Glosario IA

Ajustar un modelo general a un dominio específico (legal, salud, etc.).

La adaptación de dominio ajusta un modelo de propósito general a un dominio especializado. El RAG se usa a menudo para anclar (grounding) en dominios específicos.

Plan en vivo del agente: pasos ordenados, subtareas abiertas y hitos hacia el objetivo.

La agenda es la memoria de trabajo de la ejecución—lista de próximas acciones, bloqueos e ítems completados tras la descomposición de tareas y los resultados de herramientas. Mostrarla en UI y logs hace trazables las ejecuciones y alinea el comportamiento con PRD y criterios de aceptación.

Entidad software que percibe su entorno, toma decisiones y ejecuta acciones para alcanzar objetivos.

Un agente IA es una entidad software autónoma que percibe su entorno, razona sobre la mejor acción y ejecuta acciones para lograr objetivos definidos. Puede usar herramientas, APIs y orquestar workflows.

Inventario de linaje, datasets, dependencias y licencias de un sistema de IA.

Un AI BOM rastrea componentes—modelos base, adaptadores, corpus, contenedores—para que seguridad, legal y riesgo evalúen exposición y actualizaciones. Es pieza emergente del gobierno de cadena de suministro de IA.

Cuando un LLM genera información falsa o inventada con apariencia de verdad.

La alucinación ocurre cuando un LLM produce información plausible pero falsa. El RAG, grounding y scoring de confianza ayudan a reducir alucinaciones en producción.

Análisis del tono o emoción en texto.

El análisis de sentimiento clasifica el tono emocional del texto: positivo, negativo, neutral. Usado en feedback de clientes y monitoreo de marca.

Uso de datos para predecir el futuro (ventas, fallos, demanda).

El analytics predictivo usa datos históricos y ML para pronosticar resultados futuros: demanda, churn, fallos de equipo, ventas. Habilita decisiones proactivas.

Interfaz que permite que sistemas diferentes se comuniquen; clave para integrar modelos IA.

Una API es un conjunto de protocolos que permite que sistemas de software se comuniquen. Para IA, las APIs permiten llamar a LLMs, obtener embeddings e integrar capacidades de IA en workflows existentes.

Entrenamiento distribuido sin centralizar datos en bruto.

El aprendizaje federado actualiza un modelo compartido manteniendo datos on-premise o en dispositivo, compartiendo solo gradientes o agregados. Encaja en sectores regulados y casos con datos sensibles.

Enseñar con pocos ejemplos; útil cuando hay pocos datos etiquetados.

El aprendizaje few-shot entrena con muy pocos ejemplos etiquetados. Los LLMs lo hacen bien mediante aprendizaje en contexto (ejemplos en el prompt).

Aprendizaje por recompensas o penalizaciones; el modelo aprende del feedback.

El aprendizaje por refuerzo entrena agentes mediante señales de recompensa. El agente toma acciones, recibe feedback y aprende a maximizar la recompensa acumulada.

Separación de contenido y presentación; permite omnichannel e integración con IA.

La arquitectura headless desacopla la gestión de contenido del front-end. El contenido se entrega vía APIs, permitiendo experiencias omnichannel e integración con IA.

Arquitectura basada en eventos; permite sistemas reactivos y escalables.

La arquitectura orientada a eventos usa eventos para disparar y coordinar el comportamiento del sistema. Soporta aplicaciones de IA en tiempo real y pipelines escalables.

Ejecución de tareas sin intervención humana, a menudo con IA para decisiones complejas.

La automatización ejecuta tareas sin intervención humana. Con IA, puede manejar decisiones complejas, no solo workflows basados en reglas. La hiperautomatización extiende esto a procesos completos.

Repositorio estructurado de información; base de sistemas RAG y asistentes.

Una base de conocimiento es un repositorio estructurado de conocimiento organizacional. Alimenta sistemas RAG y asistentes que responden preguntas desde datos de la empresa. Thinkia Knowledge Core es un ejemplo.

Base de datos optimizada para búsqueda por similitud de vectores (embeddings).

Una base de datos vectorial almacena embeddings y soporta búsqueda de similitud rápida. Dado un embedding de consulta, devuelve los vectores más similares. Esencial para RAG a escala.

