{"id":424,"date":"2025-11-15T01:56:41","date_gmt":"2025-11-15T01:56:41","guid":{"rendered":"https:\/\/aldomonges.com\/aldomonges\/?p=424"},"modified":"2025-11-15T01:56:41","modified_gmt":"2025-11-15T01:56:41","slug":"glosario-de-inteligencia-artificial-e-ingenieria-de-prompts-enfocada-a-la-educacion-conoce-todo-lo-que-hay-que-saber","status":"publish","type":"post","link":"https:\/\/aldomonges.com\/aldomonges\/?p=424","title":{"rendered":"Glosario de Inteligencia Artificial e Ingenier\u00eda de Prompts enfocada a la Educaci\u00f3n: \u00a1Conoce todo lo que hay que saber!"},"content":{"rendered":"

En esta oportunidad, les traigo un genial\u00a0Glosario de Inteligencia Artificial<\/strong>, debido a que como es l\u00f3gico y razonable, para dominar un tema cualquiera, y m\u00e1s uno tan moderno, complejo y en pleno crecimiento y evoluci\u00f3n como este, nada mejor que tratar de\u00a0conocer, entender y dominar la jerga (t\u00e9rminos y conceptos) relacionados<\/strong>\u00a0con el mismo.<\/p>\n

Y si de entrada eres de los que a\u00fan no tiene en claro que es la\u00a0Inteligencia Artificial (IA)<\/strong>, de inmediato es importante que sepas que Ciencia y Tecnolog\u00eda se define de forma breve y sencilla como\u00a0\u00abel campo de la inform\u00e1tica dedicado a crear sistemas o m\u00e1quinas capaces de realizar tareas que requieren inteligencia humana\u00bb<\/strong>. Por ende, su objetivo fundamental es simular procesos de la inteligencia humana, como el aprendizaje, el razonamiento y la adaptaci\u00f3n, a trav\u00e9s de programas de c\u00f3mputo inteligentes.<\/p>\n

Adem\u00e1s, como dato curioso, es importante conocer que,\u00a0el t\u00e9rmino \u00abInteligencia Artificial\u00bb fue acu\u00f1ado oficialmente en 1956 por John McCarthy<\/strong>. Mientras que, hoy en d\u00eda, la relevancia de la IA es innegable en muchas de las esferas del hacer humano. Ya que,\u00a0la misma ha impulsado avances revolucionarios en campos como la medicina, las finanzas, el entretenimiento, el transporte y la educaci\u00f3n<\/strong>, transformando radicalmente la forma en que interactuamos con la tecnolog\u00eda y tomamos decisiones o aprendemos y ense\u00f1amos conocimientos y nuestra cultura. Y todo esto, gracias a que\u00a0la IA opera poniendo una vasta colecci\u00f3n de datos a trav\u00e9s de algoritmos (conjuntos de instrucciones) para crear modelos que automatizan tareas<\/strong>\u00a0que t\u00edpicamente requerir\u00edan tiempo e inteligencia humana.<\/p>\n

\n

Siendo un buen ejemplo dentro del \u00e1mbito laboral y profesional, m\u00e1s espec\u00edficamente\u00a0en la Educaci\u00f3n, comprender la IA es crucial<\/strong>. Ya que, el uso de la IA en la educaci\u00f3n juega roles fundamentales, como el de\u00a0Tutor inteligente, Herramienta de aprendizaje y ense\u00f1anza o Asesor en la formulaci\u00f3n de pol\u00edticas educativas<\/strong>. Por ende, este conocimiento es vital para fomentar la\u00a0alfabetizaci\u00f3n en IA<\/strong>\u00a0(la capacidad de usar esta tecnolog\u00eda de manera efectiva y \u00e9tica), lo cual es necesario para que los Docentes y Estudiantes se desarrollen plenamente en el mundo actual y aumenten sus habilidades de pensamiento cr\u00edtico. Por lo que\u00a0aprender a desarrollar Prompts, en general, y sobre todo, con un enfoque educativo es algo esencial<\/strong>, a la hora de aprender y ense\u00f1ar, o crear contenido pedagogico y educativo.<\/p>\n

