una foto de un animal nuevo y te dice su nombre, ese proceso de usar lo que aprendió para dar una respuesta sobre algo nuevo es la inferencia en IA. Es cuando el modelo ya entrenado se usa para hacer predicciones o tomar decisiones con datos nuevos.

Imagina que estás tratando de adivinar si va a llover mañana. No estás 100% seguro, pero puedes decir que hay un 70% de probabilidad basado en las nubes y el pronóstico. La inferencia probabilística en IA es similar: en lugar de dar una respuesta segura, el modelo da una probabilidad de que algo sea cierto o de que una predicción sea correcta, reconociendo que hay incertidumbre.

En términos sencillos, la inteligencia artificial es la capacidad de las máquinas para realizar tareas que normalmente requieren inteligencia humana. Esto incluye aprender, razonar, resolver problemas, entender el lenguaje y percibir el mundo. Es como darle un "cerebro" a una computadora para que pueda hacer cosas inteligentes.

Imagina poder controlar un cursor en la pantalla del ordenador solo con tus pensamientos. Una interfaz cerebro-computadora es una tecnología que crea una conexión directa entre el cerebro y una computadora, permitiendo la comunicación y el control sin necesidad de usar las manos o la voz.

Es el lenguaje que usamos los humanos para hablar y escribir, con sus reglas de gramática, sintaxis y significado, en contraposición a los lenguajes de programación que son mucho más estrictos y formales.

Imagina que estás leyendo un libro y quieres entender una frase que está al final de un párrafo. Para hacerlo, necesitas recordar información que leíste al principio del párrafo. Las LSTM son un tipo especial de "memoria" para las redes neuronales que les permite recordar información durante períodos de tiempo más largos, lo cual es muy útil para entender secuencias como el lenguaje o videos.

Volviendo al ejemplo del examen del niño, las métricas de evaluación son las diferentes formas en las que medimos su rendimiento. Podríamos mirar la precisión (cuántas respuestas correctas dio), el recall (si reconoció a todos los animales que debía), etc. En IA, usamos diferentes números para medir qué tan bien está funcionando un modelo.

Un entorno virtual tridimensional y persistente que combina aspectos de redes sociales, juegos en línea, realidad aumentada (AR), realidad virtual (VR) y criptomonedas, permitiendo a los usuarios interactuar, comprar y trabajar a través de avatares digitales.

Imagina que eres un detective 🕵️‍♂️ buscando pistas en una enorme cantidad de documentos para resolver un caso. La minería de datos es un proceso similar: se trata de explorar grandes cantidades de información digital para encontrar patrones ocultos, tendencias interesantes o información valiosa que no se ve a simple vista.

Imagina que estás escribiendo un mensaje de texto y tu teléfono te sugiere la siguiente palabra. Un modelo de lenguaje es un programa de IA que ha aprendido de muchísimos textos y puede predecir cuál es la palabra más probable que siga a una secuencia dada. También puede generar texto nuevo que suene coherente.

Piensa en un escritor muy talentoso que ha leído muchísimos libros y artículos sobre casi cualquier tema. GPT-3 es como ese escritor, pero es un programa de computadora. Ha sido entrenado con una cantidad enorme de texto y puede generar textos muy diversos y de alta calidad, desde poemas hasta código de programación, a veces indistinguibles de los escritos por humanos.

Imagina que estás traduciendo una frase de un idioma a otro. Para hacerlo bien, necesitas prestar atención a diferentes partes de la frase original al mismo tiempo. La arquitectura Transformer es una forma especial de construir redes neuronales que permite hacer precisamente eso: prestar atención a diferentes partes de una secuencia de datos (como una frase) de manera eficiente, lo que la ha hecho muy exitosa en el procesamiento del lenguaje.

Volviendo al ejemplo de enseñarle al niño los animales, las etiquetas son los nombres que le damos a cada foto ("perro", "gato", "pájaro"). En el aprendizaje supervisado de IA, los datos de entrenamiento vienen con estas etiquetas que le dicen al modelo cuál es la respuesta correcta.

Imagina una pequeña unidad de procesamiento que recibe información de otras unidades, realiza un cálculo simple y luego envía el resultado a otras unidades. Una neurona artificial es el bloque de construcción básico de una red neuronal. Recibe números como entrada, los multiplica por unos "pesos", suma un "sesgo" y luego aplica una función de activación para producir una salida.

(Ver Procesamiento de Lenguaje Natural). Es el campo de la IA que se dedica a hacer que las computadoras puedan entender, interpretar, generar y comunicarse con los humanos utilizando el lenguaje natural (como el español o el inglés), ya sea escrito o hablado.

Imagina un mapa muy detallado de un tema, donde se muestran todos los conceptos importantes y cómo se relacionan entre sí. Una ontología en IA es una representación formal de este tipo, utilizada para organizar el conocimiento y permitir que los sistemas de IA razonen sobre él.

