Comparaciones de términos, roles y técnicas de IA que suelen confundirse.
165 comparaciones publicadas
Una comparación lado a lado entre sesgo y equidad. Comprenda la diferencia entre una tendencia sistemática que afecta resultados y un principio de gobernanza para un trato equitativo.
Comparación lado a lado entre ventana de contexto y token. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Distinga entre inyección de prompts, que secuestra el comportamiento del modelo mediante entrada maliciosa, y jailbreak, que elude barreras de seguridad para producir contenido restringido. Ambas son amenazas de seguridad para LLM, pero difieren en mecanismo y objetivo.
Una comparación lado a lado entre precisión y exhaustividad. Comprenda cómo la precisión evalúa la corrección de los positivos predichos, mientras que la exhaustividad evalúa cuántos positivos reales fueron encontrados.
Comparación lado a lado entre riesgo y daño. Explica cómo una evaluación de probabilidad y gravedad difiere del efecto adverso experimentado por una persona, grupo, organización o sistema.
Comparación lado a lado entre falso positivo y falso negativo. Entienda qué tipo de error marca algo que está ausente y qué tipo de error omite algo que está presente.
Una comparación lado a lado entre chatbot y agente de IA. Comprenda cómo una interfaz conversacional se diferencia de un sistema orientado a objetivos que puede interpretar entradas y tomar acciones.
Una comparación lado a lado entre proveedor y responsable del despliegue. Comprenda quién desarrolla o introduce un sistema de IA en el mercado y quién lo usa bajo su autoridad.
Una comparación lado a lado entre sistema de IA y modelo de IA. Comprenda por qué un modelo suele ser un componente, mientras que un sistema de IA incluye la configuración desplegada más amplia que convierte entradas y objetivos en salidas.
A side-by-side comparison of [AI] Detectors and [AI] Watermarking. Understand how post-hoc detection differs from embedding identifiers that indicate content origin or generation status.
Una comparación lado a lado entre importador y distribuidor. Comprenda la diferencia entre introducir en el mercado de la UE un sistema de IA con marca de fuera de la UE y hacer disponible un sistema de IA en la cadena de suministro de la UE.
Una comparación lado a lado entre la generación aumentada por recuperación y el ajuste fino. Comprenda cuándo recuperar contexto externo en tiempo de ejecución y cuándo adaptar un modelo preentrenado mediante entrenamiento adicional.
Una comparación lado a lado entre la generación aumentada por recuperación y el ajuste fino. Comprenda cuándo recuperar contexto externo en tiempo de ejecución y cuándo adaptar un modelo preentrenado mediante entrenamiento adicional.
Una comparación lado a lado entre gran modelo de lenguaje y modelo de lenguaje. Comprenda por qué un LLM es una forma a gran escala de modelo de lenguaje con capacidades de tareas más amplias y mayores necesidades de gobernanza.
Una comparación lado a lado entre un modelo de lenguaje de gran tamaño y un modelo fundacional. Comprenda por qué un LLM se centra en el lenguaje, mientras que un modelo fundacional es un modelo base preentrenado amplio que puede respaldar muchas tareas posteriores.
Una comparación lado a lado entre IA generativa y modelo de lenguaje de gran tamaño. Comprenda por qué la IA generativa es una categoría más amplia de producción de contenido, mientras que un LLM es un tipo de modelo centrado en lenguaje que suele usarse dentro de sistemas de IA generativa.
Una comparación lado a lado entre inyección de prompt y envenenamiento de datos. Comprenda cómo la manipulación de instrucciones en tiempo de ejecución se diferencia de ataques a datos de entrenamiento o al proceso de entrenamiento.
Una comparación lado a lado entre ingeniería de prompts y ajuste de prompts. Comprenda cómo las entradas diseñadas por humanos para el modelo se diferencian de prompts blandos aprendidos y específicos para una tarea.
Comparación lado a lado entre ajuste por instrucciones y ajuste fino. Entienda cómo la adaptación para seguir instrucciones difiere de una adaptación más amplia a una tarea, dominio o estilo.
