Glosario: conceptos de IA explicados
Qué cubre este artículo sobre conceptos de IA
- Los términos más importantes de IA explicados de forma clara.
- Desde LLM pasando por RAG hasta Embedding y Agent.
- Cuándo es relevante cada concepto y qué significa.
- Explicaciones accesibles sin jerga técnica.
- Enlaces a artículos detallados para profundizar.
Introducción: conceptos de IA explicados
El mundo de la IA está lleno de terminología especializada: LLM, RAG, Embedding, Agent, Tool-Calling, Fine-Tuning, Prompt Injection. Este glosario explica los conceptos más importantes de forma clara, tanto para principiantes como para usuarios avanzados.
Este artículo está dirigido a cualquiera que quiera entender los conceptos de IA. Encontrarás los fundamentos en Qué es la IA local.
¿Por qué necesito un glosario?
Imagina que lees un artículo sobre «RAG con Embeddings y Tool-Calling». ¿Qué significa? Este glosario explica: RAG = buscar documentos + generar respuestas. Embedding = convertir texto a números. Tool-Calling = utilizar herramientas. Comprensible, sin jerga especializada.
Los conceptos más importantes de IA
A
Agent (Agente de IA) Un sistema de IA que actúa de forma autónoma: planifica, usa herramientas y ejecuta acciones. No solo «responde preguntas», sino «resuelve tareas». Consulta Agentes de IA.
API (Application Programming Interface) Interfaz para que los programas se comuniquen. En IA: cómo interactúas con los modelos (API de Ollama, API de OpenAI).
B
Batch-Processing Procesar muchas solicitudes simultáneamente. Para rendimiento: vLLM utiliza batch-processing para peticiones paralelas.
Benchmark Prueba para evaluar el rendimiento. Para modelos: ¿qué tan bueno es? MMLU, HumanEval, etc.
C
Chunking Dividir texto en partes pequeñas. Para RAG: fragmentar documentos en chunks para que encajen en el contexto. Consulta Chunking.
Cloud-KI Servicios de IA en la nube: OpenAI, Anthropic, Google. Los datos van a terceros. Lo opuesto: IA local.
Context Window Cuánto texto puede procesar el modelo. 4K, 8K, 32K, 128K tokens. Consulta Longitud del contexto.
D
Datenschutz Protección de datos personales. Para IA: procesamiento local en lugar de en la nube. Consulta Protección de datos.
Docker Plataforma de contenedores. Para IA: ejecutar Ollama, Qdrant, agentes en contenedores. Consulta Docker.
E
Embedding Convertir texto en números (vectores). Para búsqueda semántica: textos similares tienen vectores similares. Consulta Embeddings.
Embedding-Modell Modelo que crea embeddings: nomic-embed-text, multilingual-e5, bge-m3. Consulta Modelos de Embedding.
F
Fine-Tuning Entrenar un modelo con datos específicos. Para tareas especializadas: medicina, derecho, tus propios documentos.
Function-Calling El modelo invoca funciones. Para agentes: el LLM decide qué herramienta usar. Consulta Function-Calling.
G
GGUF Formato de archivo para modelos cuantizados. Para Ollama, LM Studio: cargar modelos en formato GGUF.
GPU (Graphics Processing Unit) Tarjeta gráfica para inferencia de LLM. Para IA: VRAM según el tamaño del modelo. Consulta Hardware.
H
Hallucination El modelo inventa hechos. Para RAG: las citas de fuentes ayudan a prevenir alucinaciones. Consulta Alucinaciones.
Hardware Equipos para IA: GPU, VRAM, RAM, CPU. Consulta Requisitos de hardware.
I
Inference El modelo genera respuestas. Para IA: inferencia de LLM en GPU.
L
LLM (Large Language Model) Modelo de lenguaje grande: llama3.1, mistral, qwen. Para generación de texto, chat, análisis. Consulta Modelos de texto.
Lokale KI IA en tu propio ordenador: Ollama, LM Studio. Sin datos a terceros. Consulta IA local.
M
MCP (Model Context Protocol) Protocolo para integración de herramientas. Para agentes: conectar con el sistema de archivos, bases de datos, APIs. Consulta MCP.
Modell Modelo de IA: LLM, Vision, Embedding. Para diferentes tareas: texto, imagen, búsqueda.
O
Ollama Servidor local de modelos para LLMs. Para IA local: cargar modelos, usar API. Consulta Ollama.
OCR (Optical Character Recognition) Extraer texto de imágenes. Para documentos: Tesseract o modelos de Vision. Consulta OCR.
P
Prompt Instrucción para el modelo. Para IA: ¿qué debe hacer el modelo? Consulta Prompting.
Prompt Injection Ataque en el que se manipula el modelo para realizar acciones dañinas. Para seguridad: validación de entrada, permisos. Consulta Prompt Injection.
Q
Quantisierung Comprimir un modelo para usar menos memoria. Q4, Q8: modelos más pequeños, menos VRAM. Para IA local: Q4 es el estándar.
Query-Engine Motor de búsqueda para RAG. Para LlamaIndex: encuentra documentos relevantes, genera respuestas.
R
RAG (Retrieval-Augmented Generation) Primero buscar, luego responder: buscar en documentos (Retrieval), generar respuesta (Generation). Para sistemas de preguntas y respuestas. Consulta RAG local.
Reasoning-Modell Modelo que «piensa» antes de responder: DeepSeek-R1, QwQ. Para problemas complejos: matemáticas, lógica, debugging. Consulta Modelos de Razonamiento.
S
Sandboxing Aislamiento para herramientas críticas. Para seguridad: ejecutar código en contenedores, sin acceso al sistema. Consulta Sandboxing.
Semantische Suche Buscar por significado, no por palabras clave. Para RAG: embeddings encuentran textos similares.
System-Prompt Instrucción para el modelo (rol, comportamiento). Para agentes: «Eres un asistente útil».
T
Token Unidad más pequeña para LLMs. 1 token ≈ 0.75 palabras. Para costos: las APIs en la nube cobran por token.
Tool-Calling El modelo invoca herramientas. Para agentes: el LLM decide qué herramienta usar. Consulta Tool-Calling.
V
Vektordatenbank Base de datos para embeddings: Qdrant, ChromaDB, Weaviate. Para RAG: almacenamiento de embeddings. Consulta Bases de datos vectoriales.
Vision-Modell Modelo que entiende imágenes: LLaVA, MiniCPM-V. Para análisis de imágenes, OCR, diagramas. Consulta Modelos de Vision.
VRAM (Video RAM) Memoria de GPU para LLMs. Para IA: ¿cuánta VRAM necesita el modelo? Consulta Calculadora VRAM.
W
Workflow Proceso automatizado: trigger → procesamiento → acción. Para n8n, Node-RED: crear workflows.
Enlaces relacionados
- Qué es la IA local - Fundamentos.
- Agentes de IA - Fundamentos sobre agentes.
- RAG local - Fundamentos de RAG.
- Embeddings - Fundamentos de embeddings.
- Ollama - Servidor de modelos.
FAQ
¿Qué es un LLM?
¿Qué es RAG?
¿Qué es un Embedding?
¿Qué es un agente de IA?
¿Qué es MCP?
¿Qué es VRAM?
¿Qué es Ollama?
¿Qué es Prompt Injection?
Fuentes y lecturas adicionales
- Ollama - Servidor local de modelos.
- HuggingFace - Modelos y recursos.
- Prompting Guide - Técnicas de prompting.