Modelo de lenguaje pre-entrenado que revolucionó el NLP; base de la búsqueda semántica.

BERT es un modelo basado en Transformer pre-entrenado en grandes corpus. Aprende contexto bidireccional y se usa en búsqueda semántica, QA y clasificación. Base de muchos LLMs modernos.

Grandes volúmenes de datos que requieren herramientas especializadas; insumo para entrenar modelos.

Big data son conjuntos de datos demasiado grandes para procesamiento tradicional. Es el recurso base para entrenar modelos de ML y aplicaciones de IA empresarial.

Software que automatiza tareas conversacionales (chatbot, voicebot).

Un bot es software que automatiza tareas conversacionales. Los chatbots manejan texto; los voicebots, voz. Los bots modernos suelen usar LLMs para diálogo natural.

Combina recuperación léxica (BM25) y semántica (vectores) para mejor recall.

La búsqueda híbrida mezcla coincidencia de palabras clave con similitud de embeddings para encontrar SKUs exactos y preguntas parafraseadas. Es buena práctica en RAG y bases de conocimiento empresariales.

Búsqueda por significado, no solo palabras exactas; usa embeddings.

La búsqueda semántica encuentra contenido por significado. Usa embeddings para comparar consulta y documentos por similitud conceptual.

Estilo de razonamiento donde el modelo explicita pasos intermedios antes de responder.

El prompting de cadena de razonamiento (CoT) anima a los LLM a mostrar pasos lógicos, lo que suele mejorar precisión en matemáticas, lógica y preguntas multi-salto. Se usa en planificación de agentes, selección de herramientas y trazabilidad de respuestas.

Aplicación concreta de la IA en un contexto empresarial.

Un caso de uso es un escenario empresarial específico donde se aplica la IA. Identificar y priorizar casos de uso es clave para la estrategia de IA.

Registro gobernado de skills de agente con nombres, versiones, responsables y dependencias.

Un catálogo de skills rastrea qué capacidades existen, quién las mantiene, qué herramientas requieren y cómo se componen. Evita prompts en la sombra, facilita auditoría y encaja con el cambio spec-driven: primero la especificación, luego el paquete de skill, después el despliegue.

Asistente conversacional basado en texto; puede usar LLMs o reglas.

Un chatbot es un asistente que conversa por texto. Puede ser basado en reglas (intención + respuestas) o en LLMs para conversación abierta. Usado en atención al cliente, ventas y herramientas internas.

Asistente de IA integrado que ayuda al usuario en tareas (código, escritura, datos).

Un copilot es un asistente IA integrado en una aplicación o workflow. Augmenta el trabajo humano con sugerencias, automatización e interacción en lenguaje natural.

Conjunto de documentos usados para entrenar o alimentar un sistema (p. ej. RAG).

Un corpus es una colección estructurada de documentos, usada para entrenar modelos o como base de conocimiento en sistemas RAG. La calidad del corpus afecta directamente la calidad de la generación.

Condiciones comprobables que definen cuándo un entregable o una salida del modelo está “terminado” y es correcto.

Los criterios de aceptación traducen requisitos en comprobaciones observables—validez de esquema, respuestas doradas, gates de seguridad. En sistemas de IA sustentan harnesses de eval, regresiones y revisión human-in-the-loop, enlazando especificación con calidad medible.

Sistema de gestión de clientes; la IA lo potencia con predicción y automatización.

Los sistemas CRM gestionan datos e interacciones con clientes. La IA los potencia con analytics predictivo, scoring de leads y automatización de seguimientos.

Reduce precisión numérica de pesos o activaciones para acelerar inferencia.

La cuantización (p. ej. INT8, INT4) baja memoria y acelera inferencia en GPU, TPU o NPU. Es central para desplegar LLM con coste eficiente.

Experiencia del cliente; la IA permite personalización y automatización a escala.

La Experiencia de Cliente (CX) abarca todos los puntos de contacto entre cliente y marca. La IA transforma la CX con recomendaciones personalizadas, soporte automatizado y enrutamiento inteligente.

Repositorio que almacena datos en crudo; fuente para analytics y ML.

Un data lake es un repositorio centralizado que almacena datos estructurados y no estructurados en crudo. Sirve como fuente para analytics, ML y aplicaciones de IA.

