AWS Certified AI Practitioner (AIF-C01) - Vocabulario de IA Generativa

Fichas didácticas de vocabulario en español sobre IA Generativa extraídas directamente de las notas de estudio para la certificación AWS Certified AI Practitioner (AIF-C01).

Token

Unidad de texto procesada por un modelo de lenguaje; no necesariamente equivale a una palabra completa.

Importancia de los tokens (Token counts)

Los conteos de tokens afectan el contexto, el procesamiento, la latencia (latency) y a menudo el costo.

Fragmentación en bloques (chunking)

Dividir documentos grandes en fragmentos pequeños para procesamiento o recuperación.

Importancia del chunking para RAG

Crea piezas manejables que se pueden incrustar (embedded) y recuperar según su relevancia.

Embedding / representación vectorial

Representación numérica vectorial que captura significado semántico.

Vector

Representación numérica utilizada para representar información como texto en un espacio de representación vectorial (embedding).

Similitud vectorial (vector similarity)

Medida de qué tan cerca semánticamente están dos representaciones vectoriales.

Base de datos vectorial (vector database)

Base de datos optimizada para almacenar y buscar representaciones vectoriales (embeddings) por similitud.

RAG (Retrieval-Augmented Generation / generación aumentada por recuperación)

Recuperar información externa relevante y proporcionarla a un modelo generativo antes de la generación.

Propósito de usar RAG

Anclar/basar las respuestas en información externa o específica de la organización sin necesidad de reentrenamiento (training) del modelo fundacional para cada actualización de conocimiento.

RAG vs. Ajuste fino (fine-tuning)

RAG suministra información relevante en el momento de la inferencia (inference); el ajuste fino adapta el comportamiento/pesos del modelo mediante entrenamiento (training) adicional.

Casos de uso para RAG

Cuando las respuestas necesitan conocimiento actual, privado, cambiante o específico de la organización.

Casos de uso para ajuste fino (fine-tuning)

Cuando se necesita adaptar el comportamiento, estilo o rendimiento de un modelo para una tarea o dominio específico.

Hallucination / alucinación

Una respuesta generada que contiene información incorrecta, fabricada o no respaldada.

Grounding / anclaje a información verificable

Conectar las salidas del modelo con información o fuentes relevantes y verificables.

Reducción de alucinaciones con RAG

Proporciona información de origen relevante para que el modelo la use al generar la respuesta.

Prompt engineering / ingeniería de prompts

Diseñar prompts para guiar a un modelo hacia salidas útiles y confiables.

Zero-shot prompting (prompting sin ejemplos)

Dar una tarea sin proporcionar ejemplos al modelo.

One-shot prompting (prompting con un ejemplo)

Dar un ejemplo antes de pedirle al modelo que realice la tarea.

Few-shot prompting (prompting con varios ejemplos)

Dar múltiples ejemplos para guiar al modelo.

Role prompting

Dar al modelo un rol o persona para establecer el contexto y el comportamiento esperado.

Especificación de formato de salida (output format)

Permite reducir la ambigüedad y hace que las salidas sean más fáciles de procesar o validar.

Temperatura alta (higher temperature)

Incrementa la variabilidad y la creatividad en las salidas generadas.

Temperatura baja (lower temperature)

Hace que la generación sea más determinista y consistente, aunque no garantiza exactitud factual (accuracy).

Max output tokens

Un límite en cuántos tokens de salida puede generar el modelo.

IA multimodal (multimodal AI)

IA que puede procesar o generar múltiples modalidades como texto, imágenes, audio o video.

Modelos de difusión (diffusion models)

Comúnmente utilizados para generar o transformar imágenes y otros medios.

LLM (Large Language Model / modelo de lenguaje grande)

Un modelo de lenguaje grande diseñado principalmente para procesar y generar lenguaje.

Foundation model / modelo fundacional

Un modelo grande preentrenado adaptable a una amplia variedad de tareas.

Prompt injection / inyección de prompts

Un ataque que intenta manipular un sistema de IA a través de instrucciones maliciosas o conflictivas.

Caché de prompts (prompt caching)

Reutilizar partes repetidas de prompt/contexto para reducir la latencia (latency) y/o los costos de tokens de entrada cuando sea compatible.

Ventana de contexto (context window)

Limita cuánto texto o contexto de entrada puede procesar un modelo en una solicitud.

Datos sintéticos (synthetic data)

Datos generados artificialmente diseñados para parecerse a las propiedades útiles de los datos reales.

Human-in-the-loop (humano en el circuito)

Uso de revisión o intervención humana como parte de un flujo de trabajo de IA.