Comparación lado a lado entre prompt tuning y ajuste fino. Entienda cómo un soft prompt aprendido difiere de reentrenar un modelo preentrenado con un conjunto de datos especializado.
Comparación lado a lado entre grounding y groundedness. Entienda la diferencia entre el proceso de conectar salidas con fuentes y la propiedad de que una salida esté respaldada por evidencia.
Comparación lado a lado entre guardrails y moderación de contenido / filtros de seguridad. Entienda la diferencia entre límites amplios del sistema de IA y controles específicos para contenido dañino o no permitido.
Comparación lado a lado entre alucinación y confabulación. Entienda cómo ambos describen salidas de IA plausibles pero no respaldadas o fabricadas, y por qué alucinación suele usarse como término operativo más amplio.
Comparación lado a lado entre LoRA y ajuste fino. Entienda cómo Low-Rank Adaptation reduce la superficie de cambio entrenando parámetros adicionales, mientras que el ajuste fino más amplio adapta un modelo preentrenado a requisitos especializados.
Comparación lado a lado entre prompt de sistema y prompt de usuario. Explica cómo las instrucciones de comportamiento a nivel de aplicación difieren de la tarea o pregunta inmediata proporcionada por un usuario.
Comparación lado a lado entre detección de contenido de IA y marcado de agua de IA. Explica cómo la detección probabilística de contenido generado por IA difiere de insertar identificadores que indican origen, procedencia o estado de generación.
Comparación lado a lado entre alucinación y desinformación. Explica cómo los resultados falsos o fabricados de IA difieren de la información falsa o engañosa compartida con independencia de la intención.
Comparación lado a lado entre recuperación de información y generación aumentada por recuperación. Explica cómo encontrar información relevante difiere de usar información recuperada para fundamentar respuestas de IA generativa.
Comparación lado a lado entre vecino más cercano aproximado y búsqueda semántica. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre ventana de contexto y token. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre envenenamiento de datos y aprendizaje adversarial. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre prompt y ventana de contexto. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre red teaming y auditoría de IA. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre seguridad desde el diseño y guardrails. Explica cómo la planificación de seguridad durante el ciclo de vida difiere de controles específicos que mantienen los sistemas de IA dentro de límites aceptables.
A side-by-side comparison of [AI] Detectors and [AI] Watermarking. Understand how post-hoc detection differs from embedding identifiers that indicate content origin or generation status.
A side-by-side comparison of Deepfakes and Synthetic Media. Understand how deceptive or authentic-looking AI-manipulated media relates to the broader category of AI-generated or AI-modified media.
Una comparación lado a lado de Temperatura y Determinista. Entienda cómo a generación parámetro controlling aleatoriedad relates a sistemas que producir el same salida para el same entrada y state.
A side-by-side comparison of Content Chunking and Context Window. Understand how preparing source material into sections differs from the amount of information a model can consider at once.
A side-by-side comparison of Embedding and Word Embedding. Understand how general vector representations of data differ from dense vector representations of words in NLP.
Comparación lado a lado entre Procedencia / marca de agua y Coalición para la Procedencia y Autenticidad del Contenido (C2PA). Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Indexación de datos y Búsqueda semántica. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Vector de embedding y Espacio de embeddings. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Una comparación lado a lado entre sistema de IA y modelo de IA. Comprenda por qué un modelo suele ser un componente, mientras que un sistema de IA incluye la configuración desplegada más amplia que convierte entradas y objetivos en salidas.
Una comparación lado a lado entre sesgo y equidad. Comprenda la diferencia entre una tendencia sistemática que afecta resultados y un principio de gobernanza para un trato equitativo.
Una comparación lado a lado entre evaluación de riesgos de IA y auditoría de IA. Comprenda cómo un proceso de riesgos apoya decisiones antes y durante el despliegue, mientras que una auditoría evalúa sistemas o gobernanza frente a criterios definidos.
Una comparación lado a lado entre aseguramiento de IA y auditoría de IA. Comprenda cómo el aseguramiento es una práctica más amplia de generación de evidencia para crear confianza, mientras que la auditoría es una evaluación estructurada contra criterios definidos.
