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 Generación Aumentada por Recuperación (RAG)?

La Generación Aumentada por Recuperación (RAG) es un modelo que combina técnicas de recuperación y generación, ampliamente utilizado en el campo del procesamiento del lenguaje natural (NLP).

La idea central de RAG es mejorar las capacidades de los modelos generativos mediante la recuperación de información relevante, mejorando así la relevancia y precisión del texto generado. Normalmente, RAG opera recuperando primero segmentos de texto relevantes de una base de conocimiento y luego utilizando esos segmentos como contexto para el modelo generador.

Este enfoque permite que el modelo no solo dependa de su conocimiento interno, sino que también aproveche fuentes de información externas para mejorar la calidad de su salida. Un escenario típico para RAG es en sistemas de preguntas y respuestas, donde el modelo puede recuperar información de una base de datos en función de las preguntas del usuario y generar respuestas más informativas.

El futuro de RAG es prometedor. A medida que las bases de conocimiento continúan expandiéndose y actualizándose, los modelos RAG podrán manejar mejor preguntas complejas y proporcionar respuestas más precisas. Además, RAG puede aplicarse en muchos otros campos, como la generación de contenido y sistemas de diálogo.

Sin embargo, RAG enfrenta varios desafíos. Cómo recuperar información relevante de manera eficiente, cómo procesar la información recuperada y cómo mantener la coherencia y consistencia en el contenido generado son cuestiones que merecen investigación. A pesar de esto, las ventajas de RAG son evidentes, ya que combina las fortalezas de la recuperación y la generación, mejorando significativamente el rendimiento de las tareas de procesamiento del lenguaje natural.