El campo de la IA abarca una amplia gama de disciplinas y tecnologías. Este glosario de los términos clave más importantes puede ayudarlo a ampliar su comprensión y profundizar en este fascinante mundo.
La IA agencial se refiere a los sistemas de IA avanzados que van más allá de la mera respuesta a los comandos; generan contenido, ejecutan tareas de forma autónoma y alcanzan objetivos. Estos sistemas combinan capacidades de razonamiento, funciones de memoria y circuitos de retroalimentación para planificar y ejecutar acciones de forma independiente, a menudo utilizando diversas herramientas digitales y adaptando su enfoque a través del aprendizaje. A diferencia de la IA tradicional, la IA agencial puede funcionar de forma independiente y en colaboración con otros agentes de IA, tomando decisiones autónomas mientras interactúa con diferentes plataformas y sistemas para completar tareas complejas.
En el contexto industrial, la IA de agencia implica el despliegue de sistemas de IA que puedan supervisar, analizar y controlar de forma independiente diversos aspectos de las operaciones industriales, como el mantenimiento predictivo, el control de calidad, la gestión del inventario o la optimización de los procesos de producción.
La inteligencia artificial (IA) se refiere al software que tiene la capacidad de aprender y adaptarse. La IA puede resolver tareas que requieren que interprete el significado de los datos de entrada y se adapte a los requisitos. Por lo general, se trata de tareas que anteriormente solo podían resolverse mediante inteligencia natural. Existen varios tipos de métodos de IA, que difieren significativamente en términos de sus campos de aplicación, sus potenciales y los riesgos asociados a ellos. Los principios básicos de la IA se desarrollaron en el siglo XX. Como todos los métodos de IA requieren grandes cantidades de datos de entrenamiento, la tecnología está adquiriendo una relevancia crítica cada vez mayor gracias a la digitalización y los macrodatos.
Una tecnología que permite superponer la información digital en entornos y objetos del mundo real, normalmente mediante una realidad virtual 3D inmersiva. La realidad aumentada permite una versión mejorada del mundo físico al agregar elementos digitales visuales, sonoros y otros elementos sensoriales.
Sistemas que pueden funcionar sin intervención humana, como los vehículos autónomos y los drones.
Vehículos que pueden funcionar sin intervención humana, como automóviles y camiones autónomos.
Prejuicios o favoritismos no intencionados que pueden producirse en los sistemas de IA debido a algoritmos o datos de entrenamiento sesgados.
Conjuntos de datos grandes y complejos, a menudo generados por sensores (industriales), pero también por empresas, organizaciones y personas. Como estos datos suelen estar desestructurados, incompletos o incorrectos, el software que no funciona con inteligencia artificial no suele poder procesarlos de manera significativa.
Un programa impulsado por inteligencia artificial que puede interactuar con los humanos a través de la comunicación de texto o voz.
Tipo de IA que tiene como objetivo replicar los procesos cognitivos humanos, como la percepción, el razonamiento y la toma de decisiones.
Un subconjunto de la IA que permite a las computadoras extraer información de elementos visuales, como imágenes y vídeos, para comprenderlos e interpretarlos.
Estrategias, medidas y herramientas para ayudar a proteger la información digital de los atacantes externos. La IA se puede utilizar para detectar y prevenir ciberataques, así como para identificar y responder a las brechas de seguridad.
El proceso de analizar e interpretar los datos para descubrir ideas y tomar decisiones informadas.
Sistemas informáticos diseñados para ayudar a los humanos a tomar decisiones al proporcionar información y análisis relevantes.
Un subconjunto del aprendizaje automático que implica el uso de redes neuronales con múltiples capas para permitir que las máquinas aprendan de los datos.
Modelo matemático que describe el comportamiento de un objeto o proceso físico. En un entorno de simulación, se puede usar un gemelo digital para simular lo que sucedería en el mundo real si se cambiaran los parámetros del sistema. Los gemelos digitales se pueden utilizar durante todo el ciclo de vida del producto, incluidas las fases de diseño, fabricación, operación y servicio. Las representaciones visuales de los gemelos digitales tienen el mismo aspecto y se comportan como sus homólogos físicos, reflejando el mundo real y adaptándose en tiempo real a lo que allí sucede.
La computación perimetral es un tipo de arquitectura de sistemas que, a diferencia de la computación en nube, acerca la computación y el almacenamiento de datos a las fuentes de datos (el «borde»). Ayuda a reducir los tiempos de respuesta y la cantidad de energía requerida para la transferencia de datos. Los sistemas Edge AI se pueden implementar físicamente cerca del dispositivo de ejecución real. Estos dispositivos pueden ejecutar aplicaciones de IA sin estar conectados a la nube.
