Retropropagación

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

La retropropagación es un método utilizado para entrenar redes neuronales. Funciona comparando la salida del modelo con la respuesta correcta, calculando el error y, a continuación, enviando ese error hacia atrás a través de la red para ajustar sus parámetros internos. A medida que se procesan numerosos ejemplos, el modelo mejora gradualmente. La retropropagación es una de las técnicas clave en las que se basa el aprendizaje profundo moderno.

«Bag-of-Words»

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

El «bag-of-words» es una forma sencilla de representar el texto para el aprendizaje automático. Ignora la gramática y el orden de las palabras y se limita a contar qué palabras aparecen. Por ejemplo, «La IA ayuda a las empresas» y «Las empresas ayudan a la IA» pueden parecer muy similares en un modelo de «bag-of-words». Es menos sofisticado que los modelos lingüísticos modernos, pero sigue siendo útil en algunas tareas de clasificación de texto.

Modelo básico

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

Un modelo base es un modelo de IA que se ha entrenado con un amplio conjunto de datos, pero que aún no se ha especializado para un uso concreto. Por ejemplo, un modelo lingüístico general puede entrenarse para predecir texto y, posteriormente, ajustarse para convertirse en un asistente útil, un resumidor jurídico o una herramienta de programación. El modelo base es la base sobre la que se construyen sistemas más especializados.

IA bayesiana

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

La IA bayesiana utiliza la probabilidad para razonar sobre la incertidumbre. En lugar de dar una única respuesta, un enfoque bayesiano puede actualizar sus creencias a medida que llegan nuevas pruebas. Esto resulta útil en medicina, en la elaboración de previsiones, en la detección de spam y en el análisis de riesgos. La idea básica nos resulta familiar: cuando aparece nueva información, revisamos lo que creemos que es probable.

Búsqueda por haz

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

La búsqueda por haz es una técnica que se utiliza cuando los sistemas de IA generan secuencias, como texto o traducciones. En lugar de elegir cada vez solo la siguiente palabra más probable, el modelo mantiene abiertas varias opciones posibles y las explora. Esto puede mejorar el resultado final. Es un poco como barajar varias rutas posibles antes de elegir el mejor itinerario.

BERT

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

BERT es un influyente modelo lingüístico desarrollado antes de la actual ola de grandes herramientas de IA conversacional. Ayudó a los ordenadores a comprender el texto analizando las palabras en su contexto en ambas direcciones, en lugar de limitarse a leer de izquierda a derecha. BERT se utilizó ampliamente en tareas de búsqueda, clasificación y comprensión del lenguaje. Ayudó a allanar el camino para modelos lingüísticos más avanzados.

Sesgo

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

En IA, el sesgo puede significar varias cosas. En un sentido técnico, puede referirse a los supuestos incorporados en un modelo. En un sentido social, se refiere a resultados injustos o sesgados que afectan a personas o grupos. Ambos significados son importantes. Un sistema de IA útil necesita el tipo adecuado de supuestos técnicos, pero debe evitar los sesgos sociales perjudiciales.

Big Data

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

El término «big data» hace referencia a conjuntos de datos extremadamente grandes, complejos o que cambian rápidamente, que los métodos tradicionales tienen dificultades para gestionar. La IA se ha beneficiado enormemente del big data, ya que muchos sistemas de aprendizaje automático mejoran cuando se entrenan con más ejemplos. Sin embargo, más datos no siempre es mejor. Los datos de mala calidad, sesgados o irrelevantes pueden seguir dando lugar a una IA deficiente.