Glosario de IA inglés–español
La IA se trabaja en inglés. Este glosario te dice qué significa cada término, cómo se dice en español… y cuándo, en la práctica, se sigue diciendo en inglés.
Duración: ~30 minutos (y para consultar siempre que lo necesites)
Cómo usar este glosario
En los equipos de IA de habla hispana se habla un «spanglish técnico»: nadie dice «ajuste fino», todo el mundo dice fine-tuning; pero sí se dice «entrenamiento» y no training. La columna «En español» te indica la forma más habitual en el trabajo real:
- Si aparece en cursiva, lo normal es usar el término en inglés.
- Si aparece en redonda, lo normal es decirlo en español.
Usa el buscador de tu navegador (Ctrl+F / Cmd+F) para encontrar un término, y repasa con las tarjetas de la práctica.
1. Fundamentos de Machine Learning
| Inglés | En español | Qué significa |
|---|---|---|
| Machine Learning (ML) | aprendizaje automático, machine learning | Sistemas que aprenden patrones a partir de datos en lugar de seguir reglas programadas a mano |
| Training | entrenamiento | El proceso de ajustar los parámetros de un modelo con datos |
| Inference | inferencia | Usar un modelo ya entrenado para hacer predicciones |
| Dataset | dataset, conjunto de datos | La colección de ejemplos con la que entrenas o evalúas |
| Feature | característica, feature | Una variable de entrada del modelo (edad, precio, píxel…) |
| Label | etiqueta | La respuesta correcta que el modelo debe aprender a predecir |
| Ground truth | ground truth, valor real | La etiqueta verdadera con la que comparas las predicciones |
| Model | modelo | La función con parámetros que transforma entradas en salidas |
| Parameter / weight | parámetro / peso | Los números que el modelo ajusta durante el entrenamiento |
| Bias (neurona) | sesgo, bias | El término independiente que se suma en cada neurona |
| Bias (ética) | sesgo | Un error sistemático que perjudica a ciertos grupos |
| Hyperparameter | hiperparámetro | Un ajuste que eliges tú antes de entrenar (learning rate, tamaño de lote…) |
| Loss function | función de pérdida, loss | Mide cuánto se equivoca el modelo; el entrenamiento la minimiza |
| Gradient | gradiente | La dirección en la que cambiar los parámetros para reducir la pérdida |
| Gradient descent | descenso de gradiente | El algoritmo que ajusta los parámetros siguiendo el gradiente |
| Learning rate | tasa de aprendizaje, learning rate | El tamaño de cada paso al actualizar los parámetros |
| Epoch | época | Una pasada completa por todo el dataset de entrenamiento |
| Batch | lote, batch | El grupo de ejemplos que se procesa en cada paso |
| Overfitting | sobreajuste, overfitting | El modelo memoriza el entrenamiento y generaliza mal |
| Underfitting | subajuste | El modelo es demasiado simple para captar los patrones |
| Regularization | regularización | Técnicas para reducir el sobreajuste |
| Training / validation / test set | conjunto de entrenamiento / validación / test | Las tres divisiones de los datos (lección «Datasets: descargar, dividir y guardar» del módulo 0) |
| Data leakage | fuga de datos | Información del test que se cuela en el entrenamiento y falsea las métricas |
| Accuracy | exactitud, accuracy | Proporción de predicciones correctas |
| Precision | precisión | De lo que el modelo marcó como positivo, cuánto lo era de verdad |
| Recall | exhaustividad, recall | De los positivos reales, cuántos encontró el modelo |
| F1 score | puntuación F1 | Media armónica de precisión y recall |
| Baseline | línea base, baseline | El modelo sencillo con el que comparas si tu modelo aporta algo |
| Benchmark | benchmark, banco de pruebas | Un conjunto de tareas estándar para comparar modelos |
| Supervised / unsupervised learning | aprendizaje supervisado / no supervisado | Con etiquetas / sin etiquetas |
| Reinforcement learning (RL) | aprendizaje por refuerzo | Un agente aprende probando acciones y recibiendo recompensas |
2. Deep Learning
| Inglés | En español | Qué significa |
|---|---|---|
