1619 terminos
Also known as: A star Search · A-star Search
La búsqueda A* es un algoritmo de búsqueda en grafos y de búsqueda de caminos que usa tanto el coste ya incurrido como una estimación heurística del coste restante para elegir el siguiente camino que se debe explorar. Cuando su heurística está correctamente limitada, puede encontrar una ruta óptima de manera eficiente y se utiliza ampliamente en planificación, navegación y problemas de búsqueda.
Also known as: A and B Testing · A B Testing
La prueba A/B es una comparación estadística controlada de dos o más variantes de un sistema, modelo, interfaz o proceso. Mide si una variante funciona mejor según métricas seleccionadas y si la diferencia observada probablemente es significativa en lugar de aleatoria.
La programación lógica abductiva es un enfoque declarativo de representación del conocimiento que usa razonamiento abductivo para inferir explicaciones plausibles de observaciones. Extiende la programación lógica ordinaria al permitir que ciertos predicados permanezcan abiertos como posibles supuestos que pueden elegirse para satisfacer un objetivo.
El razonamiento abductivo es una forma de inferencia que parte de observaciones y busca la explicación más plausible para ellas. A diferencia de la deducción, respalda una hipótesis razonable en lugar de un resultado demostrado de forma concluyente.
La ablación es la eliminación deliberada de una característica, componente, subsistema o proceso de un sistema de IA (AI) o de aprendizaje automático para evaluar su contribución. Un estudio de ablación compara el comportamiento del sistema antes y después de la eliminación, a menudo mediante reentrenamiento o repetición de pruebas, para determinar si el elemento eliminado afecta materialmente el rendimiento o la fiabilidad.
Un tipo de datos abstracto es una descripción matemática o lógica de un tipo de dato basada en su comportamiento observable externamente. Especifica los valores y operaciones disponibles para los usuarios sin exigir conocimiento de la implementación subyacente.
La abstracción es la práctica de suprimir detalles que no son relevantes para un análisis, diseño o representación determinados. En sistemas de IA (AI) y software, la abstracción ayuda a centrar la atención en propiedades esenciales mientras oculta complejidad de implementación, física, temporal o espacial de menor nivel.
Also known as: XLA
XLA, o Álgebra lineal acelerada, es una tecnología de compilador de código abierto para optimizar cálculos de aprendizaje automático en CPU, GPU y aceleradores especializados. Traduce operaciones de modelos desde frameworks como TensorFlow, JAX o PyTorch a formas destinadas a ejecutarse con mayor eficiencia en el hardware objetivo.
El cambio acelerado es la idea de que el desarrollo tecnológico aumenta en velocidad e impacto con el tiempo. En discusiones sobre IA (AI), el término se usa a menudo para describir expectativas de que los cambios técnicos, económicos y sociales futuros puedan ocurrir más rápido que los patrones históricos anteriores.
Also known as: Accessibility (Technology) · Accessibility Technology
La accesibilidad en tecnología es el diseño y la provisión de sistemas digitales para que personas con capacidades diversas puedan usarlos eficazmente. Incluye prácticas de diseño inclusivo y tecnologías de asistencia como lectores de pantalla, reconocimiento de voz, subtítulos y dispositivos de entrada alternativos.
La exactitud es una métrica de clasificación igual a la proporción de predicciones correctas entre todas las predicciones realizadas. Resulta útil en algunos entornos de evaluación, pero puede ser engañosa cuando las clases están desbalanceadas, donde la precisión, la exhaustividad u otras métricas pueden reflejar mejor el rendimiento del modelo.
Actuar es la etapa de un proceso agéntico en la que un agente ejecuta una operación seleccionada. La acción puede incluir llamar a una herramienta, enviar una solicitud API, cambiar el estado de un sistema o ejecutar de otro modo el resultado de un paso previo de razonamiento.
En aprendizaje por refuerzo, una acción es una elección realizada por un agente que cambia, o intenta cambiar, el estado del entorno. Las acciones se seleccionan conforme a una política y se evalúan por sus consecuencias y recompensas.
Un lenguaje de acciones es un lenguaje formal utilizado para describir cómo las acciones cambian el estado de un sistema a lo largo del tiempo. Se utiliza en IA (AI) y robótica para modelar efectos de acciones, precondiciones y transiciones con fines de planificación y razonamiento.
El aprendizaje de modelos de acción es un área del aprendizaje automático dedicada a aprender o revisar el conocimiento de un agente sobre acciones, incluidas sus precondiciones y efectos. El modelo aprendido suele representarse en un lenguaje formal de acciones y utilizarse por planificadores automatizados.