As\u00ed que, sin m\u00e1s que agregar, y teniendo en cuenta que, a medida que el\u00a0\u00abL\u00e9xico de la IA evoluciona y crece\u00bb<\/strong>, te presentamos\u00a0los t\u00e9rminos y conceptos fundamentales para dominar este campo<\/strong>\u00a0din\u00e1mico y en constante cambio.<\/p>\n

<\/p>\n<\/div>\n

 <\/p>\n

Glosario de Inteligencia Artificial<\/strong>:<\/h2>\n

Ajuste de instrucciones\u202f<\/strong><\/h3>\n

El ajuste de instrucciones es un enfoque donde un modelo pre-entrenado se adapta para realizar tareas espec\u00edficas proporcionando un conjunto de pautas o directivas que describen la operaci\u00f3n deseada.<\/p>\n

Ajuste de modelos<\/strong><\/h3>\n

El ajuste del modelo consiste en ajustar los hiperpar\u00e1metros de un modelo de inteligencia artificial para optimizar su rendimiento. Este proceso implica probar diferentes combinaciones de hiperpar\u00e1metros (como la velocidad de aprendizaje o la profundidad de capa) para encontrar las que ofrecen los mejores resultados en un conjunto de datos determinado.<\/p>\n

Ajuste fino<\/strong><\/h3>\n

El proceso de adaptar un modelo pre-entrenado a una tarea espec\u00edfica entren\u00e1ndolo en un conjunto de datos m\u00e1s peque\u00f1o. Por ejemplo, un modelo de clasificaci\u00f3n de im\u00e1genes entrenado en todas las fotos de intersecciones puede ser perfeccionado para detectar cuando un coche se pasa un sem\u00e1foro en rojo.<\/p>\n

\n
\"\"<\/figure>\n<\/figure>\n

Alfabetizaci\u00f3n en IA<\/strong><\/h3>\n

Es la capacidad de comprender, interactuar y utilizar IA de manera efectiva y \u00e9tica dentro de una amplia gama de contextos socioculturales. Esto implica tener un conocimiento sobre su funcionamiento y principios. Se podr\u00eda decir que es el conjunto de competencias que permiten evaluar, comunicar y colaborar de forma efectiva y cr\u00edtica con esta tecnolog\u00eda.<\/p>\n

1. Algoritmo<\/strong><\/h3>\n

Una serie de pasos repetibles para llevar a cabo cierto tipo de tarea con datos. Al estudiar Ciencia de Datos debemos conocer los diferentes algoritmos y sus respectivas ventajas y desventajas. El t\u00e9rmino proviene del nombre del matem\u00e1tico persa Muhammad ibn Musa al-Khwarizmi (alrededor del a\u00f1o 820), a quien debemos la introducci\u00f3n de la numeraci\u00f3n decimal en Occidente. En la actualidad, designa una serie de instrucciones que deben ser ejecutadas en forma autom\u00e1tica por un ordenador. Los algoritmos se aplican en todos los \u00e1mbitos, desde las consultas a trav\u00e9s de dispositivos de b\u00fasqueda y la selecci\u00f3n de informaci\u00f3n sugerida a los internautas, hasta los mercados financieros.<\/p>\n

2. Alucinaci\u00f3n\u202f<\/strong><\/h3>\n

La alucinaci\u00f3n se refiere a una situaci\u00f3n en la que un sistema de IA, especialmente en aquellos casos en los que se encarga del procesamiento del lenguaje natural, comienza a generar resultados que pueden ser irrelevantes, sin sentido o incorrectos basados en la entrada proporcionada. Frecuentemente, esto ocurre cuando el sistema de IA no est\u00e1 seguro del contexto, depende demasiado de sus datos de entrenamiento o carece de una comprensi\u00f3n adecuada del tema que se le presenta.<\/p>\n