Flujo automatizado de datos desde fuentes hasta modelos o aplicaciones.

Un data pipeline es un workflow que ingiere, transforma y mueve datos desde fuentes hasta modelos o aplicaciones. Crítico para alimentar sistemas de IA con datos frescos y limpios.

Datos generados que imitan distribuciones reales para entrenar o probar.

Los datos sintéticos amplían conjuntos escasos o sensibles preservando propiedades estadísticas—útil en simulación, privacidad y desbalance. El gobierno evita sesgos dañinos incorporados.

Redes neuronales con múltiples capas; base de muchos modelos de IA modernos.

El deep learning usa redes neuronales con muchas capas para aprender representaciones jerárquicas. Sustenta visión por computador, NLP y la mayoría de modelos de IA actuales.

Construir software a partir de especificaciones explícitas antes que el código: contratos, APIs y pruebas de aceptación guían la implementación.

El desarrollo guiado por especificaciones trata las especificaciones revisables o machine-readable (OpenAPI, esquemas de eventos, criterios de aceptación) como fuente de verdad. Los equipos generan stubs, tests y documentación a partir de ellas, reduciendo deriva y alineando mejor la IA asistida al código con contratos acotados.

Partir una meta de usuario en subtareas que un agente o equipo puedan ejecutar y verificar.

La descomposición traduce resultados de alto nivel en pasos ordenados o paralelos con entradas, salidas y condiciones de parada claras. Conecta el diseño spec-driven (casos de uso, criterios) con planificación cadena-de-pensamiento, skills y orquestación sin alcance descontrolado.

Entrenar un modelo pequeño imitando a uno mayor (profesor).

La destilación transfiere comportamiento de una red ‘profesor’ a un ‘alumno’ compacto, reduciendo coste y latencia en despliegue. Se combina con cuantización y SLM para asistentes eficientes.

Tiempo de inactividad; la IA predictiva ayuda a evitarlo (Zero Downtime AI).

El downtime es cuando los sistemas no están disponibles. La IA predictiva puede pronosticar fallos antes de que ocurran, permitiendo mantenimiento proactivo y operación sin interrupciones.

Representación numérica densa de texto, imagen o audio; permite búsqueda semántica.

Un embedding es un vector que representa el significado de texto, imagen o audio. Significados similares producen vectores similares, habilitando búsqueda semántica y recuperación en sistemas RAG.

Proceso de enseñar al modelo con datos (pre-training, fine-tuning).

El entrenamiento es el proceso de enseñar un modelo con datos. El pre-training aprende lenguaje general; el fine-tuning adapta a tareas o dominios específicos.

Descripción formal de endpoints, esquemas y errores—p. ej. OpenAPI—para docs, mocks y validación.

Las especificaciones de API describen peticiones, respuestas y autenticación para que clientes y servidores compartan significado sin ambigüedad. Habilitan contract testing, generación de código y tool calling en agentes donde el modelo debe cumplir un JSON Schema rígido.

Especificaciones lo bastante precisas para ejecutarse—generando pruebas, simulaciones o código sin traducción manual constante.

Las especificaciones ejecutables unen intención humana y automatización: ejemplos incluyen tests property-based desde esquemas, escenarios Gherkin ligados a step definitions, o prompts de LLM acotados por JSON Schema. Reducen ambigüedad y aceleran entrega spec-driven.

Documento de comportamientos, actores, flujos y resultados desde la óptica de usuario o negocio.

La especificación funcional describe qué debe hacer el sistema: personas, journeys, reglas de negocio y expectativas no funcionales a nivel producto. Alimenta PRDs, historias de usuario y guardrails de agente para que el comportamiento del modelo coincida con el intento acordado antes de las especificaciones técnicas.

Plano de ingeniería: servicios, modelo de datos, APIs, infra y riesgos de migración.

La especificación técnica vuelca el intento funcional en diseño implementable—diagramas, esquemas, SLOs y planes de despliegue. En sistemas de IA captura elección de modelo, baterías de eval, rutas de fallback y observabilidad para que skills, herramientas y agendas tengan un contrato estable.

Especificaciones en control de versiones y actualizadas con el sistema—no un PDF estático.