La selección de acciones es el problema de decidir qué debe hacer a continuación un sistema inteligente. Se aplica a agentes, robots y sistemas cognitivos que deben elegir entre posibles comportamientos en respuesta a objetivos, contexto y condiciones del entorno.
El espacio de acciones es el conjunto de herramientas, operaciones, permisos o movimientos disponibles para un agente al realizar una tarea. Un espacio de acciones bien delimitado debe ser suficiente para la tarea y, al mismo tiempo, limitar capacidades innecesarias que puedan aumentar errores o riesgos de gobernanza.
La inteligencia accionable es información suficientemente específica, relevante y fiable para apoyar una decisión o intervención. En gobernanza y operaciones de IA (AI), convierte datos o análisis en orientación sobre la que se puede actuar.
Una función de activación es una función utilizada en un nodo de red neuronal para transformar entradas ponderadas en una salida transmitida a capas posteriores. Al introducir comportamiento no lineal, las funciones de activación permiten que las redes neuronales modelen relaciones complejas en lugar de solo patrones lineales simples.
El aprendizaje activo es un enfoque de entrenamiento en el que un modelo o sistema de aprendizaje solicita selectivamente los ejemplos o etiquetas más útiles para mejorar el rendimiento. Es especialmente valioso cuando los datos etiquetados son escasos, costosos o dependen de anotación humana experta.
AdaGrad es un algoritmo de optimización adaptativo basado en gradientes que ajusta las tasas de aprendizaje por separado para parámetros individuales del modelo. Aumenta la sensibilidad a los historiales de actualización específicos de cada parámetro, lo que puede ayudar con características dispersas, pero puede reducir sustancialmente las tasas de aprendizaje con el tiempo.
La IA adaptable describe sistemas de IA (AI) que pueden ajustar su comportamiento, estrategias o modelos internos en respuesta a tareas, entornos o necesidades de usuarios cambiantes. El concepto enfatiza robustez y flexibilidad sin requerir reprogramación manual completa para cada nueva condición.
La adaptación es el proceso de ajustar un modelo o sistema para que encaje mejor con una tarea, dominio, conjunto de datos o contexto operativo particular. En aprendizaje automático, a menudo se usa como sinónimo de ajuste o fine-tuning.
Un algoritmo adaptativo es un algoritmo que cambia su comportamiento durante la operación según criterios definidos, retroalimentación o señales de recompensa. Estos algoritmos están diseñados para responder a datos, entornos o condiciones de rendimiento cambiantes en lugar de seguir un patrón fijo de ejecución.
El aprendizaje adaptativo se refiere a sistemas educativos que personalizan la instrucción, la retroalimentación, el ritmo o el contenido usando datos sobre las necesidades y el rendimiento de un estudiante. Las plataformas de aprendizaje adaptativo habilitadas por IA (AI) buscan ajustar las experiencias de aprendizaje a la capacidad, el progreso y el contexto individuales.
Un sistema de inferencia neurodifuso adaptativo es un modelo híbrido que combina aprendizaje de redes neuronales con razonamiento de lógica difusa. Normalmente utiliza reglas difusas SI-ENTONCES con parámetros entrenables para aproximar funciones no lineales y apoyar procesos de decisión interpretables.
Una heurística admisible es una función heurística que nunca sobreestima el coste mínimo real de alcanzar un objetivo. En algoritmos de búsqueda de caminos y búsqueda como A*, la admisibilidad ayuda a preservar la optimalidad de la solución.
El aprendizaje adversarial es un enfoque de entrenamiento que expone los modelos a entradas deliberadamente desafiantes, manipuladoras o similares a ataques. Su propósito es mejorar la robustez, la seguridad y la fiabilidad frente a comportamientos adversariales o estrés de distribución.
Also known as: AEO (Answer Engine Optimization) · AEO · Answer Engine Optimization · Answer Engine Optimisation (AEO)
AEO, u optimización para motores de respuesta, es la práctica de estructurar y mejorar contenido para que los sistemas de respuesta impulsados por IA (AI) puedan identificarlo, resumirlo y citarlo como fuente útil. Extiende la optimización para búsquedas hacia entornos de respuesta directa como búsqueda con IA, interfaces de chat, asistentes de voz y resúmenes generados.
La computación afectiva es el campo dedicado a sistemas que reconocen, interpretan, procesan o simulan emociones humanas y estados afectivos. Se basa en informática, psicología y ciencia cognitiva, y puede involucrar señales como voz, expresión facial, texto o comportamiento de interacción.
