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 Generativa

La IA Generativa se refiere a una clase de tecnologías de inteligencia artificial que pueden crear nuevo contenido basado en patrones aprendidos de datos existentes. Esto incluye texto, imágenes e incluso música, lo que la convierte en una herramienta poderosa en diversas industrias, incluyendo las artes creativas, la educación y la salud.

La tecnología se basa principalmente en algoritmos avanzados como las Redes Generativas Antagónicas (GANs) y los Autoencoders Variacionales (VAEs). Las GANs consisten en dos redes neuronales: una generadora que crea nuevos datos y una discriminadora que evalúa su autenticidad. Este proceso antagónico mejora la calidad del contenido generado con el tiempo.

En escenarios prácticos, la IA Generativa se ha aplicado ampliamente en la creación de contenido, la realidad virtual, el desarrollo de juegos y el análisis de imágenes médicas. Por ejemplo, los modelos GPT de OpenAI pueden generar texto coherente, mientras que DALL-E genera imágenes basadas en descripciones textuales. Sin embargo, la tecnología también plantea preocupaciones éticas, como problemas de derechos de autor y la difusión de desinformación.

En el futuro, se espera que la IA Generativa aborde tareas más complejas, como la educación personalizada y el servicio al cliente inteligente. Sus ventajas incluyen eficiencia y creatividad, pero también deben gestionarse cuidadosamente el uso indebido y los sesgos potenciales.