Glossary

0-9

6DoF pose estimation 4D data 5G + AI 1-shot learning 0-shot learning 3D convolution 8-bit quantization 7D representation 2-stage detector 9-layer network

A

Artificial Intelligence (AI)AGI / Artificial General Intelligence Autoencoder Attention Algorithm

B

Backpropagation BERT Bias Boosting Batch Normalization

C

Classifier / Classification CNN / Convolutional Neural Network Clustering Cross-Validation Chatbot

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Ensemble Learning Encoder Embedding Epoch Explainable AI (XAI)

F

Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation Foundation Model

G

GAN / Generative Adversarial Network Gradient Descent Grounding Generative AI Graph Neural Network (GNN)

H

Hierarchical Model Heuristic Hallucination Hidden Layer Hyperparameter

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

Juxtaposition Jittering JAX Joint Embedding JSONL / JSON-lines

K

K-Shot Learning Kernel Trick K-means Clustering Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)

L

Learning Rate Large Language Model (LLM)Loss Function Latent Variable LSTM / Long Short-Term Memory

M

Machine Learning (ML)Meta-learning Model Multi-head Attention Multimodal / Multimodality

N

NLP / Natural Language Processing Novelty Detection / Anomaly Detection NLU / Natural Language Understanding Normalization Neural Network

O

Online Learning Objective Function One-hot Encoding Overfitting Optimizer

P

Pretraining Pooling Parameter Policy / Reinforcement Learning Policy Prompt

Q

Q-learning Queue / Buffer Quantization Quality Estimation Query

R

Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Representation Learning Regularization RNN / Recurrent Neural Network

S

Self-Supervised Learning Supervised Learning Sequence Modeling Sampling Softmax

T

Tuning / Hyperparameter Tuning Tokenizer Training Data Transfer Learning Transformer

U

Unsupervised Learning Universal Approximation Theorem Underfitting Uncertainty Estimation U-Net

V

Vector Embedding Variational Autoencoder (VAE)Validation Set Vision Transformer (ViT)Vanishing / Exploding Gradient

W

Weight Decay Weak Supervision Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem XAI / Explainable AI X-axis / feature axis XLM XLNet

Y

Y-axis / feature axis Yield (model yield / throughput)YAGNI (You Aren't Gonna Need It)Y-transform / YUV Yoga of AI

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zero-gradient phenomenon Zygosity in augmentation

Qué es Bias

El término bias se refiere a una tendencia o inclinación que resulta en una desviación de un estándar de equidad. Se manifiesta en varios campos, incluida la psicología, la sociología y la ciencia de datos.

En psicología, el bias puede influir en los procesos de toma de decisiones, llevando a las personas a hacer juicios irracionales basados en emociones en lugar de hechos. Por ejemplo, el sesgo de confirmación puede hacer que las personas favorezcan la información que apoya sus creencias preexistentes, ignorando la evidencia contradictoria. Este fenómeno puede afectar significativamente las decisiones personales y profesionales.

En sociología, el bias a menudo se manifiesta como estereotipos o prejuicios hacia grupos específicos, afectando las interacciones sociales e influyendo en las políticas públicas. La conciencia sobre estos sesgos es crucial para fomentar comunidades inclusivas y promover la igualdad.

En la ciencia de datos y la inteligencia artificial, el bias ha emergido como un problema crítico, ya que los algoritmos entrenados en datos sesgados pueden perpetuar o incluso exacerbar las desigualdades existentes. La investigación continúa abordando cómo identificar y mitigar el bias en los sistemas de IA para garantizar resultados justos.

A medida que la sociedad valora cada vez más la diversidad y la equidad, la comprensión y el enfrentamiento del bias seguirán siendo un área vital de estudio. Las tendencias futuras indican un enfoque en la IA ética y prácticas de datos equitativas para reducir el impacto del bias en la toma de decisiones.