3. Agrupaci\u00f3n<\/strong><\/h3>\n

La agrupaci\u00f3n en cl\u00fasteres es un m\u00e9todo de aprendizaje no supervisado que consiste en agrupar datos similares en conjuntos denominados \u00abcl\u00fasteres\u00bb. A diferencia de la clasificaci\u00f3n, no hay etiquetas predefinidas. El modelo descubre similitudes en los datos para crear estos grupos, que se utilizan para el an\u00e1lisis del mercado o la segmentaci\u00f3n de clientes, por ejemplo.<\/p>\n

4. Amplificaci\u00f3n de la inteligencia<\/strong><\/h3>\n

La amplificaci\u00f3n de la inteligencia (Intelligence Augmentation en ingl\u00e9s) o IA aumentada se centra en el desarrollo de tecnolog\u00eda para mejorar las capacidades cognitivas de los seres humanos, sin buscar su reemplazo.<\/p>\n

5. Anal\u00edticas de aprendizaje<\/strong><\/h3>\n

En educaci\u00f3n, las anal\u00edticas de aprendizaje (learning analytics en ingl\u00e9s) es un campo emergente en la educaci\u00f3n de car\u00e1cter multidisciplinario, ya que integra inform\u00e1tica, ciencias de la educaci\u00f3n, estad\u00edstica, miner\u00eda de datos, pedagog\u00eda y ciencias de la conducta. En otras palabras, es el empleo de los datos para comprender y mejorar los procesos de ense\u00f1anza-aprendizaje. Entre sus objetivos se encuentran los siguientes: apoyar las estrategias de instrucci\u00f3n, identificar estudiantes de riesgo para brindar intervenciones efectivas, mejorar las experiencias de aprendizaje mediante el seguimiento de actividades y de retroalimentaci\u00f3n, etc\u00e9tera. Se utiliza en la realidad virtual (RV) y la realidad aumentada (RA), en asistentes inteligentes, entre otros.<\/p>\n

6. Anclaje\u202f<\/strong><\/h3>\n

El anclaje es el proceso de fijar sistemas de IA en experiencias, conocimientos o datos del mundo real. El objetivo es mejorar la comprensi\u00f3n del mundo por parte de la IA, para que pueda interpretar y responder efectivamente a las entradas, consultas y tareas de los usuarios. El anclaje ayuda a que los sistemas de IA sean m\u00e1s conscientes del contexto, permiti\u00e9ndoles proporcionar respuestas o acciones m\u00e1s adecuadas, relacionables y relevantes.<\/p>\n

7. Anotaci\u00f3n de datos<\/strong><\/h3>\n

La anotaci\u00f3n de datos consiste en agregar etiquetas o descripciones espec\u00edficas a los datos sin procesar (im\u00e1genes, texto, v\u00eddeos, etc.) para que los algoritmos de IA los entiendan. Esto permite entrenar los modelos de aprendizaje autom\u00e1tico para reconocer objetos, acciones o conceptos en estos datos.\u200d<\/p>\n

8. Apilamiento\u202f<\/strong><\/h3>\n

El apilamiento es una t\u00e9cnica en IA que combina m\u00faltiples algoritmos para mejorar el rendimiento general. Al combinar las fortalezas de varios modelos de IA, el apilamiento compensa las debilidades de cada modelo y logra una salida m\u00e1s precisa y robusta en diversas aplicaciones, como el reconocimiento de im\u00e1genes y el procesamiento del lenguaje natural.<\/p>\n