| Neural network | red neuronal | Un modelo formado por capas de neuronas artificiales conectadas |
| Layer | capa | Un nivel de neuronas que transforma su entrada |
| Activation function | función de activación | La no linealidad que se aplica a la salida de cada neurona (ReLU, GELU…) |
| Backpropagation | retropropagación, backprop | El algoritmo que calcula los gradientes capa a capa, de atrás hacia delante |
| Optimizer | optimizador | El algoritmo que actualiza los pesos (SGD, Adam…) |
| Dropout | dropout | Apagar neuronas al azar durante el entrenamiento para regularizar |
| Tensor | tensor | Un array multidimensional; la estructura de datos básica de PyTorch |
| Embedding | embedding, vector incrustado | Un vector numérico que representa el significado de algo (palabra, imagen…) |
| Convolution | convolución | Operación que recorre la imagen con un filtro para detectar patrones locales |
| Attention | atención | Mecanismo que decide en qué partes de la entrada fijarse |
| Transformer | Transformer | La arquitectura basada en atención que está detrás de los LLMs |
| Encoder / decoder | codificador / decodificador | La parte que comprime la entrada / la que genera la salida |
| Checkpoint | checkpoint, punto de control | Una copia guardada de los pesos en un momento del entrenamiento |
| Pretraining | preentrenamiento | El entrenamiento inicial, largo y general, con muchísimos datos |
| Fine-tuning | fine-tuning, ajuste fino | Seguir entrenando un modelo preentrenado para una tarea concreta |
| Transfer learning | aprendizaje por transferencia, transfer learning | Reutilizar lo aprendido en una tarea para otra |
| Mixed precision | precisión mixta | Entrenar combinando fp16/bf16 y fp32 para ahorrar memoria y tiempo |
| Vanishing / exploding gradients | gradientes que se desvanecen / explotan | Gradientes que se hacen casi cero o enormes y frenan o rompen el entrenamiento |
3. Modelos de lenguaje (LLMs)
| Inglés | En español | Qué significa |
|---|---|---|
| Large Language Model (LLM) | modelo de lenguaje grande, LLM | Un Transformer enorme entrenado para predecir el siguiente token |
| Token | token | El trozo de texto (palabra o fragmento) con el que trabaja el modelo |
| Tokenizer | tokenizador | Lo que convierte el texto en tokens y viceversa |
| Context window | ventana de contexto | Cuántos tokens puede tener en cuenta el modelo a la vez |
| Prompt | prompt, instrucción | El texto de entrada que le das al modelo |
| System prompt | system prompt, instrucciones de sistema | Las instrucciones generales que definen el comportamiento del modelo |
| Prompt engineering | ingeniería de prompts | El arte de redactar instrucciones que den buenos resultados |
| Context engineering | ingeniería de contexto | Decidir qué información entra en la ventana de contexto y cómo |
| Completion / response | respuesta, generación | El texto que produce el modelo |
| Temperature | temperatura | Controla lo aleatoria (creativa) que es la generación |
| Sampling | muestreo | Cómo se elige el siguiente token entre los posibles |
| Hallucination | alucinación | Cuando el modelo inventa información con total seguridad |
| Grounding | anclaje, grounding | Basar las respuestas en fuentes verificables |
| Zero-shot / few-shot | zero-shot / few-shot | Pedir una tarea sin ejemplos / con unos pocos ejemplos en el prompt |
| Chain-of-thought (CoT) | cadena de razonamiento | Hacer que el modelo razone paso a paso antes de responder |
| Reasoning model | modelo de razonamiento | Modelo entrenado para «pensar» antes de contestar |
| Instruction tuning (SFT) | ajuste por instrucciones | Fine-tuning con pares instrucción-respuesta para que siga órdenes |
| RLHF | RLHF, aprendizaje por refuerzo con feedback humano | Ajustar el modelo según las preferencias de personas |
| Alignment | alineamiento | Que el modelo haga lo que queremos y de forma segura |
| Structured output | salida estructurada | Respuestas en un formato fijo, como JSON con un esquema |
| Function calling / tool use | llamada a funciones, uso de herramientas | Que el modelo pida ejecutar funciones externas (buscar, calcular…) |