Una comparación lado a lado entre IA generativa e inteligencia artificial. Comprenda por qué la IA generativa es un subconjunto creador de contenido dentro del campo más amplio de la IA.
Una comparación lado a lado entre rendición de cuentas de IA y rendición de cuentas algorítmica. Comprenda cómo la responsabilidad por sistemas de IA se relaciona con la rendición de cuentas más amplia de sistemas algorítmicos y sus impactos.
Una comparación lado a lado entre gobernanza de IA y sistema de gestión de IA. Comprenda cómo el marco más amplio de supervisión se diferencia de los procesos estructurados o la plataforma usada para gestionar IA durante todo el ciclo de vida.
Una comparación lado a lado entre un sistema de gestión de IA e ISO/IEC 42001. Comprenda la diferencia entre el sistema de gobernanza de IA de una organización y la norma internacional para establecerlo y mejorarlo.
Comparación lado a lado entre un inventario de IA o registro de sistemas y una política de uso de IA. Entienda en qué se diferencia un catálogo de sistemas de IA de las reglas para el uso organizativo aceptable.
Comparación lado a lado entre evaluación de riesgos de IA e ISO/IEC 23894. Entienda en qué se diferencia un proceso concreto de evaluación de riesgos de una norma internacional para la gestión de riesgos de IA.
Comparación lado a lado entre monitorización de modelos y evaluación. Explica cómo la observación continua de un modelo desplegado difiere de medir un modelo, sistema o cambio frente a criterios definidos.
Comparación lado a lado entre MLOps y operaciones de modelos fundacionales [FMOps]. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre incidente grave e incidente de IA. Explica cómo un evento amplio de daño relacionado con IA difiere de una categoría severa que puede activar obligaciones reforzadas de reporte y corrección.
A side-by-side comparison of Transparency and Explainable AI. Understand how broad stakeholder visibility differs from methods that make model outputs understandable.
A side-by-side comparison of Black Box Model and Explainable AI. Understand how lack of understandable internal reasoning differs from methods or properties used to make outputs understandable.
A side-by-side comparison of Explainable AI and Interpretability. Understand how explanation-oriented systems and methods relate to the human ability to understand model behavior.
Comparación lado a lado entre Shadow AI y Inventario de IA [registro de sistemas]. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Riesgo de proveedor y Diligencia debida de proveedor. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre IA confiable y IA responsable. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre IA ética y IA responsable. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Una comparación lado a lado entre proveedor y responsable del despliegue. Comprenda quién desarrolla o introduce un sistema de IA en el mercado y quién lo usa bajo su autoridad.
Una comparación lado a lado entre IA de propósito general y modelo fundacional. Comprenda cómo un término describe amplia adaptabilidad y el otro describe un gran modelo base preentrenado que apoya tareas posteriores.
Una comparación lado a lado entre IA de propósito general e IA de frontera. Comprenda la diferencia entre una IA ampliamente adaptable y sistemas de propósito general de alta capacidad asociados con riesgos novedosos de seguridad y política pública.
Una comparación lado a lado entre importador y distribuidor. Comprenda la diferencia entre introducir en el mercado de la UE un sistema de IA con marca de fuera de la UE y hacer disponible un sistema de IA en la cadena de suministro de la UE.
Una comparación lado a lado entre proveedor y proveedor descendente. Comprenda la diferencia entre el rol general de proveedor y un proveedor que integra un modelo de IA en su propio sistema u oferta.
Una comparación lado a lado entre representante autorizado e importador. Comprenda cómo un representante en la UE con mandato se diferencia del actor que introduce en el mercado de la UE el sistema de IA de un proveedor no perteneciente a la UE.
Una comparación lado a lado entre introducción en el mercado y puesta en servicio. Comprenda cómo la primera disponibilidad en el mercado de la UE se diferencia del primer uso operativo para un propósito previsto.
Una comparación lado a lado entre puesta a disposición en el mercado e introducción en el mercado. Comprenda cómo el suministro general en la UE para distribución o uso se diferencia del primer evento de ese tipo en el mercado.
