Enumeremos algunos conceptos básicos de IA en general, e IA generativa.
Inteligencia Artificial (IA)
Es la capacidad de una máquina para imitar funciones humanas como el razonamiento, el aprendizaje y la toma de decisiones. No se trata únicamente de un chatbot, sino que hay numerosas ramas: Visión artificial, audio y sonido, clasificación, recomendaciones, entre muchas otras.
Agente
Un agente es un algoritmo que combina código no-IA + código IA + IA generativa para comunicarse con el usuario, que puede tomar decisiones y ejecutar acciones por su cuenta para lograr un objetivo. Puede combinar herramientas, usar información propia (como si fuera entrenado) y hasta hacer varios pasos para resolver un problema, como si tuviera iniciativa propia.
Inferencia
Es el momento en que una IA «piensa». Una vez entrenada, se le da una nueva entrada (por ejemplo, una imagen) y la IA da una respuesta (por ejemplo, «es un gato»).
Entrenamiento
Es el proceso de enseñar a una IA. Se le muestran miles o millones de ejemplos (como fotos de gatos y perros) para que aprenda a distinguir entre ellos.
Red Neuronal
Inspirada en el cerebro humano, es una estructura usada por muchas IAs para procesar información. Son capas de «neuronas artificiales» que trabajan juntas para encontrar patrones.
Modelo
Es el «cerebro» entrenado de la IA. Puede ser pequeño (como uno que reconoce letras) o gigante (como el que usa un chatbot avanzado). El modelo es lo que realmente hace el trabajo.
Prompt
Es la instrucción o pregunta que se le da a una IA generativa (como ChatGPT o Claude). Por ejemplo: “Escribí una historia de amor con robots” es un prompt.
La ingeniería de prompts trata de crear los mejores prompts para obtener respuestas óptimas, combinando diferentes formas tanto de instruir como de proveer datos a la IA.
Contexto
Es todo el texto (prompt) que la IA tiene en su memoria para trabajar y generar una respuesta. Se envía en cada consulta, por lo que permite que el contenido varíe dinámicamente, a diferencia del aprendizaje del modelo, que es fijo.
Dataset
Es el conjunto de datos que se usa para entrenar un modelo. Puede ser una colección de textos, imágenes, sonidos, etc. Cuanto más variado y limpio, mejor aprende la IA.
Machine Learning
Es una rama de la IA donde las máquinas «aprenden» a hacer tareas a partir de datos. No se les dice paso a paso qué hacer, sino que observan ejemplos y sacan sus propias conclusiones.
Reinforcement Learning
Es un tipo de entrenamiento donde la IA prueba cosas y aprende a través de recompensas y castigos. Así aprenden, por ejemplo, los robots a caminar o los programas a jugar videojuegos.
IA Reactiva vs. IA Generativa
La IA reactiva responde con una solución ya conocida (como un chatbot que contesta preguntas fijas). La IA generativa crea contenido nuevo (como escribir texto, dibujar imágenes, etc.).
Mecanismos de Razonamiento y Acción (como RAG, ReAct, etc.)
Estos son métodos que ayudan a una IA a pensar y actuar paso a paso, especialmente cuando necesita buscar información o tomar decisiones complejas. Algunas de las más conocidas son:
Function Calling (Llamadas a funciones): La IA no solo genera texto, sino que puede decidir cuándo ejecutar funciones específicas que un programador le haya definido, como enviar un email o consultar el clima.
RAG (Retrieval-Augmented Generation): Combina generación de texto con búsqueda de información externa. Antes de responder, la IA consulta una base de datos o documentos relevantes.
ReAct (Reason + Act): La IA piensa en voz alta (razona), decide qué hacer, actúa (por ejemplo, busca algo o usa una herramienta), y repite el ciclo hasta resolver el problema.
Chain of Thought (Cadena de Pensamiento o COT): La IA resuelve un problema paso a paso, mostrando su razonamiento. Muy útil para lógica o matemáticas.
Tool Use (Uso de Herramientas): Permite que la IA use herramientas externas (como una calculadora, buscador web o base de datos) para completar tareas que no puede hacer sola.