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 Prompt

El término prompt es crucial en varios campos, especialmente en informática, inteligencia artificial e interacción hombre-computadora. Esencialmente, un prompt actúa como una instrucción o señal que guía a los usuarios o sistemas para realizar una tarea específica.

En el ámbito de la inteligencia artificial generativa, especialmente en el procesamiento del lenguaje natural (NLP), un prompt se refiere al texto de entrada que se le da a un modelo para dirigirlo a generar salidas correspondientes. El diseño de un prompt impacta significativamente la calidad del contenido generado.

Por ejemplo, en chatbots, un prompt del usuario puede ser una pregunta, a la que el sistema responde. A medida que la tecnología avanza, el diseño de prompts se vuelve cada vez más complejo, involucrando comprensión del contexto y reconocimiento emocional.

En aplicaciones prácticas, los prompts se utilizan ampliamente en generación de contenido, sistemas de diálogo y asistentes de programación. En el futuro, a medida que la inteligencia artificial avance, la optimización y generación automatizada de prompts probablemente se convertirán en un foco de investigación.

Sin embargo, crear prompts efectivos también presenta desafíos, como garantizar la precisión, evitar ambigüedades y satisfacer diversas necesidades de los usuarios. Por lo tanto, al diseñar prompts, los usuarios deben considerar su público objetivo, expresar claramente sus intenciones y, siempre que sea posible, iterar y probar.