Una comparación lado a lado entre evaluación de conformidad y marcado CE. Comprenda cómo el proceso de evaluación de cumplimiento se diferencia de la marca que señala que se han cumplido los requisitos aplicables de la UE.
Una comparación lado a lado entre propósito previsto y uso indebido razonablemente previsible. Comprenda cómo el uso declarado del sistema se diferencia de un uso plausible fuera de propósito y por qué ambos importan para la clasificación de riesgos de IA y la evidencia de cumplimiento.
Una comparación lado a lado entre modificación sustancial y propósito previsto. Comprenda cómo un cambio posterior al mercado se diferencia del uso declarado que define el alcance del sistema y las expectativas de cumplimiento.
Una comparación lado a lado entre organismo notificado y organismo de evaluación de la conformidad. Comprenda cómo la designación formal de la UE se diferencia de la categoría más amplia de organizaciones de evaluación de terceros.
Comparación lado a lado entre norma armonizada y especificación común. Entienda cómo cada una apoya la evidencia de conformidad y cuándo los equipos deben basarse en normas o especificaciones reconocidas por reguladores.
Comparación lado a lado entre organismo notificado y autoridad notificante. Entienda quién evalúa los sistemas regulados y quién designa y supervisa a esos organismos de evaluación.
Comparación lado a lado entre sandbox regulatorio de IA y pruebas en condiciones reales. Entienda cómo los marcos de innovación supervisada difieren de las pruebas temporales en el entorno operativo previsto.
Comparación lado a lado entre retirada de uso de un sistema de IA y retirada del mercado de un sistema de IA. Explica la diferencia entre retirar un sistema de uso después de su disponibilidad y detener que un sistema ya en la cadena de suministro siga poniéndose a disposición en el mercado.
Comparación lado a lado entre el sistema de identificación biométrica remota en tiempo real y el sistema de identificación biométrica remota posterior. Explica cómo la identificación biométrica inmediata o casi inmediata difiere de la identificación realizada después de la captura.
Comparación lado a lado entre plan de sandbox y plan de pruebas en condiciones reales. Explica cómo un documento acordado de sandbox regulatorio difiere de un plan para probar un sistema de IA en condiciones reales.
Comparación lado a lado entre identificación biométrica y verificación biométrica. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre sistema de identificación biométrica remota e identificación biométrica. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre riesgo sistémico y capacidades de alto impacto. Explica cómo los umbrales de capacidad del modelo se relacionan con riesgos más amplios que pueden propagarse por la sociedad, mercados, seguridad y derechos fundamentales.
A side-by-side comparison of Biometric Categorisation System and Emotion Recognition System. Understand how assigning people to categories using biometric data differs from inferring emotions or intentions.
Comparación lado a lado entre Autoridad nacional competente y Autoridad de vigilancia del mercado. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Oficina de IA y Autoridad nacional competente. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Instrucciones de uso y Documentación. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Distinga entre inyección de prompts, que secuestra el comportamiento del modelo mediante entrada maliciosa, y jailbreak, que elude barreras de seguridad para producir contenido restringido. Ambas son amenazas de seguridad para LLM, pero difieren en mecanismo y objetivo.
Comparación lado a lado entre deriva de datos y deriva del modelo. Entienda en qué se diferencian los cambios en la distribución de datos de entrada de los cambios o degradación del rendimiento del modelo con el tiempo.
Comparación lado a lado entre seguridad de IA y ética de IA. Entienda cómo las prácticas de prevención de daños se relacionan con preguntas más amplias sobre valores humanos, derechos y diseño responsable.
Comparación lado a lado entre deriva de datos y deriva de concepto. Entienda si un problema del modelo proviene de distribuciones de entrada cambiantes o de relaciones cambiantes entre entradas y resultados.
Comparación lado a lado entre deriva del modelo y deriva conceptual. Explica cómo la degradación del rendimiento con el tiempo difiere de un cambio en la relación estadística entre entradas y resultados objetivo.