Una especificación viva vive junto al código y a los pipelines: ficheros OpenAPI, ADRs, políticas y definiciones de eval evolucionan en Git. Herramientas de IA pueden diffs, sugerir migraciones y regenerar tests cuando cambian los contratos.

Proceso de medir la calidad de un modelo (exactitud, relevancia, seguridad).

La evaluación mide el rendimiento de un modelo de IA en exactitud, relevancia, seguridad y otros métricas. Esencial antes de desplegar en producción.

Capacidad de explicar cómo un modelo llega a una conclusión (XAI).

La explicabilidad es la capacidad de entender y explicar cómo un modelo de IA llega a sus resultados. Crítica para confianza, depuración y cumplimiento regulatorio.

Proceso de extraer información estructurada de texto (entidades, relaciones).

La extracción obtiene datos estructurados de texto no estructurado: entidades, relaciones, fechas. Los LLMs destacan en esto para procesamiento de documentos.

Entrenar un modelo pre-entrenado con datos específicos del dominio.

El fine-tuning continúa el entrenamiento de un modelo pre-entrenado con datos del dominio. Adapta el modelo a nuevas tareas. Alternativa al prompt engineering cuando se necesita más control.

Combinar información de varias fuentes o modalidades (texto + imagen, etc.).

La fusión integra datos de múltiples fuentes, por ejemplo texto e imagen en IA multimodal, o recuperación híbrida en RAG. Mejora la precisión de los outputs.

Modelo virtual vivo de un activo o proceso físico alimentado por datos en tiempo real.

Un gemelo digital simula equipos, plantas o cadenas de suministro con telemetría en streaming para anticipar fallos y optimizar operaciones. La IA añade predicción, detección de anomalías y escenarios.

Marco de políticas, procesos y controles para el uso responsable y ético de la IA en la empresa.

La gobernanza IA abarca las políticas, procesos y controles que las organizaciones implementan para asegurar que la IA se use de forma responsable, ética y conforme a la regulación. Incluye seguridad, control de costes y medición de ROI.

Propiedad, calidad, linaje y políticas que hacen al dato apto para analítica e IA.

El gobierno del dato define quién usa qué datos, cómo se clasifican, retienen y auditan. Es requisito para IA conforme, características fiables y explicabilidad—conecta privacidad, datos maestros y riesgo de modelos.

Arquitectura detrás de modelos de lenguaje como ChatGPT.

GPT es una arquitectura para modelos de lenguaje autoregresivos. Se pre-entrenan en grandes corpus y pueden generar texto coherente. ChatGPT y GPT-4 están basados en este paradigma.

Grafo de entidades y relaciones; mejora el contexto y la precisión.

Un grafo de conocimiento representa información como red de entidades y relaciones. Mejora la recuperación y razonamiento en RAG capturando estructura y semántica.

Anclar las respuestas del modelo en fuentes verificables (documentos, datos).

El grounding asegura que las respuestas de IA se basen en fuentes verificables: documentos, bases de datos o APIs. El RAG es una técnica clave de grounding; reduce alucinaciones.

Restricciones y políticas en tiempo de ejecución que mantienen salidas seguras y de marca.

Los guardrails combinan clasificadores, listas permitidas/prohibidas, esquemas de salida y escalado humano para acotar riesgo. Son esenciales en asistentes con clientes y flujos regulados.

Automatización end-to-end que combina RPA, IA y orquestación de procesos.

La hiperautomatización automatiza procesos empresariales completos combinando RPA, IA, orquestación e integración. Va más allá de la automatización de tareas individuales.

Requisito breve en forma de valor—suele ser ‘Como… quiero… para…’ más criterios de aceptación.

Las historias de usuario enlazan personas con resultados y ordenan el backlog. En IA spec-driven anclan skills y casos de eval: cada historia debe mapear a criterios medibles y trazarse a prompts, herramientas y telemetría.

Avatar 3D con IA conversacional que representa una marca o servicio.

Un Humano Digital es un avatar 3D realista impulsado por IA conversacional. Representa una marca o servicio, manteniendo diálogos naturales. Thinkia Digital Humans ofrece experiencias hiper-personalizadas.

Diseño donde humanos supervisan o corrigen decisiones de la IA.