IA diseñada para interactuar y navegar por el mundo físico, a menudo mediante el uso de robots o vehículos autónomos.
El estudio y la aplicación de los principios morales en el desarrollo y el uso de la IA, incluidas cuestiones como los prejuicios, la privacidad y la responsabilidad.
IA diseñada para ser transparente y explicable, lo que permite a los humanos entender cómo y por qué una máquina tomó una decisión en particular.
Es un método de entrenamiento en aprendizaje automático en el que varios dispositivos independientes entrenan un modelo de aprendizaje automático con su propio conjunto de datos (separado). Solo los resultados finales se comparten con el actor principal de la red.
IA diseñada para generar contenido nuevo, como imágenes, vídeos y música, mediante la combinación del contenido existente y el aprendizaje del mismo.
Capacidad de una aplicación, por ejemplo, un software CAD, para generar de forma autónoma una serie de alternativas de diseño teniendo en cuenta un conjunto de restricciones. Utiliza técnicas como la inteligencia artificial, la optimización y la simulación.
IA industrial se refiere a la aplicación de la IA en las industrias que forman la columna vertebral de nuestras economías: la industria, la infraestructura, la movilidad y la atención médica.
Los modelos de base industrial (iFM) se entrenan previamente en datos específicos de la industria para comprender en profundidad el «lenguaje» de la ingeniería, la automatización y la fabricación, y para permitir un despliegue más rápido y preciso de las soluciones de inteligencia artificial. Proporcionan un punto de partida estandarizado, lo que permite ahorrar tiempo, recursos y energía gracias a las economías de escala. Los iFM están diseñados para resolver los desafíos industriales del mundo real. Actúan como la capa de inteligencia detrás de los copilotos industriales y facilitan la transferencia de conocimientos y la colaboración entre sectores. No solo admiten texto, imágenes y audio, sino también modelos 3D, dibujos 2D y otras estructuras complejas, como los datos de series temporales específicas de la industria (consulte también los LLM multimodales).
IA de nivel industrial denota un nivel de calidad: fiable, seguro y digno de confianza, diseñado para cumplir con los rigurosos requisitos y estándares de los entornos profesionales más exigentes.
Término utilizado para describir la cuarta revolución industrial, que implica la integración de la IA, el IoT y otras tecnologías avanzadas en la fabricación y la industria.
La red de dispositivos técnicos integrados con sensores, software y conectividad para permitir el intercambio de datos. El IoT es uno de los principales impulsores de la digitalización y los macrodatos.
Una base de datos que representa el conocimiento como un gráfico de nodos y bordes interconectados, que se utiliza para aplicaciones de IA como la PNL y la búsqueda.
Un tipo de modelo de lenguaje de IA que se entrena con cantidades masivas de datos, como el GPT-3, para generar texto similar al humano.
Un subconjunto de la IA que implica el uso de algoritmos y modelos estadísticos para permitir que las máquinas aprendan de la experiencia o los datos.
Un subconjunto de la IA que permite a las máquinas con cámaras conectadas extraer información visual para comprender e interpretar su entorno.
Los LLM multimodales pueden comprender y procesar varios tipos de datos, como texto, imágenes, audio o datos de sensores, simultáneamente. Están integrados en aplicaciones como la visión artificial, los vehículos autónomos y la robótica. Mejoran el reconocimiento de objetos y la comprensión de escenas y permiten a las máquinas seguir instrucciones complejas. Los LLM multimodales tienen el potencial de influir en el procesamiento y la generación de datos específicos de la industria, como las series temporales, los modelos 2D y 3D o los datos para la visión artificial, de la misma manera que los LLM convencionales han afectado al procesamiento de texto y voz.
Un subconjunto de la IA que se centra en la interacción entre las computadoras y el lenguaje humano.
Una interfaz que permite a los humanos interactuar con las computadoras mediante gestos naturales, el habla y otras formas de expresión.
Tipo de algoritmo de aprendizaje automático que se basa en la estructura del cerebro humano y se utiliza para reconocer patrones en los datos.
Proceso para analizar los cambios en el voltaje y la corriente de edificios o máquinas que comprenden varios subdispositivos para deducir la contribución individual de cada dispositivo en el sistema.
