Glosario basico de ML y IA Generativa

1. Que es Machine Learning?

Es una rama de la IA que permite a los sistemas aprender patrones a partir de datos y mejorar su desempeno sin reglas programadas para cada caso. En lugar de codificar cada decision, el modelo ajusta sus parametros segun ejemplos y objetivos. Se usa para prediccion, clasificacion, recomendacion y deteccion de anomalias en problemas reales. 🤖📈📚

2. Que es IA Generativa?

Es la IA capaz de crear contenido nuevo como texto, imagen, audio o codigo a partir de patrones aprendidos. Trabaja con modelos que generan secuencias y pueden ser guiados con prompts. Su valor esta en acelerar tareas creativas, asistencia y automatizacion de contenido. ✨🧠🧩

3. Que es un dataset?

Es un conjunto organizado de datos que se usa para entrenar, validar o evaluar modelos. Incluye variables, etiquetas y metadatos, y su calidad afecta directamente el resultado. Un dataset limpio, balanceado y representativo produce modelos mas estables y confiables. 🧾✅📦

4. Que es un modelo?

Es una representacion matematica que transforma entradas en salidas y aprende relaciones en los datos. Puede ser lineal, arboles, redes neuronales u otras estructuras. Su objetivo es generalizar para predecir o clasificar correctamente datos nuevos. 🧩🔮📊

5. Que es entrenamiento?

Es el proceso de ajustar los parametros del modelo con datos y un algoritmo de optimizacion. El objetivo es minimizar un error o maximizar una metrica de rendimiento. Implica elegir hiperparametros, evaluar resultados y iterar mejoras. 🏋️‍♂️📉🔁

6. Que es inferencia?

Es el uso del modelo ya entrenado para generar predicciones con datos nuevos. Puede ocurrir en tiempo real o por lotes, dependiendo del caso de uso. La inferencia debe ser eficiente y estable para cumplir con tiempos de respuesta. ⚡🔍🧠

7. Que es overfitting?

Sucede cuando el modelo aprende demasiado los detalles del entrenamiento y no generaliza bien. Esto produce alto rendimiento en entrenamiento pero bajo rendimiento en datos nuevos. Se mitiga con regularizacion, validacion y mas datos. 📉⚠️🧪

8. Que es underfitting?

Ocurre cuando el modelo es demasiado simple y no captura patrones relevantes. Se ve en bajo rendimiento tanto en entrenamiento como en validacion. Se corrige con modelos mas complejos, mas features o mejor entrenamiento. 🧊📉🛠️

9. Que es validacion?

Es el proceso de evaluar el modelo con datos que no se usaron en entrenamiento. Permite estimar su capacidad real de generalizacion. Tambien ayuda a elegir hiperparametros y evitar overfitting. 🧪✅📊

10. Que es un feature?

Es una variable de entrada que describe una caracteristica del dato. Un buen set de features captura senales relevantes y reduce ruido. La seleccion y transformacion de features impacta fuertemente la calidad del modelo. 🧩📌📈

11. Que es feature engineering?

Es el proceso de transformar, crear y seleccionar variables para mejorar el rendimiento del modelo. Incluye combinaciones, normalizacion y codificacion de datos. Un buen feature engineering puede superar mejoras de modelos complejos. 🛠️📊🚀

12. Que es una etiqueta?

Es la salida esperada en aprendizaje supervisado, usada como referencia durante el entrenamiento. Puede ser una clase, un numero o un valor continuo. Sin etiquetas confiables, el modelo aprende mal o sesgado. 🏷️🎯✅

13. Que es aprendizaje supervisado?

Es entrenar un modelo con datos etiquetados, donde cada entrada tiene una salida correcta. Se usa en clasificacion y regresion. Requiere datos de calidad y suficientes ejemplos de cada clase. 🎓✅📚

14. Que es aprendizaje no supervisado?

Es entrenar con datos sin etiquetas para descubrir patrones, grupos o estructuras. Se usa en clustering, reduccion de dimensionalidad y deteccion de anomalias. Ayuda a explorar datos desconocidos. 🧭🔎🧩

15. Que es clustering?

Es agrupar datos similares sin etiquetas previas. Se usa para segmentar clientes, detectar patrones de comportamiento o explorar datos. La calidad depende de la distancia y los features usados. 🧩👥📌

16. Que es regresion?

Es un tipo de modelo que predice valores continuos. Se usa en pronostico de ventas, precios o demanda. La calidad se mide con errores como MAE, RMSE o R2. 📈🔢📊

