La Inteligencia Artificial Generativa (IAG) está transformando la forma en que creamos, trabajamos y nos comunicamos. Pero, para poder hablar con propiedad sobre esta tecnología —y mucho más importante aún, para poder tomar decisiones informadas sobre su uso— necesitamos entender cómo funciona. Y eso empieza, como todo, por el lenguaje. Este glosario nace con un objetivo muy claro: poner al alcance de todos los términos básicos que rodean a la IAG, porque no se trata de aprender por aprender, sino de ofrecer herramientas concretas para que más personas puedan participar activamente de las conversaciones que están dando forma al futuro inmediato.
A diferencia de muchos glosarios tradicionales que ordenan los conceptos alfabéticamente, en Mottum decidimos organizarlos por categorías temáticas. Esta estructura te permitirá comprender los términos como piezas de un sistema mayor, no como definiciones aisladas. Bienvenido entonces a este recorrido por los conceptos clave de la IAG. Están explicados de forma clara, con ejemplos, y sin tecnicismos innecesarios. Porque creemos que entender la tecnología es el primer paso para poder usarla bien.
Fundamentos
- LLM (Large Language Model): es un modelo de lenguaje, entrenado con enormes cantidades de texto, el cual es capaz de comprender y generar texto en lenguaje natural. Utilizan arquitecturas como los transformers, los cuales permiten al modelo predecir la próxima palabra, gracias al mecanismo de atención (attention mechanism), mediante el cual los transformers analizan todas las palabras de un texto a la vez y entienden cuál es la relación entre ellas, sin importar la distancia entre ellas.
- SLM (Small Language Model): consiste en un modelo de lenguaje capaz de comprender y generar texto en lenguaje natural. Son más pequeños en tamaño y contexto que los LLMs, lo que los hace más compactos y eficientes en términos de computación.
- Prompt: es la instrucción en lenguaje natural que se le da a un modelo generativo para guiar su resultado. Existen diferentes metodologías y frameworks para sacar el mayor rendimiento de los prompts posible, como en el caso de RICCE (Role, Instructions, Context, Constraints, Examples).
- Token: es la unidad mínima de texto (palabra, parte de palabra o símbolo) que procesan los modelos de IA. Estos se miden como tokens de entrada, (los tokens que procesa el modelo en función de nuestro prompt) y tokens de salida (los tokens que genera el modelo a la hora de respondernos).
- Embedding: el embedding convierte un token o texto en un vector numérico que captura su significado semántico. Al vectorizarlo, conseguimos capturar información semántica y contextual de cada token.
- Asistente: es un software que funciona con inteligencia artificial el cual engloba funcionalidades como; aprendizaje automático, procesamiento de lenguaje natural, razonamiento, que está diseñado para contestar al usuario en tareas como: contestar preguntas, gestionar agendas, buscar información, controlar dispositivos…
- Corpus: en el ámbito de la inteligencia artificial es una colección estructurada de datos que se utilizan para entrenar y evaluar modelos de aprendizaje.
Parámetros de control
- Temperature (o temperatura): La temperatura ajusta el grado de aleatoriedad en la selección de tokens, de esta manera podemos controlar que tan creativas o conservadoras son las respuestas del modelo.
- Top-k Sampling: La técnica top-k sampling limita la generación a los k candidatos más probables en cada paso (en la generación de cada palabra), esto ayuda directamente a mejorar la coherencia en la respuesta.
Técnicas clave
- Entrenamiento: es el proceso mediante el cual un algoritmo “aprende” a resolver una tarea como; clasificación, regresión, generación de texto, a partir de unos datos que le demos al modelo. En resumen, entrenar un modelo es enseñarle, con ejemplos y ajustes numéricos, a captar patrones en datos para luego predecir o generar resultados útiles en situaciones nuevas.
- Fine-Tuning: el fine-tuning consiste en utilizar un LLM previamente entrenado y re-entrenarlo con un conjunto de datos más específico, que permita al modelo especializarse en un tema o un estilo concreto. De esta manera estamos modificando su comportamiento para que sea capaz de responder mejor en contextos específicos.