Imagina que estás afinando un instrumento musical para que suene perfecto. La optimización en IA es un proceso similar: se trata de ajustar los "botones" (parámetros) del modelo de manera inteligente para que haga las mejores predicciones posibles, minimizando la "pérdida" o el error.

Imagina que el niño que aprendió los animales solo memorizó las fotos exactas que le mostraste. Si le enseñas una foto ligeramente diferente del mismo animal, no lo reconoce. Esto es sobreajuste: el modelo de IA ha aprendido los datos de entrenamiento tan bien, incluyendo los detalles irrelevantes o el "ruido", que no funciona bien con datos nuevos. Es como memorizar las respuestas de un examen en lugar de entender los conceptos.

Volviendo al ejemplo de la neurona artificial, los "pesos" y el "sesgo" son los parámetros del modelo. Son los valores que el algoritmo de aprendizaje automático ajusta durante el entrenamiento para que el modelo funcione mejor. Es lo que el modelo "aprende".

Imagina que tienes información personal que no quieres que nadie más vea. La privacidad de datos se refiere a proteger esa información y asegurar que solo se use de manera adecuada y con tu permiso. En IA, es muy importante proteger los datos que se utilizan para entrenar los modelos, especialmente si contienen información sensible sobre personas.

Imagina que un médico usa una radiografía para buscar una fractura en un hueso. El procesamiento de imágenes médicas utiliza técnicas de IA para analizar este tipo de imágenes (radiografías, resonancias, etc.) y ayudar a los médicos a detectar enfermedades, planificar cirugías, etc.

Es el campo de la IA que se dedica a hacer que las computadoras puedan entender, interpretar, generar y comunicarse con los humanos utilizando el lenguaje natural (como el español o el inglés), ya sea escrito o hablado. Es lo que permite a los chatbots conversar o a los traductores automáticos funcionar.

Es una parte del NLP que se enfoca específicamente en hacer que las computadoras puedan mantener conversaciones fluidas y naturales con los humanos, como lo hacen los asistentes virtuales (Siri, Alexa) o los chatbots avanzados.

Es una rama del NLP que se centra en crear modelos de IA capaces de generar texto nuevo, coherente y relevante para un contexto dado. Los modelos como GPT-3 son ejemplos de NLP generativo.

Es la capacidad de los sistemas de IA para trabajar con lenguaje natural en varios idiomas diferentes, ya sea para entender texto en diferentes lenguas, traducir entre ellas o generar texto en múltiples idiomas.

Imagina que estás chateando con alguien por texto, pero no sabes si es una persona o una computadora. La Prueba de Turing es un experimento propuesto por Alan Turing para determinar si una máquina puede exhibir un comportamiento inteligente que sea indistinguible del de un ser humano en una conversación. Si la máquina logra engañar al humano haciéndole creer que está hablando con otra persona, se podría decir que ha pasado la prueba.

Piensa en una caja de herramientas muy completa llena de instrumentos que los programadores pueden usar para construir y entrenar modelos de inteligencia artificial, especialmente redes neuronales profundas. PyTorch es una de esas cajas de herramientas, muy popular en la investigación y el desarrollo de IA.

Imagina que tienes un falsificador de arte 🎨 que intenta crear una pintura falsa que parezca real, y un detective de arte 🕵️‍♂️ que intenta distinguir las falsificaciones de las pinturas originales. El falsificador mejora con la retroalimentación del detective, y el detective se vuelve mejor a medida que ve más falsificaciones. Una GAN funciona de manera similar, con dos redes neuronales: un "generador" que crea datos (como imágenes) y un "discriminador" que intenta distinguir los datos generados de los datos reales. Trabajan en contraposición para que el generador aprenda a crear datos muy realistas.

Volviendo al ejemplo de traducir una frase, el mecanismo de atención permite que el modelo se concentre en las partes más importantes de la frase de origen al generar la traducción. Es como si el modelo tuviera la capacidad de "prestar más atención" a ciertas palabras clave.

Es un modelo computacional inspirado en cómo funcionan las neuronas en el cerebro humano, conectadas entre sí en capas. Estas redes pueden aprender a realizar tareas complejas analizando grandes cantidades de datos.

Imagina un tipo de red neuronal que es especialmente buena para analizar imágenes. Utiliza capas especiales que pueden detectar patrones como bordes, formas y texturas en las imágenes, similar a cómo nuestro cerebro procesa la información visual.

Imagina un tipo de red neuronal que tiene "memoria". Puede recordar información de entradas anteriores en una secuencia (como las palabras que ya has dicho en una frase) para procesar la entrada actual. Esto las hace útiles para trabajar con datos que tienen un orden, como el lenguaje o las series de tiempo.

Imagina construir una torre muy alta con bloques. Cuanto más alta es la torre, más difícil es que se mantenga estable. Las Redes Residuales utilizan una técnica de "conexiones de salto" que permiten que la información fluya más directamente a través de muchas capas, lo que facilita la construcción de redes neuronales muy profundas y potentes.