17. Que es clasificacion?

Es un tipo de modelo que asigna una categoria a cada ejemplo. Se aplica en spam, fraude, diagnostico y riesgo. Se evalua con accuracy, precision, recall y F1. 🧠🏷️✅

18. Que es accuracy?

Es el porcentaje de predicciones correctas sobre el total. Es util cuando las clases estan balanceadas. En casos desbalanceados puede ser enganosa, por eso se complementa con otras metricas. ✅📊⚖️

19. Que es precision?

Mide de los positivos predichos, cuantos eran correctos. Es clave cuando los falsos positivos son costosos. Se usa junto con recall para evaluar el balance de errores. 🎯✅📉

20. Que es recall?

Mide de los positivos reales, cuantos fueron detectados. Es importante cuando los falsos negativos son criticos. Se combina con precision para una vision completa. 🔎✅⚖️

21. Que es F1-score?

Es el promedio armonico entre precision y recall. Penaliza cuando una de las dos es baja. Es util en clasificacion con clases desbalanceadas. ⚖️📈✅

22. Que es matriz de confusion?

Es una tabla que resume aciertos y errores por clase. Muestra verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos. Ayuda a entender donde falla el modelo. 🧮🧾🔍

23. Que es AUC-ROC?

Es una metrica que mide separacion entre clases en distintos umbrales. Un valor cercano a 1 indica excelente discriminacion. Es muy usada en clasificacion binaria. 📈📊🎯

24. Que es cross-validation?

Es evaluar el modelo en multiples particiones de datos. Permite estimar mejor el rendimiento real y reducir varianza en resultados. Es comun en conjuntos pequenos. 🔁✅📚

25. Que es regularizacion?

Son tecnicas que penalizan modelos muy complejos para evitar overfitting. Ejemplos: L1, L2, dropout o early stopping. Mejoran la generalizacion en datos nuevos. 🧯📉🧠

26. Que es una red neuronal?

Modelo inspirado en el cerebro con capas de neuronas y conexiones ponderadas. Aprende representaciones no lineales y complejas. Se usa en vision, lenguaje y audio. 🧠🔌📚

27. Que es deep learning?

Es el uso de redes neuronales profundas con multiples capas. Permite aprender patrones complejos automaticamente. Requiere grandes datos y capacidad computacional. 🧠🧱⚡

28. Que es un transformer?

Arquitectura basada en atencion que procesa secuencias de forma paralela. Es la base de modelos de lenguaje modernos. Permite captar relaciones largas en texto. 🧲📚⚙️

29. Que es un LLM?

Modelo de lenguaje grande entrenado con enormes corpus para generar y comprender texto. Puede resumir, responder, traducir y razonar. Su calidad depende del preentrenamiento y afinamiento. 🧠📖✨

30. Que es un prompt?

Texto de entrada que guia la respuesta del LLM. Define contexto, formato y restricciones. Un buen prompt reduce ambiguedad y mejora la calidad de salida. 📝🎯🧩

31. Que es prompt engineering?

Son tecnicas para diseñar prompts que produzcan respuestas mas precisas, seguras y utiles. Incluye roles, ejemplos, formatos y restricciones. Mejora la consistencia sin cambiar el modelo. 🛠️💬✅

32. Que es embedding?

Es una representacion numerica de texto u objetos en un espacio vectorial. Permite medir similitud semantica con distancia o coseno. Es clave en busquedas y RAG. 📌🔢🔍

33. Que es base vectorial?

Es una base de datos optimizada para busqueda por similitud usando embeddings. Permite recuperar informacion relevante rapidamente. Se usa en RAG y recomendaciones. 🗂️🔍⚡

34. Que es RAG?

Es una arquitectura que combina recuperacion de informacion con generacion de texto. Primero busca documentos relevantes y luego el LLM responde usando esas fuentes. Reduce alucinaciones y mejora exactitud. 🔎➡️🧠✅

35. Que es chunking?

Es dividir documentos en partes para indexarlos y recuperarlos mejor. Un chunk adecuado mantiene contexto sin exceder limites del LLM. Impacta directamente la calidad de respuestas. ✂️📄📌

36. Que es top-k?

Es seleccionar los k resultados mas similares en una busqueda vectorial. Define cuanta evidencia se pasa al LLM. Valores altos aumentan contexto pero tambien ruido. 🥇🔢⚖️

37. Que es reranking?

Es reordenar resultados recuperados con un modelo mas preciso. Mejora la relevancia antes de generar la respuesta. Es util cuando el buscador inicial es rapido pero menos exacto. 🔁⭐🎯