Comparación lado a lado entre riesgo y daño. Explica cómo una evaluación de probabilidad y gravedad difiere del efecto adverso experimentado por una persona, grupo, organización o sistema.
Comparación lado a lado entre Caso de seguridad y Evaluación de riesgos de IA. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Una comparación lado a lado entre datos personales y datos no personales. Comprenda cómo la identificabilidad cambia el análisis de privacidad, el uso lícito y los controles de gobernanza de IA.
Una comparación lado a lado entre datos personales y categorías especiales de datos personales. Comprenda por qué todos los datos de categoría especial son datos personales, pero no todos los datos personales reciben la misma protección reforzada.
Una comparación lado a lado entre anonimización / desidentificación y seudonimización. Comprenda la diferencia entre reducir la identificabilidad y sustituir identificadores manteniendo posible la reidentificación mediante información separada.
Una comparación lado a lado entre datos biométricos y categorías especiales de datos personales. Comprenda cómo los identificadores biométricos se relacionan con el conjunto más amplio de datos personales sensibles protegidos en el análisis de privacidad de la UE.
Una comparación lado a lado entre anonimización de datos y privacidad diferencial. Comprenda cómo reducir la identificabilidad en los datos se diferencia de limitar lo que puede inferirse a partir de cálculos o salidas de modelos.
Comparación lado a lado entre datos sintéticos y datos personales. Entienda en qué se diferencian los datos generados artificialmente de la información relativa a una persona física identificada o identificable.
Comparación lado a lado entre residencia y soberanía de datos y soberanía de IA. Entienda cómo el control jurídico sobre dónde se almacenan y gobiernan los datos difiere del control más amplio sobre sistemas de IA, infraestructura y dependencias.
Comparación lado a lado entre evaluación de impacto algorítmico y evaluación de impacto en privacidad (PIA). Entienda cómo la revisión amplia de riesgos algorítmicos difiere de la evaluación centrada en privacidad del tratamiento de información personal.
Comparación lado a lado entre privacidad de datos y gobernanza de datos. Entienda cómo la protección de información personal o sensible encaja dentro de una gestión más amplia del ciclo de vida de los datos.
Comparación lado a lado entre el Reglamento General de Protección de Datos (RGPD) y el Reglamento de IA de la UE. Entienda cómo las obligaciones de protección de datos personales difieren de las obligaciones basadas en riesgos para sistemas de IA y modelos de IA de propósito general.
A side-by-side comparison of Data Encryption and End-to-End Encryption. Understand how general encryption for storage, transmission, or processing differs from keeping data encrypted from sender to intended recipient.
A side-by-side comparison of Customer-managed Encryption Keys and Data Encryption. Understand how control over encryption keys differs from the broader protection of data through encryption.
Comparación lado a lado entre Datos de producción y Datos de entrenamiento. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Procedencia de datos y Registro de fuentes de datos. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Una comparación lado a lado entre precisión y exhaustividad. Comprenda cómo la precisión evalúa la corrección de los positivos predichos, mientras que la exhaustividad evalúa cuántos positivos reales fueron encontrados.
Una comparación lado a lado entre exactitud y precisión. Comprenda por qué la corrección global puede ocultar un desempeño débil en la clase positiva y por qué la precisión importa cuando los falsos positivos son costosos.
Una comparación lado a lado entre exactitud y exhaustividad. Comprenda cómo la corrección global se diferencia de la capacidad de encontrar casos positivos reales, especialmente cuando los positivos omitidos son costosos.
Una comparación lado a lado entre exactitud y puntuación F1. Comprenda cómo la corrección global se diferencia de una medida equilibrada de precisión y exhaustividad.
Una comparación lado a lado entre puntuación F1 y área bajo la curva ROC. Comprenda cómo un equilibrio dependiente del umbral entre precisión y exhaustividad se diferencia de la discriminación de ranking a través de umbrales.
Una comparación lado a lado entre la curva característica operativa del receptor y la curva precisión-exhaustividad. Comprenda cómo las compensaciones entre tasa de verdaderos positivos y tasa de falsos positivos se diferencian de las compensaciones entre precisión y exhaustividad.