IA física se refiere a la integración de la inteligencia artificial en máquinas, como los robots, que pueden detectar su entorno y actuar dentro de él. Inspirada en el ciclo sensoriomotor humano, la IA física procesa las entradas sensoriales (como las cámaras 3D o los sensores táctiles), genera comandos de control a partir de ellas y permite a las máquinas realizar tareas complejas de forma adaptativa y autónoma en entornos físicos tridimensionales.
basada en la física, también conocida como IA consciente de la física, se refiere a una nueva clase de métodos de inteligencia artificial que incorporan las leyes de la física directamente en el proceso de entrenamiento. A diferencia de los enfoques de IA convencionales, que se basan en gran medida en grandes conjuntos de datos para aprender el comportamiento, la IA basada en la física integra restricciones basadas en la física para guiar el aprendizaje. Esto permite a los sistemas de inteligencia artificial razonar y hacer predicciones incluso cuando los datos del mundo real son limitados, al aprovechar nuestros conocimientos actuales sobre cómo funciona el mundo físico. En lugar de aprender solo a partir de ejemplos, estos modelos utilizan sus conocimientos de física para orientar el aprendizaje hacia soluciones más óptimas y consistentes desde el punto de vista físico.
La IA predictiva aprovecha el análisis estadístico y el aprendizaje automático para identificar patrones en datos operativos históricos y en tiempo real de máquinas y equipos, lo que le permite predecir comportamientos futuros, detectar anomalías, pronosticar posibles fallos y recomendar acciones de mantenimiento. Se usa para mejorar el estado y la confiabilidad de los activos, reducir el tiempo de inactividad no planificado y permitir una toma de decisiones más rápida basada en datos en las operaciones industriales.
El uso de modelos estadísticos y de inteligencia artificial para predecir eventos o tendencias futuros basándose en datos históricos.
El uso de la IA para predecir cuándo las máquinas necesitarán mantenimiento o reparaciones, basándose en datos en tiempo real.
El uso de la IA para detectar defectos y garantizar que los productos cumplan con los estándares de calidad.
Un tipo de aprendizaje automático en el que los agentes no capacitados aprenden una estrategia mediante penalizaciones y recompensas del sistema después de realizar las acciones.
Aplicaciones de IA que cumplen con los estándares éticos y morales definidos.
La rama de la ingeniería y la inteligencia artificial que se centra en el diseño, la construcción y el funcionamiento de los robots.
El uso de la IA para analizar e interpretar las emociones y opiniones expresadas en el texto o el discurso.
Una red eléctrica que utiliza inteligencia artificial y otras tecnologías avanzadas para optimizar la generación, la distribución y el consumo de electricidad.
hardware especializado, como los dispositivos periféricos compatibles con unidades de procesamiento gráfico (GPU) o unidades de procesamiento de lenguaje (LPUs), es una tendencia emergente en la IA industrial. Estos dispositivos proporcionan una potencia informática de alto rendimiento en la periferia, lo que permite el procesamiento en tiempo real de los algoritmos de inteligencia artificial. Su integración permite el procesamiento paralelo y un rendimiento acelerado, lo que se traduce en una ejecución más rápida de tareas complejas de inteligencia artificial. Este procesamiento local reduce la latencia y la dependencia de los recursos de la nube, por lo que es crucial para las aplicaciones urgentes. El hardware especializado también es compatible con modelos avanzados de IA, lo que permite obtener más información y mejorar el rendimiento. Además, reduce los costos al minimizar la necesidad de una amplia infraestructura de nube y transferencia de datos.
La capacidad de las máquinas para reconocer e interpretar el habla humana.
Método de aprendizaje en el que los modelos de aprendizaje automático se entrenan con conjuntos de datos etiquetados (conocidos) para predecir un resultado.
Optimización del flujo de bienes y materiales en una cadena de suministro para reducir los costos y mejorar la eficiencia. La IA se utiliza a menudo para la automatización de procesos, la detección de ineficiencias, el control de calidad de los bienes y la previsión de la demanda.
Datos artificiales generados por algoritmos en lugar de por eventos del mundo real que se utilizan para entrenar y validar modelos de aprendizaje automático. La calidad de los datos sintéticos es fundamental. Determina si la IA producirá resultados aceptables después del entrenamiento.
Método de aprendizaje en el que los modelos de aprendizaje automático descubren patrones y agrupaciones en datos que antes se desconocían (sin etiquetar).
La realidad virtual (VR) presenta un entorno renderizado digitalmente que puede replicar un espacio real, crear una realidad alternativa o combinar ambos. El usuario puede explorar el espacio virtual desde los confines del hogar, la oficina o la fábrica.