| Agent | agente | Un sistema en el que el LLM decide qué pasos dar y usa herramientas en bucle |
| RAG (Retrieval-Augmented Generation) | RAG, generación aumentada por recuperación | Buscar documentos relevantes y dárselos al modelo antes de responder |
| Vector database | base de datos vectorial | Base de datos que busca por similitud entre embeddings |
| Chunking | troceado, chunking | Dividir documentos en fragmentos para indexarlos |
| Reranking | reordenación, reranking | Reordenar los resultados de una búsqueda con un modelo más preciso |
| Semantic search | búsqueda semántica | Buscar por significado, no por palabras exactas |
| MCP (Model Context Protocol) | MCP | Protocolo estándar para conectar modelos con herramientas y datos |
| Guardrails | barreras de seguridad, guardrails | Controles que filtran entradas y salidas peligrosas o no deseadas |
| Prompt injection | inyección de prompts | Ataque que cuela instrucciones maliciosas en el contenido que procesa el modelo |
| Jailbreak | jailbreak | Intentar saltarse las restricciones de seguridad de un modelo |
| Quantization | cuantización | Reducir la precisión de los pesos (p. ej., a 4 bits) para que el modelo ocupe menos |
| LoRA | LoRA | Fine-tuning eficiente que entrena solo unas pequeñas matrices añadidas |
| Distillation | destilación | Entrenar un modelo pequeño para imitar a uno grande |
| Mixture of Experts (MoE) | mezcla de expertos | Arquitectura que activa solo una parte de la red para cada token |
| Evals | evals, evaluaciones | Baterías de pruebas para medir la calidad de un sistema con LLMs |
| Prompt caching | caché de prompts | Reutilizar el procesamiento de la parte repetida del prompt para ahorrar coste y tiempo |
| Rate limit | límite de uso, rate limit | Máximo de peticiones o tokens por minuto que permite una API |
4. Infraestructura y producción
| Inglés | En español | Qué significa |
|---|---|---|
| GPU | GPU, tarjeta gráfica | Procesador con miles de núcleos, ideal para multiplicar matrices |
| VRAM | VRAM, memoria de la GPU | La memoria propia de la GPU; limita el tamaño del modelo |
| CUDA | CUDA | La plataforma de NVIDIA para programar sus GPUs |
| Container | contenedor | Un entorno aislado y reproducible (Docker) |
| Deployment | despliegue | Poner un sistema en producción |
| Serving | serving, servir el modelo | Exponer un modelo para que reciba peticiones |
| Endpoint | endpoint | La URL de una API a la que envías peticiones |
| Pipeline | pipeline, flujo | Una secuencia de pasos automatizados (datos → entrenamiento → despliegue) |
| Latency | latencia | Cuánto tarda en llegar la respuesta |
| Throughput | rendimiento, throughput | Cuántas peticiones o tokens procesas por segundo |
| Streaming | streaming | Enviar la respuesta poco a poco según se genera |
| Batch inference | inferencia por lotes | Procesar muchas peticiones juntas, sin prisa, más barato |
| Observability | observabilidad | Poder entender qué hace tu sistema en producción (logs, métricas, trazas) |
| Monitoring | monitorización | Vigilar métricas y alertas del sistema |
| Rollback | marcha atrás, rollback | Volver a la versión anterior cuando algo falla |
| Canary release | despliegue canary | Lanzar una versión nueva a un pequeño porcentaje de usuarios primero |
| Cold start | arranque en frío | El retraso de la primera petición cuando el servicio estaba parado |
| Scalability | escalabilidad | Capacidad de atender más carga añadiendo recursos |
| Open weights | pesos abiertos | Modelos cuyos pesos se pueden descargar y ejecutar uno mismo |
Tres términos que confunden
- Bias tiene dos significados: el término independiente de una neurona y el sesgo ético. El contexto te dirá cuál es.
- Precision (métrica) no es lo mismo que accuracy: un modelo puede tener una accuracy del 99 % y una precisión pésima si los positivos son raros.
- Inference no es «deducción lógica»: en ML es simplemente usar el modelo para predecir.
Ahora, a repasar con las tarjetas.