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 la IA Explicable (XAI)

La IA Explicable (XAI) se refiere a los métodos de inteligencia artificial que proporcionan explicaciones comprensibles para los humanos sobre sus decisiones y acciones. A medida que los sistemas de IA se vuelven más prevalentes en sectores críticos como la salud y las finanzas, la necesidad de transparencia es fundamental. Los usuarios deben comprender la lógica detrás de las decisiones de la IA para confiar en la tecnología.

La XAI opera a través de varias técnicas, incluyendo análisis de importancia de características, visualización de modelos y generación de reglas de decisión interpretables. Estos métodos permiten a los usuarios comprender mejor las salidas de los modelos de IA, aumentando así la confianza en los sistemas. Por ejemplo, herramientas como LIME (Explicaciones Locales de Modelos Independientes) y SHAP (Explicaciones Aditivas de Shapley) pueden revelar cómo características específicas influyen en las predicciones.

De cara al futuro, a medida que las aplicaciones de IA se expanden, se espera que la XAI se convierta en un estándar de la industria, especialmente en un contexto de creciente rigor regulatorio. Sus ventajas incluyen mejorar la confianza del usuario, aumentar la aceptación del modelo y ayudar a los desarrolladores a identificar sesgos y problemas éticos en los modelos. Sin embargo, la XAI también presenta desventajas, como el costo computacional adicional, la posibilidad de simplificación excesiva de las explicaciones y dificultades para aplicarse a todos los tipos de sistemas de IA.

Al implementar la XAI, los desarrolladores deben equilibrar la relación entre la explicabilidad y el rendimiento del modelo, asegurándose de que las explicaciones proporcionadas sean realmente útiles para los usuarios finales. En general, la XAI es un paso crucial para fomentar la transparencia y la responsabilidad en la IA, contribuyendo a un desarrollo de IA más seguro y justo.