Toda nueva tecnología implica una nueva terminología

El desarrollo de las nuevas tecnologías trae con sigo nuevo conocimiento y por ende, el desarrollo de nuevos conceptos. Así las cosas, toda nueva tecnología implica una nueva terminología. El rápido desarrollo de la inteligencia artificial – IA, especialmente entre 2024 y 2026, ha generado una nueva terminología técnica y funcional. Esta terminología es esencial para comprender el funcionamiento de herramientas, modelos, soluciones y sus aplicaciones. Por otro lado, la terminología es fundamental para el entendimiento, diálogo y comunicación entre todos los interesados.

La innovación constante y las nuevas tecnologías modifican y enriquecen nuestro lenguaje. Por lo tanto, para describir e interactuar con artefactos novedosos y dinámicas sociales inéditas, se vuelve obligatorio adoptar un nuevo vocabulario, transformando la forma en que nos comunicamos. Adicionalmente, es vital buscar y encontrar la forma para que la comunicación con personas no técnicas fluya de la mejor manera. En el caso de la IA, las investigaciones al respecto han logrado agrupar en varias áreas clave los diferentes términos, sus significados y la forma como se deben utilizar. Veamos los términos nuevos más relevantes en un resumen de estás áreas clave:

1.) Generalidades sobre Inteligencia Artificial – IA

• Inteligencia Artificial – IA: consiste en la simulación de procesos de inteligencia humana mediante máquinas o sistemas informáticos. La IA busca imitar y, en última instancia, superar las capacidades humanas como la comunicación, el aprendizaje y la toma de decisiones.
• IA generativa (Generative AI): es un tipo de tecnología que utiliza inteligencia artificial para crear contenido, incluyendo texto, vídeo, código e imágenes. Un sistema de IA generativa se entrena con grandes cantidades de datos para que pueda encontrar patrones y generar contenido nuevo.
• Prueba de Turing: creada por el científico informático Alan Turing para evaluar la capacidad de una máquina para demostrar una inteligencia comparable a la humana, especialmente en lenguaje y comportamiento.
• Ética de la IA: corresponde a las cuestiones que los actores clave de la IA, como ingenieros y funcionarios gubernamentales, deben considerar para garantizar que la tecnología se desarrolle y utilice de forma responsable.
• Transparencia de la IA: es la adopción e implementación de sistemas que promuevan un enfoque seguro, imparcial y respetuoso con las personas, el medio ambiente y los ecosistemas en el ámbito de la inteligencia artificial.
• Barandillas de seguridad (Guardrails): mecanismos y marcos diseñados para garantizar que los sistemas de IA operen dentro de los límites éticos, legales y técnicos. Previenen que la IA cause daños, tome decisiones sesgadas o se utilice indebidamente. Corresponden a las reglas y límites impuestos al modelo para asegurar que sus respuestas sean seguras, éticas y alineadas con los valores humanos.
• Algoritmo: conjunto de instrucciones o reglas que se deben seguir para completar una tarea específica. Son útiles para trabajar con macrodatos o aprendizaje automático, organizar o analizar datos, hacer predicciones o construir modelos.
• Procesamiento del Lenguaje Natural (PLN): tipo de inteligencia artificial que permite a las computadoras comprender el lenguaje humano hablado y escrito. El PLN posibilita funciones como el reconocimiento de texto y voz en los dispositivos.
• Interfaz de programación de aplicaciones (API): conjunto de protocolos que determinan cómo interactuarán dos aplicaciones de software entre sí. Las API suelen escribirse en lenguajes de programación como C++ o JavaScript.
• Big data: grandes conjuntos de datos que se pueden analizar para descubrir patrones y tendencias que ayuden a tomar decisiones empresariales. Consiste en la recopilación de cantidades masivas de datos complejos en diversos formatos.
• Chatbot: aplicación de software diseñada para imitar la conversación humana mediante comandos de texto o de voz.
• Computación Cognitiva: modelo computarizado que se centra en imitar los procesos de pensamiento humanos, como la comprensión del lenguaje natural, el reconocimiento de patrones y el aprendizaje.
• Minería de Datos: proceso de examinar y analizar los datos para identificar patrones y obtener información valiosa para la toma de decisiones y recomendaciones de negocio.
• Ciencia de Datos: campo tecnológico interdisciplinario que utiliza algoritmos y procesos para recopilar y analizar grandes cantidades de datos con el fin de descubrir patrones e información valiosa que sirvan de base para las decisiones empresariales.

