CONCEPTS
Todas las entradas
Cuarenta y ocho conceptos esenciales, filtrables por dominio o nivel.
48 entradas
Vectores y espacios vectoriales
La IA convierte todo —palabras, imágenes, sonidos, usuarios— en una lista de números
Gradiente y descenso de gradiente
Todo el aprendizaje profundo se reduce a una cosa: dar un pequeño paso cuesta abajo
Operaciones matriciales y transformaciones lineales
Multiplicar matrices no es una ristra de productos y sumas: reescribe todo un espacio de una vez
Probabilidad y distribuciones
Un modelo nunca te da una respuesta; te da un grado de creencia sobre cada respuesta posible
Teorema de Bayes
Cree un poco, ve la evidencia, corrija un poco: eso es Bayes
Entropía y teoría de la información
Cuanto más sorprendente es una frase, más información lleva; y la función de pérdida de un modelo de lenguaje mide exactamente esa sorpresa
Aprendizaje supervisado
Pares de pregunta y respuesta enseñan al modelo a responder por sí solo
Aprendizaje no supervisado
Sin respuestas, la estructura debe emerger de los propios datos — y hay que redefinir qué es «bueno»
Funciones de pérdida
La función de pérdida define qué penalizas — cambiarla cambia toda tu noción de lo correcto
Sobreajuste y regularización
El modelo memoriza los datos de entrenamiento al pie de la letra y fracasa ante datos nuevos
Evaluación de modelos y validación cruzada
La exactitud es la métrica más fácil de engañar — si evalúas mal, todo lo demás cae
Compromiso sesgo-varianza
Todo error de predicción se divide en tres: un modelo demasiado simple, demasiado inestable, y el azar del propio mundo
Neurona y perceptrón
La pieza más pequeña de una red neuronal: una suma ponderada, un sesgo y un giro de no linealidad
Retropropagación
Convertir “calcular el gradiente” de una ardua tarea matemática en una sola llamada: el instante en que despegó el aprendizaje profundo
Funciones de activación
Sin ella, hasta la red más profunda es solo una única transformación lineal
Redes neuronales convolucionales
Sustituir las conexiones completas por “mirar en local y reutilizar la misma regla en todas partes”: la idea que hizo funcionar el reconocimiento de imágenes
Redes neuronales recurrentes
Dar memoria a la red: una misma unidad reutilizada en el tiempo para tratar secuencias de cualquier longitud
Normalización y conexiones residuales
Hacer entrenable una red de cien capas: un atajo de identidad y un reescalado por capa
Tokenización
Los modelos no leen caracteres, leen tokens; y cómo los dividas decide en silencio capacidad y coste
Embeddings de palabras
Convertir palabras en coordenadas: los sinónimos se agrupan solos y el significado pasa a ser algo que se puede sumar y restar
Mecanismo de atención
Cada posición puede mirar directamente a todas las demás y repartir su atención según la relevancia
Arquitectura Transformer
Sustituir el relé palabra a palabra por una sala donde todos hablan a la vez, para que las dependencias lejanas estén a un salto
Preentrenamiento y ajuste fino
Aprender el lenguaje primero con texto sin etiquetas y luego especializarse con pocos datos: el paradigma más eficiente en datos de la IA moderna
Ingeniería de prompts y alineación
Hacer que un modelo sea útil, honesto e inofensivo es más difícil que simplemente agrandarlo
Representación digital de imágenes
Para una máquina, una foto no es más que cuadrículas de números superpuestas
Operaciones de convolución
Una pequeña plantilla recorriendo la imagen encuentra bordes, texturas y formas
Clasificación de imágenes
No le digas “los gatos tienen bigotes”: muéstrale suficientes gatos y lo deduce
Detección de objetos
De “qué hay en la imagen” a “qué, dónde y cuántos”
Segmentación semántica
Colorear cada píxel: no un recuadro, sino un libro para colorear
Visión autosupervisada y aprendizaje contrastivo multimodal
Sin etiquetas: aprender a ver deduciendo qué imágenes son la misma
Proceso de decisión de Markov
Escribir «decidir paso a paso» con cinco símbolos: todo el aprendizaje por refuerzo empieza aquí
Funciones de valor y Q-learning
En lugar de adivinar qué hacer, calcula primero cuánto vale cada opción
Gradientes de política
Ajusta la política directamente para que las buenas acciones ocurran más a menudo
Exploración y explotación
La mejor opción ahora no es necesariamente la mejor a largo plazo
Aprendizaje por refuerzo profundo
Deja que una red neuronal decida directamente desde píxeles, estabilizada con ideas antiguas
Aprendizaje por refuerzo a partir de retroalimentación humana
Cuando la «buena respuesta» no cabe en una fórmula, deja que las personas actúen como recompensa
Panorama de los modelos generativos
Los modelos discriminativos responden "qué es esto"; los generativos, "cómo debería verse"
Autoencoders y VAE
Comprime la información por un cuello de botella y deja que vuelva a crecer
Redes generativas antagónicas
Un falsificador contra un inspector: cada uno lleva al otro a su límite
Modelos de difusión
Aprende mil pequeños pasos de eliminación de ruido y podrás crear una imagen desde ruido puro
Difusión latente y control condicional
Hacer difusión no sobre píxeles, sino dentro de un espacio semántico comprimido
Generación multimodal
Un mismo modelo que aprende a hablar, dibujar, moverse e incluso modelar el mundo 3D
Infraestructura de entrenamiento e inferencia
La memoria decide qué tan grande es el modelo que puedes entrenar; la comunicación, cuánto tarda
Compresión de modelos
Hacer un modelo más pequeño, rápido y barato sin apenas perder precisión — aunque rara vez los tres a la vez
Optimización y servicio de inferencia
El entrenamiento ocurre una vez; la inferencia, miles de millones de veces al día — y el primer token y el rendimiento suelen oponerse
Generación aumentada por recuperación
En lugar de meter el conocimiento en los parámetros, dejarlo fuera y consultarlo cuando haga falta: como un examen a libro abierto
Agentes y uso de herramientas
Que un modelo no solo responda: consulte, llame APIs, ejecute código — y decida el siguiente paso según el resultado
Seguridad, alineación e inyección de prompts
El modelo optimiza el proxy escrito en la pérdida, nunca lo que de verdad queremos: esa brecha es todo el problema de alineación