Comparación lado a lado entre el área bajo la curva ROC y el área bajo la curva PR. Entienda en qué se diferencia la discriminación de ranking del rendimiento precisión-recall a través de umbrales.
Comparación lado a lado entre falso positivo y falso negativo. Entienda qué tipo de error marca algo que está ausente y qué tipo de error omite algo que está presente.
Comparación lado a lado entre la tasa de falsos positivos y la tasa de falsos negativos. Explica cómo el marcado erróneo de negativos reales difiere de pasar por alto positivos reales en la evaluación de clasificación.
Comparación lado a lado entre factualidad y fundamentación. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
A side-by-side comparison of True Positive Rate and False Positive Rate. Understand how detection of actual positives differs from mistaken positive predictions among actual negatives.
A side-by-side comparison of Citation Precision and Citation Recall. Understand how correct support for cited claims differs from exposing the source documents used to produce a response.
A side-by-side comparison of Unsupported-claim Rate and Hallucination. Understand how a measurement of unsupported claims relates to the broader failure of false or fabricated AI output.
A side-by-side comparison of Classification Threshold and Decision Threshold. Understand how threshold language applies to class prediction and broader discrete model decisions.
Comparación lado a lado entre Métrica y Benchmark. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Evaluación y Benchmark. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Error absoluto medio y Error cuadrático medio. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Coincidencia exacta y ROUGE-L. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Una comparación lado a lado entre chatbot y agente de IA. Comprenda cómo una interfaz conversacional se diferencia de un sistema orientado a objetivos que puede interpretar entradas y tomar acciones.
Una comparación lado a lado entre IA agéntica y agente de IA. Comprenda cómo la IA agéntica describe una clase de sistemas autónomos orientados a objetivos, mientras que un agente de IA es la entidad o sistema de software que actúa.
Una comparación lado a lado entre flujo de trabajo agéntico y encadenamiento de prompts. Comprenda cómo el comportamiento autónomo de agentes en múltiples pasos se diferencia del diseño secuencial de prompts.
Comparación lado a lado entre IA agéntica y sistemas autónomos. Explica cómo los sistemas de IA que planifican y actúan hacia objetivos difieren de la categoría más amplia de sistemas que operan sin intervención humana continua.
Comparación lado a lado entre flujo de trabajo agéntico y bucle agéntico. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre agente de IA y trabajador de IA. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre agente de IA y bot. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre Model Context Protocol y plugins. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre automatización robótica de procesos (RPA) y automatización agéntica de procesos. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
A side-by-side comparison of Action Space and Identity And Access Management Permissions. Understand how an agent’s available actions differ from the access controls that authorize actions on resources.
A side-by-side comparison of [AI] Orchestration and Agentic Workflow. Understand how system-level coordination differs from an agent planning and carrying out multiple steps toward a goal.
A side-by-side comparison of Function Calling and Plugins. Understand how structured tool invocation differs from modular extensions attached to an AI system or agent.
A side-by-side comparison of Function Calling and Prompt Engineering. Understand how structured tool invocation differs from designing model inputs to improve output behavior.
A side-by-side comparison of Attack Surface and Action Space. Understand how system exposure to abuse differs from the set of actions available to an AI agent.
A side-by-side comparison of Automation and Agentic Process Automation. Understand how general technology-enabled task execution differs from autonomous or semi-autonomous AI-agent workflow execution.
Comparación lado a lado entre Agente enrutador y Orquestación de IA. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Una comparación lado a lado entre aprendizaje supervisado y aprendizaje no supervisado. Comprenda cómo aprender a partir de ejemplos etiquetados se diferencia de encontrar patrones en datos sin etiquetas preexistentes.
Una comparación lado a lado entre datos de entrenamiento y conjunto de prueba. Comprenda por qué los datos usados para ajustar un modelo deben separarse de los datos reservados usados para evaluarlo.