38. Que es contexto?

Es la informacion que se pasa al LLM para responder mejor, incluyendo instrucciones, historial y fuentes. El contexto controla tono y precision. Debe ser relevante y no excesivo. 📎🧠🧭

39. Que es alucinacion?

Es cuando el LLM genera una respuesta plausible pero falsa. Ocurre por falta de evidencia o por prompts ambiguos. Se mitiga con RAG, guardrails y verificacion de fuentes. ⚠️🧾🛡️

40. Que es guardrails?

Son controles que limitan respuestas inseguras o fuera de dominio. Incluyen filtros de contenido, validaciones y restricciones de formato. Mejoran seguridad y cumplimiento en produccion. 🛡️✅📏

41. Que es fine-tuning?

Es ajustar un modelo preentrenado con datos propios para mejorar desempeno en un dominio. Permite personalizar estilo, vocabulario o tareas. Requiere datos de calidad y control de sobreajuste. 🎯🧠🔧

42. Que es temperature?

Es un parametro que controla la aleatoriedad en las respuestas del LLM. Valores bajos generan salidas mas deterministas; valores altos aumentan creatividad. Debe ajustarse segun el caso de uso. 🌡️🧠🎲

43. Que es latencia?

Es el tiempo que tarda el sistema en responder una solicitud. En aplicaciones en tiempo real, la latencia es critica. Se reduce con caches, modelos mas ligeros o infraestructura optimizada. ⏱️⚡🧰

44. Que es throughput?

Es la cantidad de solicitudes procesadas por unidad de tiempo. Mide la capacidad del sistema bajo carga. Se mejora con paralelismo, escalado y optimizacion de recursos. 🚦📈⚙️

45. Que es MLOps?

Son practicas y herramientas para operar ML en produccion con calidad, trazabilidad y automatizacion. Incluye pipelines, versionamiento y monitoreo. Busca estabilidad y mejora continua del modelo. 🛠️🏭✅

46. Que es versionamiento de modelos?

Es controlar versiones de modelos para reproducir resultados y comparar mejoras. Incluye metadatos, datos usados y metricas. Es clave para auditoria y despliegues seguros. 🧾🔁🔍

47. Que es data drift?

Es el cambio en la distribucion de datos con el tiempo. Puede degradar el rendimiento del modelo sin cambiar el codigo. Se detecta con monitoreo y estadisticas de entrada. 🌊📉📡

48. Que es model drift?

Es la degradacion del rendimiento del modelo en produccion por cambios del entorno o del negocio. Puede requerir reentrenamiento o ajustes. Se detecta con metricas de desempeño. 📉⏳🔧

49. Que es un pipeline?

Es un flujo automatizado de pasos para datos, entrenamiento, evaluacion y despliegue. Permite reproducibilidad y reduce errores manuales. Es esencial para MLOps a escala. 🧰➡️🔁

50. Que es un microservicio?

Es un servicio pequeno y desacoplado que cumple una funcion especifica. Se despliega de forma independiente y facilita escalado. Es comun para exponer modelos en produccion. 🧩🚀🔧

51. Que es una API?

Es una interfaz que permite comunicacion entre sistemas. En ML, una API expone modelos para que otras aplicaciones consuman predicciones. Debe ser estable, segura y documentada. 🔌🤝📘

52. Que es una API REST?

Es una API basada en HTTP con endpoints claros y metodos como GET, POST, PUT y DELETE. Es simple, escalable y muy usada en servicios web. Facilita integraciones con multiples clientes. 🌐📬✅

53. Que es un endpoint?

Es la ruta especifica de una API que recibe solicitudes y devuelve respuestas. Cada endpoint tiene un proposito claro y un contrato de datos. Debe incluir validaciones y manejo de errores. 🧭📍🧪

54. Que es autenticacion?

Es el proceso de verificar la identidad de un usuario o sistema. Se usa con tokens, llaves o credenciales. Es la primera capa de seguridad en APIs y plataformas. 🔐✅🧾

55. Que es autorizacion?

Es el control de permisos una vez autenticado el usuario. Define que recursos puede usar y que acciones puede ejecutar. Se implementa con roles, scopes o politicas. 🧾🛡️🎯

56. Que es logging?

Es el registro de eventos para depurar, monitorear y auditar. Un buen logging incluye niveles, contexto y trazabilidad. Ayuda a detectar errores y mejorar confiabilidad. 🪵🔍✅

57. Que es observabilidad?

Es la capacidad de entender el estado del sistema mediante logs, metricas y trazas. Permite diagnosticar fallas sin acceder directamente al codigo. Es clave para sistemas distribuidos. 👀📈🧭