- RAG (Retrieval-Augmented Generation): Retrieval-Augmented Generation consiste en un proceso dos fases a la hora de responder un LLM:
- Recuperación (Retrieval): En función del prompt del usuario se consultan documentos externos mediante búsqueda densa o basada en palabras clave para encontrar textos relevantes. Cuando un usuario hace una pregunta, se busca información en la base de documentos externos para encontrar los textos más relevantes a la hora de responder a la consulta del usuario. Para hacer esta búsqueda, no se basa en la coincidencia de las palabras, sino que entiende el significado de lo que está pidiendo el usuario y lo compara con el contenido de los documentos que tiene guardados. Estos documentos se preparan de antemano sacando sus representaciones numéricas; esto facilita encontrar rápidamente lo que más se relaciona con la pregunta.
- Generación (Generation): el LLM recibe el prompt junto con los fragmentos recuperados y genera una respuesta final, fundamentada en ese contexto externo.
- TAG (Table-Augmented Generation): utiliza específicamente datos estructurados provenientes de tablas para guiar el proceso de generación. En contraste con el RAG este método es más óptimo cuando la precisión y la exactitud son necesarios, como en el caso de trabajar con datos numéricos o categóricos organizados en formato tabular. Este proceso consiste en tres fases:
- Extracción de la tabla: Cuando el usuario envía un prompt, el sistema identifica las fuentes de datos estructurados pertinentes y extrae las filas, columnas o celdas que responden al requerimiento.
- Fusión de datos: Una vez extraída la información relevante de las tablas, el modelo recibe los datos brutos y los une al proceso de generación: no se limita a mostrar valores, sino que los utiliza para construir un texto coherente que explique la información.
- Paso de generación: Finalmente, el modelo generativo produce un texto fluido y cohesionado basado en los datos estructurados. El modelo se encarga de que la respuesta generada se corresponda exactamente con los datos originales, manteniendo la consistencia en cifras que se han extraído de la tabla.
Capacidades cognitivas
- Chain-of-Thought: el CoT, por sus siglas en inglés, consiste en una técnica en inteligencia artificial que ayuda a modelos de lenguaje (LLMs) a resolver problemas complejos estructurando su razonamiento en pasos lógicos. En lugar de proporcionar directamente una respuesta, el modelo explica sus pasos intermedios para llegar a la conclusión final de forma que el propio modelo elabora en la respuesta mientras la está generando.
- Inferencia: la inferencia en machine learning es el proceso mediante el cual un modelo previamente entrenado aplica lo aprendido a datos nuevos para generar predicciones o contenido.
- Agentes: son sistemas basados en LLM que ejecutan flujos de trabajo autónomos, siendo capaces de invocar herramientas externas para ejecutar una acción. La diferencia entre un chatbot de IA generativa convencional y un agente es que este último es capaz de ejecutar acciones, fuera de responder a un prompt, de manera que al integrarse con otras plataformas son capaces de ejecutar flujos de trabajo completos los cuales necesitan intervención humana en caso de usar un chatbot convencional. Un agente usa LLMs pero no es necesariamente un chatbot, podríamos crear un agente el cual a partir de la foto de una factura nos rellene una fila de un excel con los datos de esta factura.
- Multi-Agentes: Los Multi-agents consisten en sistemas que mezclan varios agentes que trabajan de manera colectiva con el fin de completar una tarea para un usuario u otro sistema. Todos están bajo el mando de un orquestador, el cual se dedica a llamar en orden adecuado a cada uno de los agentes para que se cumpla la tarea especificada por el usuario o sistema.
Riesgos y Límites
- Alucinación: una alucinación ocurre cuando un modelo genera información plausible pero falsa o sin base en los datos de entrenamiento.
- Context Window: la ventana de contexto es la cantidad de tokens que un LLM puede “ver” o tener en cuenta al generar cada respuesta. Cuando el total de tokens de la entrada supera el máximo permitido, el modelo descarta los tokens más antiguos hasta que el conteo esté dentro del límite. A esto se le conoce como truncación de tokens.
Comprender la Inteligencia Artificial Generativa no es solo una cuestión técnica, sino una necesidad estratégica para cualquier organización que quiera innovar con criterio. Este glosario busca ser una puerta de entrada clara y accesible al universo de la IAG, no solo para entenderla, sino para empezar a usarla de forma consciente, creativa y alineada con los objetivos de negocio. En Mottum acompañamos a equipos y empresas en ese camino a través de nuestros programas de AI Training: formaciones prácticas, diseñadas a medida, para que tus colaboradores no solo sepan qué es la IA, sino cómo aplicarla en su día a día de manera ética, eficiente y productiva.
¿Quieres que tu equipo hable el lenguaje de la IA y lo use con impacto real? Hablemos.