Human-in-the-loop (HITL) asegura que humanos revisen o corrijan outputs de IA antes de que tengan impacto. Crítico para decisiones de alto riesgo y cumplimiento como el EU AI Act.

Sistemas de IA que actúan de forma autónoma, toman decisiones y ejecutan tareas en secuencia.

La IA agéntica se refiere a sistemas que operan con autonomía, percibiendo su entorno, tomando decisiones y ejecutando acciones multi-paso para lograr objetivos sin intervención humana constante. Thinkia Synapse es una plataforma agéntica para IA empresarial.

Enfoque de entrenamiento que alinea modelos con reglas explícitas y auto-crítica.

La IA constitucional agrupa métodos donde el modelo aprende a partir de principios o una “constitución”—reglas que guían respuestas útiles, honestas y seguras—combinadas con revisión y corrección. Las empresas replican la idea en capas de políticas y guardrails.

IA que mantiene diálogos naturales; base de Digital Humans y contact centers.

La IA conversacional permite máquinas que mantienen diálogos naturales y con contexto. Alimenta Digital Humans, automatización de contact center y asistentes virtuales.

IA aplicada al contexto empresarial: gobernanza, escalabilidad, integración con sistemas legacy.

La IA empresarial se refiere a soluciones diseñadas para grandes organizaciones, con gobernanza, seguridad, escalabilidad e integración con ERP, CRM y sistemas de datos existentes.

Ejecutar inferencia en dispositivos o nodos locales para bajar latencia y salida de datos.

La IA en el edge despliega modelos cerca de sensores, fábricas o puntos de contacto—equilibrando latencia, conectividad y privacidad. Complementa el entrenamiento en nube con inferencia local y patrones federados.

Servicios de IA alojados en la nube (Azure OpenAI, AWS Bedrock, etc.).

La IA en la nube son capacidades de IA ofrecidas como servicios gestionados. Las empresas las usan para evitar construir y mantener su propia infraestructura.

IA diseñada y desplegada con principios éticos (transparencia, equidad, privacidad).

La IA ética se desarrolla y despliega según principios de transparencia, equidad, responsabilidad y privacidad. Se alinea con regulaciones como el EU AI Act.

IA que genera contenido (texto, imagen, código, audio) en lugar de solo clasificar.

La IA generativa crea contenido nuevo: texto, imágenes, código, audio. Alimenta ChatGPT, generadores de imagen, asistentes de código y muchas aplicaciones empresariales.

Usar especificaciones de producto y sistema—PRDs, contratos API, guardrails—para dirigir modelos, agentes y evaluaciones.

La IA guiada por especificaciones conecta requisitos, políticas YAML y esquemas de herramientas con prompts, corpus de recuperación y baterías de eval. Los cambios fluyen desde la especificación, manteniendo trazabilidad y gobierno frente a iterar solo con prompts sueltos.

IA que procesa varias modalidades: texto, imagen, audio, video.

La IA multimodal maneja múltiples tipos de datos en el mismo modelo. Habilita aplicaciones más ricas: comprensión de imágenes, análisis de video, búsqueda cross-modal.

Arquitectura y procesos diseñados desde cero para la IA, no como añadido posterior.

Diseño IA nativo significa construir sistemas y procesos con la IA como ciudadano de primera clase desde el inicio. Thinkia se especializa en consultoría y desarrollo de plataformas IA nativas.

IA que actúa por iniciativa propia, no solo ante consultas.

La IA proactiva anticipa necesidades y actúa sin peticiones explícitas: alertas, recomendaciones, workflows automatizados. Cambia la IA de reactiva a anticipatoria.

IA desarrollada con responsabilidad ética, legal y social.

La IA responsable considera ética, cumplimiento legal e impacto social. Incluye equidad, transparencia, responsabilidad y privacidad.

Fase en la que un modelo entrenado produce predicciones o generación.

La inferencia es cuando un modelo entrenado se usa para producir outputs. Ocurre en producción; optimizar latencia y coste es clave para escalabilidad.

Diseñar qué ve el modelo: recuperación, memoria, resúmenes y uso de la ventana.

La ingeniería de contexto va más allá del prompt para orquestar documentos, salidas de herramientas y memoria larga dentro del context window. Es la base práctica de RAG y agentes fiables.