58. Que es un prompt template?

Es una plantilla que estandariza prompts con variables dinamicas. Reduce variabilidad y mejora consistencia de respuestas. Facilita mantener prompts en sistemas grandes. 🧩📝🔁

59. Que es un token?

Es una unidad de texto que procesa un LLM, como una palabra o parte de palabra. El numero de tokens impacta costos y limites de contexto. Gestionar tokens es clave en produccion. 🔤💳📏

60. Que es un limite de contexto?

Es el maximo de tokens que el LLM puede recibir y generar en una solicitud. Limita la cantidad de informacion que cabe en el prompt. Obliga a resumir o dividir contenido. 📏🧠✂️

61. Que es grounding?

Es anclar respuestas del LLM en fuentes verificables. Se logra con RAG, citas y validaciones. Ayuda a reducir alucinaciones y mejora confianza. ⚓📚✅

62. Que es un vector?

Es una representacion numerica con varias dimensiones. En ML se usa para describir datos y calcular similitud. Los embeddings son vectores semanticos de texto. 📐🔢📌

63. Que es cosine similarity?

Es una metrica que mide el angulo entre vectores para comparar similitud. Se usa en busquedas semanticas y recomendaciones. Valores cercanos a 1 indican alta similitud. 📏🔍📈

64. Que es un indice vectorial?

Es una estructura optimizada para buscar vecinos mas cercanos en espacios vectoriales. Reduce tiempo de consulta en bases grandes. Es clave para sistemas de RAG y recomendacion. 🧭⚡🗂️

65. Que es ANN?

Significa Approximate Nearest Neighbors. Es una busqueda aproximada rapida en espacios vectoriales grandes. Sacrifica un poco de precision por velocidad. 🚀🔎⚖️

66. Que es un reranker cross-encoder?

Es un modelo que evalua consulta y documento juntos para reordenar resultados. Suele ser mas preciso pero mas costoso. Se usa despues de una busqueda rapida. 🎯🔁💡

67. Que es un baseline?

Es un modelo simple de referencia para comparar mejoras. Permite saber si un modelo complejo realmente aporta valor. Es un punto de control fundamental en ML. 🧱📊✅

68. Que es ablation study?

Es un analisis donde se eliminan componentes para medir su impacto. Ayuda a justificar decisiones tecnicas. Es muy usado en investigaciones y modelos complejos. 🧪🧩🔍

69. Que es hiperparametro?

Es un parametro configurado antes del entrenamiento, como learning rate o epochs. Afecta rendimiento y estabilidad. Se ajusta con busquedas y validacion. ⚙️📈🧪

70. Que es grid search?

Es un metodo para probar multiples combinaciones de hiperparametros de forma sistematica. Puede ser costoso en tiempo y recursos. Se usa cuando el espacio de busqueda es pequeno. 🧮🔍🧰

71. Que es random search?

Explora combinaciones aleatorias de hiperparametros para ahorrar tiempo. Suele encontrar buenos resultados con menos pruebas. Es util en espacios grandes. 🎲⚡📊

72. Que es early stopping?

Es detener entrenamiento cuando la validacion deja de mejorar. Evita overfitting y reduce costos. Se usa mucho en redes neuronales. 🛑📉✅

73. Que es data augmentation?

Es crear variaciones de datos para mejorar la generalizacion. Se usa en imagen, texto y audio. Aumenta robustez sin recolectar nuevos datos. 🧩📷🔁

74. Que es normalizacion?

Es escalar datos para que esten en rangos comparables. Mejora estabilidad numerica y entrenamiento. Muy usada en modelos sensibles a escala. 📏✅🧪

75. Que es estandarizacion?

Es transformar datos a media cero y desviacion uno. Ayuda a que algoritmos converjan mejor. Se aplica antes de entrenar muchos modelos. ⚖️📊✅

76. Que es un outlier?

Es un dato atipico que se aleja del patron general. Puede indicar error, fraude o un caso raro. Debe tratarse con cuidado para no sesgar el modelo. 🚨📉🔍

77. Que es una feature categorica?

Es una variable con valores discretos como pais o categoria. Requiere codificacion para usarse en modelos. Su manejo correcto evita sesgos y errores. 🏷️📌⚙️

78. Que es one-hot encoding?

Es convertir categorias en columnas binarias para que el modelo las procese. Evita interpretar categorias como numeros ordinales. Aumenta dimensionalidad, por lo que debe controlarse. 🧩✅📊

79. Que es leakage?

Es usar informacion que no estaria disponible en produccion. Produce resultados inflados y modelos que fallan en la realidad. Se evita con buenos splits y criterios de tiempo. 🚫⏱️📉

