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 Amplificación de Inteligencia

La Amplificación de Inteligencia (IA) se refiere al uso de tecnología para mejorar la inteligencia humana. Este concepto se centra en aprovechar herramientas y técnicas para mejorar las capacidades humanas en el pensamiento, la toma de decisiones y la creatividad. A diferencia de la inteligencia artificial (IA), que a menudo opera de forma independiente, la IA enfatiza la participación humana y la mejora de la inteligencia.

El desarrollo histórico de la IA se remonta a los primeros días de la ciencia de la computación, especialmente en campos como el procesamiento de información y los sistemas de soporte a la decisión. Con los avances tecnológicos, la IA se ha integrado gradualmente en áreas como el análisis de datos, el procesamiento del lenguaje natural y el aprendizaje automático, permitiendo que los humanos procesen información compleja y tomen decisiones informadas de manera más eficiente.

Las aplicaciones típicas de la IA incluyen asistentes de diagnóstico de enfermedades en el ámbito de la salud, sistemas de aprendizaje personalizado en educación y herramientas de análisis de datos en empresas. En términos de tendencias futuras, es probable que la IA se combine con la realidad virtual y aumentada, proporcionando a los usuarios experiencias de mejora de la inteligencia más intuitivas y efectivas.

Las ventajas de la IA incluyen una mayor eficiencia laboral, una mayor creatividad y un apoyo a la toma de decisiones complejas. Sin embargo, también plantea desafíos de privacidad y éticos, especialmente en relación con la recolección y procesamiento de datos. Los usuarios deben considerar la seguridad de los datos y los posibles sesgos al utilizar la IA.