9. Aprendizaje adaptativo<\/strong><\/h3>\n
\n
\n
\n

El aprendizaje adaptativo (adaptive learning) emplea la instrucci\u00f3n basada en datos para ajustar las experiencias de aprendizaje de cada estudiante (ya sea en t\u00e9rminos de dificultad, ritmo, etc.). Este tipo de aprendizaje rastrea datos diversos, tales como el progreso, la participaci\u00f3n y el desempe\u00f1o. Con esta informaci\u00f3n se pueden dise\u00f1ar e implementar experiencias de aprendizaje personalizadas.<\/p>\n

10. Aprendizaje Autom\u00e1tico (Machine Learning)\u202f<\/strong><\/h3>\n

Un subcampo de la IA que abarca el desarrollo de algoritmos y modelos estad\u00edsticos que permiten a las m\u00e1quinas mejorar su rendimiento con la experiencia. Un ejemplo ser\u00eda un algoritmo de aprendizaje autom\u00e1tico que pudiera predecir la probabilidad de p\u00e9rdida de los clientes bas\u00e1ndose en su comportamiento pasado. Gracias a un programa de aprendizaje autom\u00e1tico, la m\u00e1quina aprende a resolver problemas a partir de ejemplos: puede as\u00ed comparar y clasificar datos e incluso reconocer formas complejas. Antes de la llegada en 2010 del aprendizaje profundo, este tipo de programa era supervisado por seres humanos, ya que deb\u00eda se\u00f1alarse expl\u00edcitamente cada imagen que contuviera un rostro humano, una cabeza de gato, etc. para que la m\u00e1quina pudiera realizar la operaci\u00f3n de reconocimiento solicitada.<\/p>\n

11. Aprendizaje colectivo<\/strong><\/h3>\n

El aprendizaje colectivo es un enfoque de entrenamiento de IA que aprovecha habilidades y conocimientos diversos a trav\u00e9s de m\u00faltiples modelos para lograr una inteligencia m\u00e1s poderosa y robusta.<\/p>\n

12. Aprendizaje de disparo cero o entrenamiento cero\u202f<\/strong><\/h3>\n

El aprendizaje de entrenamiento cero es una t\u00e9cnica en la que un modelo de aprendizaje autom\u00e1tico puede reconocer y clasificar nuevos conceptos sin ning\u00fan ejemplo etiquetado.<\/p>\n

13. Aprendizaje multitarea<\/strong><\/h3>\n

El aprendizaje multitarea es un m\u00e9todo en el que un modelo de inteligencia artificial se entrena simult\u00e1neamente en varias tareas relacionadas. Esto permite que el modelo aprenda de manera m\u00e1s eficaz al compartir conocimientos entre las tareas, lo que mejora su rendimiento general en toda la gama de problemas a resolver.<\/p>\n

14. Aprendizaje profundo (Deep Learning)<\/strong><\/h3>\n

Un subcampo del aprendizaje autom\u00e1tico (machine learning) que utiliza redes neuronales con m\u00faltiples capas para aprender de los datos, es decir, que utiliza distintas estructuras de redes neuronales para lograr el aprendizaje de sucesivas capas de representaciones cada vez m\u00e1s significativas de los datos. Un ejemplo ser\u00eda, en este caso, un modelo de aprendizaje profundo que pudiera reconocer objetos en una imagen, proces\u00e1ndola a trav\u00e9s de m\u00faltiples capas de redes neuronales. Y esto lo hace, actualmente el campo con m\u00e1s popularidad dentro de la Inteligencia Artificial. Nacido de la combinaci\u00f3n de los algoritmos de aprendizaje autom\u00e1tico con las redes neuronales formales y con el uso de los macrodatos, el deep learning revolucion\u00f3 la inteligencia artificial. Tiene innumerables aplicaciones: motores de b\u00fasqueda, diagn\u00f3stico m\u00e9dico, veh\u00edculos aut\u00f3nomos, etc. Por ejemplo: En 2015, el ordenador AlphaGo aprendi\u00f3 a ganarle a los humanos en el juego del GO gracias al deep learning.<\/p>\n<\/div>\n<\/div>\n<\/div>\n