Conectar la IA con sistemas existentes (ERP, CRM, bases de datos).

La integración conecta capacidades de IA con sistemas empresariales existentes. La integración fluida es esencial para que la IA aporte valor en workflows reales.

Objetivo detectado en la frase del usuario (en NLP conversacional).

La intención es el objetivo del usuario extraído de su input. La reconocimiento de intención impulsa el enrutamiento y selección de respuestas en chatbots y voicebots.

Ataque que secuestra instrucciones del modelo vía contenido no fiable.

La inyección de prompt engaña al modelo para ignorar el system prompt o filtrar datos incrustando instrucciones maliciosas en texto recuperado o de usuario. Defensas: aislamiento, filtros de salida, herramientas permitidas y alcance estricto.

Sensores y dispositivos que alimentan datos a la IA.

El IoT son dispositivos y sensores conectados que recogen y transmiten datos. Los datos IoT alimentan modelos predictivos, detección de anomalías y sistemas autónomos.

Intentos de evadir restricciones de seguridad de un modelo.

El jailbreaking son técnicas para sortear guardas de seguridad en modelos de IA. La gobernanza robusta incluye monitoreo y endurecimiento contra estos ataques.

Reglamento europeo que clasifica sistemas de IA por riesgo y exige cumplimiento.

El EU AI Act es el marco regulatorio europeo para la IA. Clasifica sistemas por nivel de riesgo e impone requisitos de transparencia, supervisión humana y documentación. Thinkia ayuda a cumplir.

Modelo entrenado con vastas cantidades de texto; base de ChatGPT, Claude y similares.

Los LLMs son redes neuronales entrenadas en enormes corpus de texto. Generan texto coherente, responden preguntas y realizan muchas tareas de NLP. Ejemplos: GPT-4, Claude, Llama.

Algoritmos que aprenden patrones a partir de datos.

El machine learning permite a los sistemas aprender patrones de datos sin programación explícita. Incluye aprendizaje supervisado, no supervisado y por refuerzo. Base de la IA moderna.

Estándar abierto para conectar modelos con herramientas, datos y sistemas empresariales.

MCP estandariza cómo los agentes descubren e invocan herramientas, ficheros y APIs—reduciendo integraciones a medida. Acelera arquitecturas de agentes composables y seguras.

Datos sobre datos; ayudan a filtrar y organizar contenido en RAG y búsqueda.

Los metadata describen otros datos. Habilitan filtrado, búsqueda facetada y mejor organización en RAG y sistemas de gestión de conocimiento.

Prácticas para desplegar, monitorizar y mantener modelos en producción.

MLOps aplica prácticas DevOps al ML: CI/CD para modelos, monitoreo, versionado. Esencial para IA fiable y escalable en producción.

Documentación estructurada de propósito, datos, métricas y límites de un modelo.

Las model cards describen uso previsto, datos de entrenamiento, evaluación y consideraciones éticas. Apoyan gobierno, compras tecnológicas y auditoría junto a especificaciones técnicas.

Modelo grande pre-entrenado que sirve de base para muchas aplicaciones.

Los modelos fundamentales son modelos grandes pre-entrenados que se adaptan a muchas tareas vía fine-tuning o prompting. Ejemplos: GPT-4, Claude, Llama.

Rama de la IA que procesa y genera lenguaje humano.

El NLP permite a las máquinas entender y generar lenguaje humano. Cubre traducción, resumen, análisis de sentimiento, chatbots y muchas aplicaciones de LLMs.

Trazas, métricas y logs de prompts, herramientas y costes en producción.

La observabilidad captura recuperación, generación y llamadas a herramientas—con latencia, consumo de tokens y calidad. Cierra el ciclo entre experimentación y agentes fiables en producción.

Experiencia unificada en todos los canales (web, móvil, voz, presencial).

El omnicanal ofrece una experiencia de cliente consistente en web, móvil, voz, chat y presencial. La IA permite personalización y continuidad de contexto entre canales.

Coordinar múltiples servicios, agentes o modelos; central en Synapse.

La orquestación coordina múltiples servicios de IA, agentes y modelos para ejecutar workflows complejos. Thinkia Synapse es una plataforma de orquestación unificada.

Cuando un modelo memoriza datos de entrenamiento y no generaliza bien.

