Traducción práctica de Inteligencia Artificial

Paradigma donde el modelo aprende una función f: X → Y a partir de pares etiquetados (x_i, y_i). El objetivo es minimizar una función de pérdida —MSE para regresión, cross-entropy para clasificación— sobre el conjunto de entrenamiento, con generalización medida en un conjunto de prueba.

Algoritmos clave: Regresión lineal/logística, SVM, árboles de decisión, Random Forest, Gradient Boosting (XGBoost, LightGBM). La selección depende de la cardinalidad de features, tamaño del dataset y la interpretabilidad requerida.

Conceptos críticos: Bias-variance tradeoff, regularización (L1/L2), validación cruzada k-fold, métricas por dominio (AUC-ROC, F1, RMSE).

Extrae estructura latente de datos sin etiquetas. Los tres bloques principales son: clustering (agrupación de instancias similares), reducción de dimensionalidad (compresión preservando varianza) y modelos generativos (aprendizaje de la distribución p(x)).

Algoritmos clave: K-Means, DBSCAN, GMM (clustering); PCA, t-SNE, UMAP (reducción); VAE, GAN (generativos). UMAP y t-SNE son esenciales para visualización de embeddings de alta dimensión.

Aplicaciones: Segmentación de clientes, detección de anomalías, compresión de representaciones, pre-entrenamiento de embeddings.

Familia de modelos basada en redes neuronales profundas (múltiples capas de transformaciones no lineales). La profundidad permite aprender representaciones jerárquicas: de píxeles a bordes, formas y objetos; de tokens a conceptos semánticos.

Arquitecturas fundamentales: MLP, CNN (visión), RNN/LSTM (secuencias), Transformers (atención). Backpropagation con SGD/Adam optimiza parámetros. Técnicas clave: batch normalization, dropout, residual connections (ResNet).

Fronteras actuales: Scaling laws, mixture of experts (MoE), PEFT/LoRA para fine-tuning eficiente, destilación de modelos.

Disciplina que permite a las máquinas comprender, generar y razonar sobre texto. Evolucionó de enfoques basados en reglas y n-gramas hacia representaciones densas (word2vec, GloVe) y finalmente a Transformers pre-entrenados (BERT, GPT).

Tareas canónicas: Clasificación de texto, NER, análisis de sentimiento, traducción automática, resumen, QA extractivo y generativo. La tokenización (BPE, WordPiece) es crítica para el rendimiento.

Técnica dominante: Pre-train on large corpus → fine-tune on downstream task. RAG (Retrieval-Augmented Generation) es el estándar para sistemas de conocimiento empresarial.

Transformers entrenados con cientos de miles de millones de parámetros sobre corpus masivos. Las scaling laws (Kaplan et al., Chinchilla) predicen que el rendimiento mejora con más parámetros, más datos y más cómputo de forma predecible.

Pipeline moderno: Pre-entrenamiento (next-token prediction) → SFT (Supervised Fine-Tuning) → RLHF o DPO para alineación. El contexto (context window) es el cuello de botella arquitectural; técnicas como RoPE, ALiBi extienden la ventana.

Capacidades emergentes: Few-shot learning, chain-of-thought, tool use, agentic workflows. Evaluación rigurosa requiere benchmarks anti-contamination (MMLU, HumanEval, MATH).

Conjunto de prácticas que llevan modelos de ML de experimentos aislados a sistemas productivos confiables. Fusiona DevOps, ingeniería de datos e ingeniería de ML. El objetivo: acortar el ciclo experimento → producción → monitoreo → re-entrenamiento.

Pilares: Versionamiento de datos y modelos (DVC, MLflow), pipelines reproducibles (Kubeflow, Airflow), registro de modelos, despliegue (REST API, batch, streaming), monitoreo de data drift y concept drift.

Stack común: Feature Store (Feast), Experiment Tracking (MLflow/W&B), Serving (BentoML, Triton), Observabilidad (Evidently, Prometheus).

Campo que dota a las máquinas de capacidad de interpretar imágenes y video. Las CNN (AlexNet → ResNet → EfficientNet) fueron el estándar por años; los Vision Transformers (ViT) han igualado y superado a CNN en muchas tareas con suficientes datos.

Tareas core: Clasificación, detección de objetos (YOLO, Faster R-CNN), segmentación semántica/instancia (Mask R-CNN, SAM), estimación de pose, OCR, reconstrucción 3D.

Tendencias: Modelos fundacionales de visión (CLIP, DINO), visión + lenguaje (VLMs como LLaVA, GPT-4V), síntesis de imágenes (Diffusion Models: DDPM, Stable Diffusion).

Un agente aprende a tomar decisiones secuenciales interactuando con un entorno: recibe estados s, ejecuta acciones a, obtiene recompensas r y maximiza el retorno acumulado. Formalizado como un Proceso de Decisión de Markov (MDP).

Familias principales: Value-based (DQN, Rainbow), Policy Gradient (REINFORCE, PPO, SAC), Model-Based (Dreamer). Deep RL combinó redes neuronales con RL clásico (Mnih et al., 2015 con Atari).

Aplicaciones modernas: RLHF para alineación de LLMs, robótica, optimización de sistemas industriales, trading algorítmico, AlphaFold para biología.

Sistemas de almacenamiento y búsqueda diseñados para embeddings de alta dimensión. En lugar de búsqueda exacta (costosa en dimensiones altas), usan ANN — Approximate Nearest Neighbor: algoritmos como HNSW o IVF que dan resultados casi exactos con latencia sub-milisegundo.

Soluciones principales: Pinecone (cloud-native), Weaviate, Qdrant, Milvus (open-source), pgvector (PostgreSQL). La elección depende de latencia, throughput, costo y si se requiere persistencia o solo in-memory.

Caso de uso central: RAG pipelines — los documentos se embeddean e indexan; en tiempo real se recuperan los k-vecinos más cercanos al query del usuario para aumentar el contexto del LLM.

Secuencias de observaciones ordenadas temporalmente donde el orden importa. A diferencia del ML tabular estándar, aquí existen dependencias autocorrelativas: el valor en t depende de valores pasados. Descomponer la serie en tendencia, estacionalidad y ruido es el primer paso analítico.

Modelos clásicos: ARIMA/SARIMA, Prophet, VAR, ETS.

Modelos de DL: LSTM/GRU, TCN, TFT, PatchTST, Chronos, N-BEATS, N-HiTS.

Conceptos clave: Stationarity, differencing, lag features, leakage temporal, backtesting con walk-forward validation.

Conjunto de principios, técnicas y marcos regulatorios para garantizar que los sistemas de IA sean seguros, justos, transparentes y auditables. No es solo filosofía: incumplir genera riesgos legales, reputacionales y de negocio.

Dimensiones técnicas: Fairness (métricas: equalized odds, demographic parity), Explicabilidad (SHAP, LIME, Integrated Gradients), Robustez adversarial, Privacy-preserving ML (Federated Learning, Differential Privacy).

Marcos regulatorios: EU AI Act (2024) clasifica sistemas por riesgo (prohibido, alto, limitado, mínimo). ISO/IEC 42001, NIST AI RMF. En Chile: en proceso de regulación basada en modelo europeo.