<\/p>\n

 <\/p>\n

15. Aprendizaje supervisado<\/strong><\/h3>\n

En Machine Learning el aprendizaje supervisado es una t\u00e9cnica para deducir una funci\u00f3n a partir de datos de entrenamiento. Los datos de entrenamiento consisten de pares de objetos (normalmente vectores): un componente del par son los datos de entrada y el otro, los resultados deseados, es decir, los resultados a los que debe arribar el modelo.<\/p>\n

16. Aprendizaje no supervisado<\/strong><\/h3>\n

El aprendizaje no supervisado es un m\u00e9todo de Machine Learning en donde el modelo es ajustado a las observaciones. En este caso el algoritmo es entrenado usando un conjuntos de datos que no tiene ninguna etiqueta; nunca se le dice lo que representan los datos. La idea es que el algoritmo pueda encontrar por si solo patrones que ayuden a entender los datos.<\/p>\n

17. Aprendizaje por refuerzo<\/strong><\/h3>\n

En los problemas de aprendizaje por refuerzo, el algoritmo aprende observando el mundo que le rodea. Su informaci\u00f3n de entrada es el feedback o retroalimentaci\u00f3n que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende en base a prueba-error.<\/p>\n

18. Aprendizaje potenciado\u202f<\/strong><\/h3>\n

Un tipo de aprendizaje autom\u00e1tico en el que un modelo aprende a tomar decisiones interactuando con su entorno y recibiendo retroalimentaci\u00f3n a trav\u00e9s de recompensas o penalizaciones. GPT utiliza aprendizaje potenciado a partir de la retroalimentaci\u00f3n humana. Al ajustar GPT-3, los anotadores humanos proporcionaron ejemplos del comportamiento deseado del modelo y clasificaron las salidas del modelo.<\/p>\n

19. Automatizaci\u00f3n<\/strong><\/h3>\n

La automatizaci\u00f3n se refiere al uso de tecnolog\u00eda para realizar distintas tareas con m\u00ednima intervenci\u00f3n humana.<\/p>\n

20. Arboles de Decisi\u00f3n<\/strong><\/h3>\n

Los Arboles de Decision son un algoritmo de Machine Learning que consisten en diagramas con construcciones l\u00f3gicas, muy similares a los sistemas de predicci\u00f3n basados en reglas, que sirven para representar y categorizar una serie de condiciones que ocurren de forma sucesiva, para la resoluci\u00f3n de un problema.<\/p>\n

21. Atributos<\/strong><\/h3>\n

Los Atributos son las propiedades individuales que se pueden medir de un fen\u00f3meno que se observa. La elecci\u00f3n de atributos informativos, discriminatorios e independientes es un paso crucial para la eficacia de los algoritmos de Machine Learning.<\/p>\n

22. Backpropagation<\/strong><\/h3>\n

La propagaci\u00f3n hacia atr\u00e1s o backpropagation es un algoritmo para el ajuste iterativo de los pesos utilizados por las redes neuronales.<\/p>\n

23. BCI<\/strong><\/h3>\n

BCI (Brain Computer interfaces en ingl\u00e9s y Interfaces cerebro Computador en espa\u00f1ol) constituyen una tecnolog\u00eda que se basa en la adquisici\u00f3n de ondas cerebrales para luego ser procesadas e interpretadas por una m\u00e1quina u ordenador. Establecen el camino para interactuar con el exterior mediante nuestro pensamiento. Adem\u00e1s, este campo multidisciplinario de la ciencia y tecnolog\u00eda utiliza los nuevos avances en neurociencia, procesamiento de se\u00f1ales, machine learning y las tecnolog\u00edas de la informaci\u00f3n para explorar la forma de comunicar nuestro cerebro en forma directa con las m\u00e1quinas, de la misma forma en que lo hacemos con nuestro cuerpo.<\/p>\n