2) Conceptos Básicos y Métricas

• Datos Estructurados: tienen un formato altamente organizado, rígido y predefinido. Está dispuestos en tablas con filas y columnas y pueden ser almacenados en bases de datos relacionales (SQL). Facilitan la búsqueda y las consultas rápidas.
• Datos Semiestructurados: tienen un formato dinámico con marcadores o etiquetas para separar los elementos. Por lo general se usan archivos de texto plano para almecenarlos. (i.e., archivos XML, JSON, HTML, correos electrónicos)
• Datos No Estructurados: carecen de cualquier estructura interna, forma o formato nativo. Formato: Masivo, binario o de texto libre. Son almacenados en repositorios de datos denominados bodegas (Data Warehouse) o lagos (Data Lakes). Son procesados a través de herramientas avanzadas como Inteligencia Artificial. (i.e., videos, fotos, imágenes, notas de voz, música, documentos PDF)
• Red Neuronal: técnica de aprendizaje profundo diseñada para imitar la estructura del cerebro humano. Requiere grandes conjuntos de datos para realizar cálculos y generar resultados, lo que permite funciones como el reconocimiento de voz e imagen.
• Aprendizaje automático (o machine learning): rama de la inteligencia artificial que permite a las computadoras aprender de los datos e identificar patrones. Los algoritmos mejoran su precisión de forma autónoma a medida que procesan más información.
• Aprendizaje Profundo (o Deep Learning): técnica de aprendizaje automático que combina algoritmos y unidades de computación (simulando las neuronas humanas) para mejorar los resultados incorrectos mediante la repetición, sin intervención humana.
• Aprendizaje por Refuerzo: tipo de aprendizaje automático que aprende interactuando con su entorno y recibiendo refuerzo positivo por predicciones correctas y refuerzo negativo por predicciones incorrectas. Puede utilizarse para desarrollar vehículos autónomos.
• Aprendizaje Supervisado: tipo de aprendizaje automático que aprende a partir de datos históricos etiquetados de entrada y salida. Se denomina “supervisado” porque se le proporciona información etiquetada. Puede utilizarse para predecir precios inmobiliarios o identificar factores de riesgo de enfermedades. (i.e., las redes neuronales, los árboles de decisión, la regresión lineal y las máquinas de vectores de soporte)
• Aprendizaje no Supervisado: tipo de aprendizaje automático que busca patrones en los datos. A diferencia del aprendizaje supervisado, el aprendizaje no supervisado no aprende de datos etiquetados. Se utiliza para desarrollar modelos predictivos y crear clústeres. Por ejemplo, agrupar clientes según su comportamiento de compra y hacer recomendaciones de productos basadas en los patrones de compra de clientes similares. (i.e., modelos ocultos de Markov, k-means, el agrupamiento jerárquico y los modelos de mezcla gaussiana)
• Aprendizaje por Transferencia: sistema de aprendizaje automático que toma datos existentes, aprendidos previamente, y los aplica a nuevas tareas y actividades.
• Token (Simbólico) : la unidad básica de texto (una palabra o parte de ella) que la IA procesa. El costo de uso suele basarse en la cantidad de tokens.
• Embeddings (Vectores): representaciones numéricas (vector multidimensional) de datos (texto, imágenes) que permiten a la IA entender las relaciones semánticas entre ellos. Los embeddings permiten búsqueda semántica y sistemas RAG.
• Base de datos vectorial (Vector database): base de datos especializada en almacenar y buscar vectores de alta dimension (embeddings). Permite búsqueda por similitud semántica rápida a escala de millones de documentos.
• Indicadores KPI: métricas clave que miden el desempeño de un área o proceso empresarial. (i.e., tasa de conversión, costo de adquisición de clientes, margen. El tablero de control o dashboard muestra los KPI en tiempo real.