El overfitting ocurre cuando un modelo aprende los datos de entrenamiento demasiado de cerca, incluyendo ruido, y rinde mal en datos nuevos.

Valor que el modelo aprende; los LLMs tienen miles de millones.

Los parámetros son valores numéricos que un modelo aprende. Los LLMs tienen miles de millones. El tamaño del modelo (7B, 70B) se refiere al número de parámetros.

Secuencia de pasos (datos → preprocesado → modelo → resultado).

Un pipeline es una secuencia de pasos de procesamiento. Los sistemas de IA se construyen como pipelines para fiabilidad y escalabilidad.

Componente o patrón de prompt que propone planes multi-paso antes de ejecutar herramientas.

El planificador genera secuencias candidatas de acciones—condicionadas por políticas, especificaciones y contexto recuperado. Separar planificación de ejecución facilita pruebas: puedes evaluar planes frente a criterios de aceptación y presupuestos antes de efectos secundarios.

Infraestructura que centraliza modelos, agentes y workflows; ej. Synapse.

Una plataforma de IA centraliza modelos, agentes, workflows y gobernanza. Thinkia Synapse es una plataforma empresarial de orquestación, seguridad y control de costes.

Descripción estructurada del problema, usuarios, alcance, métricas y requisitos de un producto o feature.

Un PRD alinea a stakeholders en objetivos, no-objetivos, historias de usuario y métricas de éxito. En iniciativas spec-driven y de IA, un PRD claro alimenta criterios de aceptación, rúbricas de eval y system prompts para que el comportamiento del modelo encaje con el resultado deseado.

Entorno donde el modelo sirve a usuarios reales (vs. desarrollo/testing).

Producción es el entorno en vivo donde un sistema de IA sirve a usuarios reales. Requiere monitoreo, escalado, seguridad y cumplimiento.

Texto de entrada que orienta la respuesta de un LLM.

Un prompt es el texto (y a veces imágenes) dado a un LLM como input. Instruye o contextualiza la respuesta. El prompt engineering optimiza prompts para calidad y consistencia.

Diseño sistemático de prompts para mejorar calidad y consistencia.

El prompt engineering es la práctica de diseñar prompts para obtener mejores outputs de los LLMs. Incluye ejemplos few-shot, chain-of-thought y formato de output estructurado.

Recuperar documentos relevantes y usarlos como contexto para generar la respuesta.

RAG augmente la generación del LLM con documentos recuperados. Dada una consulta, el sistema obtiene pasajes relevantes de una base de conocimiento y los pasa al LLM como contexto. Reduce alucinaciones.

Fase de búsqueda que obtiene documentos relevantes para una consulta.

La recuperación es el paso en RAG que encuentra los documentos o pasajes más relevantes. Usa embeddings y búsqueda de similitud vectorial.

Búsqueda y recuperación de información relevante para una consulta.

La recuperación de conocimiento encuentra y devuelve los documentos más relevantes para una consulta. Usa búsqueda semántica; es la 'R' en RAG.

Métrica clave para justificar proyectos de IA.

El ROI mide el retorno financiero de una inversión. Para proyectos de IA, es crítico demostrar valor medible: ahorros, crecimiento, eficiencia.

Automatización de tareas repetitivas; la IA la potencia (hiperautomatización).

RPA automatiza tareas repetitivas basadas en reglas. La IA la augmenta con juicio y adaptabilidad, llevando a hiperautomatización de procesos complejos.

Distorsión en datos o modelo que produce resultados injustos o imprecisos.

El sesgo en IA se refiere a errores sistemáticos en datos o comportamiento del modelo que llevan a resultados injustos o inexactos. La IA responsable incluye detección y mitigación de sesgos.

Uso no autorizado de herramientas de IA de consumo con datos corporativos.

La shadow AI surge cuando equipos usan chatbots públicos sin revisión de TI—riesgo de fuga y cumplimiento. Hace falta catálogo aprobado, clasificación de datos y defaults seguros.

Sistemas que operan sin supervisión continua, tomando decisiones en tiempo real.

Los sistemas autónomos operan con supervisión mínima o nula, tomando decisiones en tiempo real. Ejemplos: vehículos autónomos, almacenes automatizados, centros de contacto con IA.