24. Big Data<\/strong><\/h3>\n

La Big Data es la rama de las Tecnolog\u00edas de la informaci\u00f3n que estudia las dificultades inherentes a la manipulaci\u00f3n de grandes conjuntos de datos. Tambien llamados Macrodatos, estos se refieren a un conjuntos de datos grandes y complejos que, a menudo, son demasiado grandes o variados para procesarse con m\u00e9todos tradicionales. Y adem\u00e1s, provienen de una variedad de fuentes (redes sociales, sensores, etc.) y requieren t\u00e9cnicas avanzadas, como la inteligencia artificial y el aprendizaje autom\u00e1tico, para analizarlos y extraer informaci\u00f3n \u00fatil.\u200d<\/p>\n

25. Capacidad de control<\/strong><\/h3>\n

La capacidad de control se refiere a entender, regular y gestionar el proceso de toma de decisiones de un sistema de IA, asegurando su precisi\u00f3n, seguridad y comportamiento \u00e9tico, y minimizando el potencial de consecuencias no deseadas.<\/p>\n

26. Chatbot (Agentes conversacionales)<\/strong><\/h3>\n

Una interfaz f\u00e1cil de usar que permite al usuario hacer preguntas y recibir respuestas. Dependiendo del sistema de back-end que alimente al chatbot, puede ser tan b\u00e1sico como respuestas prescritas hasta una IA completamente conversacional que automatiza la resoluci\u00f3n de problemas.<\/p>\n

27. ChatGPT<\/strong><\/h3>\n

Una interfaz de chat construida sobre GPT-3.5. GPT-3.5 es un modelo de lenguaje grande desarrollado por OpenAI que est\u00e1 entrenado en una cantidad masiva de datos de texto de internet y optimizado para realizar una amplia gama de tareas de lenguaje natural. Ejemplo: GPT-3.5 ha sido perfeccionado para tareas como la traducci\u00f3n de idiomas, la s\u00edntesis de texto y la respuesta a preguntas.<\/p>\n

28. Ciencia de datos<\/strong><\/h3>\n

La Ciencia de Datos es un campo interdisciplinario que involucra m\u00e9todos cient\u00edficos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas, ya sea estructurados o no estructurados.<\/p>\n

29. Clasificaci\u00f3n<\/strong><\/h3>\n

En Machine Learning los problemas de\u00a0Clasificaci\u00f3n<\/strong>\u00a0son aquellos en d\u00f3nde el algoritmo de aprendizaje debe clasificar una serie de vectores en base a informaci\u00f3n de ejemplos previamente etiquetados. Dicho en otras palabras, es una t\u00e9cnica de aprendizaje autom\u00e1tico en la que se entrena a un modelo para asignar categor\u00edas o etiquetas predefinidas a datos nuevos. Por ejemplo, categorizar los correos electr\u00f3nicos como \u00abspam\u00bb o \u00abno spam\u00bb o reconocer objetos en im\u00e1genes, como gatos o perros. Esto lo convierte en un caso t\u00edpico del Aprendizaje supervisado.<\/p>\n

30. Clustering<\/strong><\/h3>\n

El Clustering o agrupamiento consiste en agrupar un un conjunto de objetos de tal manera que los miembros del mismo grupo (llamado cl\u00faster) sean m\u00e1s similares, en alg\u00fan sentido u otro. Es el caso t\u00edpico del Aprendizaje no supervisado.<\/p>\n

31. Computaci\u00f3n en la nube<\/strong><\/h3>\n

La computaci\u00f3n en la nube es un paradigma que permite ofrecer servicios de computaci\u00f3n a trav\u00e9s de una red, que usualmente es la internet. Los servicios que generalmente se ofrecen, se dividen en tres grandes categor\u00edas: Infraestructura como servicio (IaaS), plataforma como servicio (PaaS) y software como servicio (SaaS).<\/p>\n

32. Conexi\u00f3n a tierra<\/strong><\/h3>\n
\n
\n
<\/div>\n
<\/p>\n