Imagina que le muestras una foto a una computadora y esta es capaz de decirte qué objetos hay en la foto y dónde están ubicados (por ejemplo, "hay un perro en la esquina inferior izquierda y un gato en el centro"). Eso es el reconocimiento de objetos.

Es la tecnología que permite a las computadoras entender lo que dices cuando hablas y convertir tus palabras en texto escrito, como cuando usas un asistente de voz o dictas un mensaje.

Imagina que tienes una serie de puntos en una gráfica y tratas de dibujar una línea recta que mejor se ajuste a esos puntos. La regresión lineal es una técnica estadística y de aprendizaje automático para encontrar esa línea y usarla para predecir valores futuros.

Imagina que tienes una foto y quieres dividirla en diferentes regiones según lo que representa cada parte (por ejemplo, separar el cielo del suelo, un coche de una persona). La segmentación de imágenes es la tarea de asignar una etiqueta a cada píxel de la imagen para identificar a qué objeto o región pertenece.

Imagina que estás comprando en línea o viendo películas y la página te sugiere otros productos o películas que podrían gustarte basándose en lo que has comprado o visto antes. Los sistemas de recomendación son sistemas de IA que hacen estas sugerencias.

Imagina que estás enseñando a la IA a reconocer coches, pero en lugar de tener fotos perfectamente etiquetadas como "este es un coche", solo tienes fotos con comentarios como "había varios vehículos en la carretera". La supervisión débil se refiere a usar este tipo de información menos precisa o incompleta para entrenar modelos de IA, lo que puede ser útil cuando obtener etiquetas perfectas es muy caro o difícil.

Imagina un sistema de IA que toma decisiones importantes, pero siempre hay una persona que revisa y aprueba esas decisiones antes de que se lleven a cabo. Eso es supervisión humana: la combinación de la inteligencia artificial con la supervisión de un humano para asegurar que las decisiones sean correctas y éticas.

Imagina que tienes puntos de dos colores diferentes en una gráfica y quieres dibujar una línea que los separe lo mejor posible. Un SVM es un algoritmo que encuentra la mejor línea (o hiperplano en más dimensiones) para separar los datos en diferentes categorías.

Volviendo al ejemplo del gradiente descendente en la montaña, la tasa de aprendizaje sería el tamaño del paso que das en cada iteración. Si das pasos muy grandes, podrías saltarte el valle; si das pasos muy pequeños, tardarías mucho en llegar. En IA, la tasa de aprendizaje controla cuánto se ajustan los parámetros del modelo en cada paso del entrenamiento.

Al igual que PyTorch, TensorFlow es otra caja de herramientas muy popular y poderosa que los programadores utilizan para construir y entrenar modelos de inteligencia artificial, especialmente redes neuronales. Es una de las plataformas más utilizadas en la industria.

Imagina que tienes una foto de un paisaje y quieres que parezca pintada al estilo de Van Gogh. La transferencia de estilo es una técnica de IA que toma el "estilo" visual de una imagen (los colores, las pinceladas) y lo aplica al contenido de otra imagen.

Imagina que intentas enseñarle al niño a distinguir entre perros y gatos, pero solo le muestras dos fotos, una de un chihuahua y otra de un siamés. Luego le enseñas un labrador y no lo reconoce como perro, o un persa y no lo reconoce como gato. Esto es subajuste: el modelo de IA es demasiado simple o no se ha entrenado lo suficiente para capturar la complejidad de los datos, por lo que no funciona bien ni siquiera con los datos de entrenamiento.

Imagina que quieres saber qué tan bueno es tu niño aprendiendo animales, pero solo tienes un conjunto limitado de fotos. La valoración cruzada es como dividir ese conjunto de fotos en varios grupos. Entrenas al niño con algunos grupos y lo examinas con los otros, y luego repites esto varias veces cambiando los grupos de entrenamiento y examen. Esto te da una idea más fiable de qué tan bien aprende en general. En IA, se usa para evaluar la robustez de un modelo.

Imagina que tienes una tabla llena de números y no puedes entender lo que significan. La visualización de datos es como transformar esos números en gráficos, diagramas o imágenes que hacen que la información sea mucho más fácil de entender e identificar patrones o tendencias.

Es el campo de la IA que busca permitir que las computadoras puedan "ver" e interpretar el mundo visual a partir de imágenes y videos, de manera similar a como lo hacemos los humanos. Esto incluye tareas como identificar objetos, reconocer caras, entender escenas, etc.

Imagina un coche autónomo que necesita "ver" la carretera y tomar decisiones al instante. La visión por computadora en tiempo real se refiere a los sistemas de IA que pueden analizar y comprender información visual de cámaras o videos de forma continua y rápida, para reaccionar a los cambios en el entorno casi inmediatamente.