Capacidad empaquetada para un agente: instrucciones, herramientas permitidas y esquemas E/S para una tarea coherente.

Un skill de agente agrupa guías de sistema, contratos de herramientas, ejemplos y ganchos de evaluación para que el modelo replique una capacidad definida—p. ej. ‘registrar un gasto’ o ‘ejecutar una revisión de cumplimiento’. Es la unidad de reutilización entre especificaciones, runbooks y orquestación tipo Synapse.

LM compacto para tareas de dominio con menor coste y latencia que modelos frontera.

Los small language models se centran en vocabularios o flujos acotados—afinados o destilados—y son económicos para asistentes de alto QPS, on-device o encaminamiento híbrido con un modelo grande.

Plataforma agentic de Thinkia; orquesta agentes, modelos y workflows.

Thinkia Synapse es la plataforma unificada para IA empresarial. Orquesta agentes, modelos y workflows con gobernanza, seguridad y control de costes centralizados.

Instrucciones persistentes que definen persona, políticas y herramientas antes del usuario.

El system prompt fija comportamiento, límites y a veces salida estructurada. Versionarlo y testearlo forma parte del MLOps del lenguaje y de los guardrails empresariales.

Parámetro de muestreo que controla la aleatoriedad en la elección de tokens.

Mayor temperatura aumenta diversidad (más creativo, menos determinista); valores bajos dan salidas enfocadas y repetibles. Ajustarla define casos creativos vs. factuales.

Unidad básica de texto para el modelo; ~4 caracteres en inglés.

Un token es la unidad básica de texto que procesa un modelo. Aproximadamente 4 caracteres por token en inglés. El conteo de tokens determina coste y límites de ventana de contexto.

El modelo emite llamadas estructuradas a APIs o código que el runtime ejecuta.

El tool calling permite pedir acciones—consultas SQL, HTTP, CRM—mediante esquemas validados por el host. Potencia agentes, copilotos y flujos fundamentados más allá del texto puro.

Reutilizar un modelo pre-entrenado para una tarea nueva con menos datos.

El transfer learning aplica conocimiento de una tarea o dominio a otro. Los LLMs pre-entrenados transfieren a nuevas tareas vía prompts o fine-tuning.

Representación numérica; ver Embedding.

Un vector es una lista de números que representa datos. Contenido similar produce vectores similares; esto habilita búsqueda semántica en sistemas RAG.

Cantidad de texto que un LLM puede procesar en una sola llamada.

La ventana de contexto es el máximo de texto (en tokens) que un LLM puede procesar en una petición. Ventanas mayores permiten documentos largos pero aumentan coste y latencia.

Rama de la IA que permite a las máquinas interpretar imágenes y video.

La visión por computador permite a las máquinas entender e interpretar información visual. Aplicaciones: detección de objetos, reconocimiento facial, control de calidad, imagen médica.

Modelo que entiende conjuntamente imágenes y texto (caption, OCR, VQA).

Los modelos visión-lenguaje fusionan píxeles y tokens para document AI, inspección visual y asistentes multimodales. Extienden el RAG a gráficos, diapositivas y escaneos.

Asistente conversacional por voz.

Un voicebot es un asistente IA que interactúa por voz. Usado en contact centers, IVR y aplicaciones manos libres.

Secuencia de pasos automatizados; Synapse orquesta workflows con IA.

Un workflow es una secuencia de pasos automatizados que ejecuta un proceso. Los workflows de IA pueden incluir recuperación, generación y llamadas a APIs. Synapse orquesta workflows complejos.

IA que explica sus decisiones de forma comprensible.

La XAI proporciona explicaciones interpretables para los outputs del modelo. Construye confianza, soporta depuración y cumple requisitos regulatorios de transparencia.

Operación sin interrupciones; la IA predictiva ayuda a lograrlo.

Zero downtime significa que los sistemas operan sin interrupciones no planificadas. La IA predictiva puede pronosticar fallos y habilitar mantenimiento proactivo.

Capacidad del modelo de realizar una tarea sin ejemplos previos.

El aprendizaje zero-shot significa que un modelo puede realizar una tarea sin ejemplos durante entrenamiento o en el prompt. Los LLMs exhiben capacidades zero-shot para muchas tareas.