80. Que es bias?

Es un sesgo en datos o modelo que afecta la equidad. Puede originarse en recoleccion, etiquetas o decisiones de diseno. Debe monitorearse para evitar impactos negativos. ⚖️🚨🧭

81. Que es fairness?

Son practicas para asegurar que el modelo trate grupos de forma equitativa. Incluye metricas de equidad y ajustes en datos o modelos. Es clave en entornos regulados. 🤝⚖️✅

82. Que es explainability?

Es la capacidad de explicar por que un modelo toma una decision. Aumenta confianza y facilita auditorias. Es clave en sectores como finanzas o salud. 🧾🔎✅

83. Que es SHAP?

Es un metodo que estima la contribucion de cada feature a una prediccion. Permite interpretacion local y global. Es muy usado para explicar modelos complejos. 🔍📌📊

84. Que es LIME?

Es una tecnica local para explicar predicciones aproximando el modelo por uno simple. Ayuda a entender decisiones individuales. Es util cuando se necesita transparencia rapida. 🧪🔎💡

85. Que es drift detection?

Es el monitoreo para detectar cambios en datos o rendimiento. Permite activar alertas y acciones correctivas. Es esencial para modelos en produccion. 🚨📡🔧

86. Que es un feature store?

Es un repositorio centralizado de features reutilizables. Asegura consistencia entre entrenamiento e inferencia. Mejora gobernanza y productividad. 🗂️✅🔁

87. Que es un model registry?

Es un catalogo para registrar modelos, versiones, metricas y estado de despliegue. Facilita aprobaciones y despliegues controlados. Es clave para auditoria y trazabilidad. 📚🏷️✅

88. Que es CI/CD en ML?

Es automatizar integracion, pruebas y despliegue de pipelines y modelos. Permite entregas frecuentes con calidad controlada. Reduce errores manuales y acelera mejoras. 🔁🚀✅

89. Que es un notebook?

Es un entorno interactivo para explorar datos y prototipar, como Jupyter. Facilita visualizaciones y experimentos rapidos. En produccion se recomienda migrar a codigo modular. 📓🧪🔧

90. Que es un artefacto?

Es un archivo generado en el flujo ML, como un modelo entrenado, features o reportes. Debe versionarse y almacenarse con metadatos. Es clave para reproducibilidad. 📦🧾✅

91. Que es un scheduler?

Es una herramienta que programa ejecuciones periodicas de pipelines o jobs. Permite reentrenar modelos o refrescar datos automaticamente. Ayuda a mantener modelos actualizados. ⏰🔁🧰

92. Que es un SLA?

Es un acuerdo de nivel de servicio que define tiempos y calidad esperada. Ayuda a establecer compromisos de disponibilidad y latencia. Es clave en servicios productivos. 📜⏱️✅

93. Que es un experimento?

Es una ejecucion controlada con configuracion y datos especificos para medir resultados. Permite comparar modelos o hiperparametros. Debe registrarse para trazabilidad. 🧪📈🧾

94. Que es reproducibilidad?

Es la capacidad de repetir resultados con el mismo codigo, datos y version. Requiere control de versiones y configuraciones. Es esencial para auditoria y confiabilidad. 🔁✅📌

95. Que es un entorno?

Es el conjunto de dependencias y configuraciones necesarias para ejecutar el sistema. Mantener entornos consistentes evita fallas entre desarrollo y produccion. Se gestiona con archivos de dependencias o contenedores. 🧰🧪🔁

96. Que es contenedorizacion?

Es empaquetar una app con sus dependencias para ejecutarla igual en todos lados. Reduce problemas de compatibilidad. Es base de despliegues modernos. 📦🐳✅

97. Que es Docker?

Es una plataforma para crear y ejecutar contenedores de forma ligera y portable. Facilita despliegues consistentes y escalables. Se usa ampliamente en MLOps y APIs. 🐳🧰🚀

98. Que es Kubernetes?

Es un sistema de orquestacion para gestionar contenedores a gran escala. Automatiza despliegue, escalado y recuperacion. Es clave en plataformas empresariales. ☸️⚙️📈

99. Que es un rollback?

Es volver a una version estable cuando un despliegue falla o degrada rendimiento. Reduce impacto en usuarios y negocio. Debe estar planeado en pipelines de despliegue. ↩️✅🧯

100. Que es un dashboard?

Es un panel visual con metricas clave para monitorear sistemas y modelos. Facilita decision rapida con indicadores claros. Puede incluir alertas, tendencias y comparaciones. 📊👀✅