3) IA Generativa y Modelos Fundamentales

• LLM (Large Language Model): grandes modelos de lenguaje entrenados con grandes cantidades de datos para entender y generar lenguaje humano comprensible, coherente y consistente.
• SLM (Small Language Model): modelos compactos y eficientes, diseñados para funcionar en dispositivos locales (como teléfonos) con menor costo y consumo energético.
• Multimodal: modelos capaces de procesar y generar diferentes tipos de información simultáneamente, como texto, audio, imágenes y video.
• Alucinación (Hallucination): cuando una IA genera información falsa o incorrecta pero plausible, presentándola como un hecho real o verídico.
• Visión Artificial: campo interdisciplinario de la ciencia y la tecnología que se centra en cómo las computadoras pueden comprender imágenes y videos.
• Reconocimiento de Voz: método de interacción entre humanos y computadoras en el que estas escuchan e interpretan el dictado humano (habla) y producen resultados escritos o hablados. (i.e., Siri de Apple y Alexa de Amazon)
• Reconocimiento de imágenes: proceso de identificar un objeto, persona, lugar o texto en una imagen o vídeo a través de una aplicación soportada por IA. 
• Análisis de sentimientos: proceso de utilizar inteligencia artificial para analizar el tono y la opinión expresada en un texto determinado. También es conocido como minería de opiniones.
• GPT (Generative Pre-trained Transformer): tipo de modelo de IA generativa desarrollado por OpenAI que puede escribir textos, responder preguntas y mantener conversaciones.
• ChatGPT: asistente conversacional de IA creado por OpenAI, lanzado en noviembre de 2022. Fue el primer producto masivo de IA generativa y popularizo el uso de modelos de lenguaje grande en publico general y en empresas.
• Microsoft Copilot: suite de asistentes de IA de Microsoft integrada en Windows, Word, Excel, PowerPoint, Outlook, Teams y GitHub. Acelera la productividad individual y de equipos sin cambiar de herramienta.
• Gemini (Google): familia de modelos y asistente IA de Google DeepMind. Se integra con Google Workspace (Gmail, Docs, Drive, Sheets) y Vertex AI.
• Claude AI: asistente conversacional desarrollado por Anthropic, conocido por su fortaleza en razonamiento profundo, ventana de contexto amplia y alineamiento responsable.

4) Interacción y Optimización

• Prompt: la instrucción o consulta escrita que se le da a la IA para obtener una respuesta.
• Prompt Engineering (Ingeniería de Prompts): el arte y la técnica de diseñar y optimizar las instrucciones para obtener los mejores resultados de un modelo generativo.
• Reconocimiento de Patrones: método que utiliza algoritmos informáticos para analizar, detectar y etiquetar regularidades en los datos. Esto permite determinar cómo se clasifican los datos en diferentes categorías.
• Fine-tuning (Ajuste fino): entrenar adicionalmente un modelo ya preentrenado con datos específicos para mejorar su rendimiento en una tarea concreta.
• Context Window (Ventana de contexto): la cantidad de información que la IA puede “recordar” o procesar durante una sola conversación.

5) Nuevas Tendencias y Arquitecturas (2025-2026)

• IA Agéntica / Agentes de IA: IA que actúa autónomamente, realizando acciones complejas como gestionar hojas de cálculo o reservar viajes.
• RAG (Retrieval-Augmented Generation): técnica que conecta a los LLM con fuentes de datos externas y confiables para reducir alucinaciones y mejorar la precisión.
• Gobierno de la IA Gen: marco de referencia con las políticas, controles, herramientas, metodologías y mecanismos que aseguran que los desarrollos de la IA son seguros, cumplen con las regulaciones, controlan y mitigan los riesgos y están alineados con los valores organizacionales.
• World Models: modelos que intentan enseñar a la IA “sentido común”, permitiéndoles entender las consecuencias físicas y lógicas de sus acciones.
• IA Local / AI PC: Inteligencia artificial que corre directamente en el dispositivo del usuario sin depender de la nube, mejorando la privacidad y velocidad.
• Computación Cuántica: proceso en el que son usados los fenómenos de la mecánica cuántica, como el entrelazamiento y la superposición, para realizar cálculos. El aprendizaje automático cuántico utiliza estos algoritmos en ordenadores cuánticos para agilizar el trabajo.
  

Para finalizar queremos hacer énfasis en que el uso adecuado de esta terminología ayuda considerablemente en su aplicación e implementación. Tener un lenguaje común fortalece y consolida el entendimiento entre las partes. En niik queremos utilizar un lenguaje técnico de fácil comprensión para que la comunicación con nuestros clientes fluya de la mejor forma. En todo proyecto es vital y crucial una adecuada gestión de la comunicación por lo que se hace necesario establecer un lenguaje común y aceptado por todos los interesados.

contactanos@niik.net
+57 3182352827 / +57 3103124796
#ConiikTIC
#TuCompañiaEnElMundoDigital

Fuentes: 1) Consulta general a través de GEMINI. 2) Glosario de Inteligencia Artificial: Aprende el vocabulario de la IA. COURSERA. 3) 15 palabras sobre IA para entender cómo funciona en 2026. INFOBAE. 4) 80 términos de IA explicados en claro. MISSYERA.