Una comparación lado a lado entre datos de entrenamiento y datos de validación. Comprenda cómo los datos usados para ajustar el modelo difieren de los datos usados durante el desarrollo para ajustar decisiones y detectar problemas de generalización.
Una comparación lado a lado entre aprendizaje automático y aprendizaje profundo. Comprenda cómo el campo más amplio de aprender a partir de datos se diferencia de métodos de redes neuronales con múltiples capas.
Comparación lado a lado entre aprendizaje supervisado y aprendizaje semisupervisado. Entienda en qué se diferencia aprender a partir de ejemplos etiquetados de combinar datos etiquetados y no etiquetados.
Comparación lado a lado entre aprendizaje autosupervisado y aprendizaje semisupervisado. Entienda cómo cada uno usa datos no etiquetados y por qué difiere el papel de las etiquetas.
Comparación lado a lado entre datos de validación y conjunto de prueba. Entienda por qué los datos usados para ajuste durante el desarrollo deben permanecer separados de los datos de evaluación independiente.
Comparación lado a lado entre aprendizaje por refuerzo y aprendizaje supervisado. Explica cómo aprender de recompensas en un entorno difiere de aprender correspondencias a partir de ejemplos etiquetados.
Comparación lado a lado entre aprendizaje activo y aprendizaje supervisado. Explica cómo solicitar selectivamente las etiquetas más útiles difiere de entrenar con un conjunto de datos etiquetado existente.
Comparación lado a lado entre el modelo de difusión y la red generativa adversaria. Explica en qué se diferencia la generación basada en eliminación de ruido del entrenamiento adversarial generador-discriminador.
Comparación lado a lado entre sobreajuste y subajuste. Explica cómo aprender demasiado de cerca los datos de entrenamiento difiere de no aprender patrones significativos en los datos.
Comparación lado a lado entre árbol de decisión y bosque aleatorio. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre modelo generativo y modelo discriminativo. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
Comparación lado a lado entre red neuronal y red neuronal profunda. Explica cómo difieren los términos, cuándo aplica cada uno y qué significa la distinción para la gobernanza, el diseño de sistemas o la evidencia de assurance.
A side-by-side comparison of Classification and Regression. Understand how predicting discrete categories differs from predicting continuous or numerical values.
A side-by-side comparison of Clustering and Classification. Understand how grouping similar data points without labels differs from assigning inputs to predefined categories.
A side-by-side comparison of Random Forest and Gradient Boosting. Understand how aggregating many randomized trees differs from sequentially improving weak models to reduce prediction errors.
A side-by-side comparison of Test Set and Holdout Data. Understand how a reserved test set relates to the broader category of data excluded from training for validation or evaluation.
A side-by-side comparison of Causal Language Model and Masked Language Model. Understand how next-token generation differs from predicting masked tokens using surrounding context.
A side-by-side comparison of Convolutional Neural Network and Transformer. Understand how local-pattern learning differs from attention-based sequence and relationship modeling.
A side-by-side comparison of Cross-validation and Holdout Data. Understand how repeated split-based evaluation differs from reserving data outside training for evaluation.
A side-by-side comparison of Data Augmentation and Synthetic Data. Understand how modifying or transforming existing data differs from generating artificial data that resembles real data.
A side-by-side comparison of K-means Clustering and DBSCAN. Understand how centroid-based grouping differs from density-based clustering with noise detection.
Comparación lado a lado entre Agrupamiento K-means y Agrupamiento jerárquico. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Regresión logística y Regresión lineal. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Red neuronal recurrente y Transformer. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Bagging y Boosting. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Modelo de lenguaje bidireccional y Modelo de lenguaje unidireccional. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Codificador y Decodificador. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Gradient Boosting y XGBoost. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Regularización y Parada temprana. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Atención y Autoatención [también llamada capa de autoatención]. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Autoencoder y Autoencoder variacional. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Anotación de datos y Etiquetado de datos. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.
Comparación lado a lado entre Regularización L~1~ y Regularización L~2~. Explica las diferencias clave, cuándo usar cada concepto y qué implica la distinción para la gobernanza, el diseño del sistema o la evidencia de aseguramiento de IA.