El campo de la IA abarca una amplia gama de disciplinas y tecnologías. Este glosario de los términos básicos de la IA más importantes puede ayudarte a ampliar tu comprensión y profundizar en este fascinante mundo.
La IA agéntica hace referencia a sistemas avanzados de IA que van más allá de la mera respuesta a un comando; generan contenido, ejecutan tareas de forma autónoma y alcanzan objetivos. Estos sistemas combinan capacidades de razonamiento, funciones de memoria y bucles de retroalimentación para planificar y realizar acciones de forma independiente, a menudo utilizando varias herramientas digitales y adaptando su enfoque a través del aprendizaje. A diferencia de la IA tradicional, la IA agéntica puede operar de forma independiente y colaborativa 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 agéntica implica la implementación de sistemas de IA que pueden monitorear, analizar y controlar de manera independiente diversos aspectos de las operaciones industriales, como el mantenimiento predictivo, el control de calidad, la gestión de 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 interpretar el significado de los datos introducidos y adaptarse a los requisitos. Por lo general, estas son tareas que antes solo podían ser resueltas por la inteligencia natural. Existen varios tipos de métodos de IA, que difieren significativamente en cuanto a sus campos de aplicación, su potencial y los riesgos asociados a ellos. Los principios básicos de la IA se desarrollaron en el siglo XX. Dado que todos los métodos de IA requieren grandes cantidades de datos de entrenamiento, la tecnología está adquiriendo una relevancia cada vez mayor gracias a la digitalización y al big data.
Una tecnología que permite que la información digital se superponga a entornos y objetos del mundo real, y que generalmente utiliza la realidad virtual 3D inmersiva. La RA permite una versión mejorada del mundo físico mediante la adición de elementos visuales digitales, de sonido y otros elementos sensoriales.
Sistemas que pueden operar sin intervención humana, como automóviles autónomos y drones.
Vehículos que pueden operar sin intervención humana, como automóviles y camiones autónomos.
Prejuicio no intencionado o favoritismo que puede ocurrir en los sistemas de IA debido a datos de entrenamiento o algoritmos sesgados.
Conjuntos de datos grandes y complejos, a menudo generados por sensores (industriales), pero también por empresas, organizaciones y personas. Como estos datos a menudo no están estructurados, están incompletos o son incorrectos, el software que no funciona con IA generalmente no puede procesarlos de manera significativa.
Un programa impulsado por IA que puede interactuar con los humanos a través de comunicaciones de texto o voz.
Un tipo de IA que tiene como objeto replicar los procesos cognitivos humanos, como la percepción, el razonamiento y la toma de decisiones.
Un subconjunto de IA que permite a las computadoras extraer información de elementos visuales, como imágenes y videos, para entenderlos e interpretarlos.
Estrategias, medidas y herramientas para ayudar a proteger la información digital de atacantes externos. La IA se puede utilizar para detectar y prevenir ataques cibernéticos, así como para identificar y responder a las brechas de seguridad.
El proceso de análisis e interpretación de datos para descubrir ideas y tomar decisiones informadas.
Sistemas informáticos diseñados para ayudar a los humanos en la toma de decisiones al proporcionar información y análisis relevantes.
Un subconjunto de aprendizaje automático que implica el uso de redes neuronales con múltiples capas para permitir que las máquinas aprendan de los datos.
Un modelo matemático que describe el comportamiento de un objeto físico o proceso. 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, inclusive en las fases de diseño, fabricación, operación y servicio. Las representaciones visuales de gemelos digitales se ven y se comportan como sus contrapartes físicas, imitando el mundo real y adaptándose en tiempo real a lo que está sucediendo allí.
Edge Computing es un tipo de arquitectura de sistema que, a diferencia de la computación en la 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 principios morales en el desarrollo y uso de la IA, que incluye cuestiones como sesgo, privacidad y 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 donde varios dispositivos independientes entrenan un modelo de aprendizaje automático con su propio conjunto de datos (por separado). Solo los resultados finales se comparten con el actor principal de la red.
IA diseñada para generar nuevo contenido, como imágenes, videos y música mediante la combinación y el aprendizaje del contenido existente.
Capacidad de una aplicación, por ejemplo, software CAD, para generar de forma autónoma una serie de alternativas de diseño dadas una serie de restricciones. Utiliza técnicas como IA, optimización y simulación.
La IA industrial hace referencia a la aplicación de la IA dentro de las industrias que forman la columna vertebral de nuestras economías: industria, infraestructura, movilidad y atención médica.
Los modelos base industriales (IFM) están previamente entrenados en datos específicos de la industria para comprender profundamente el “lenguaje” de la ingeniería, la automatización y la fabricación, y para permitir una implementación más rápida y precisa de soluciones de IA. Proporcionan un punto de partida estandarizado, ahorrando tiempo, recursos y energía a través de 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 conocimiento y la colaboración entre sectores. No solo admiten texto, imágenes y audio, sino también modelos 3D, dibujos 2D y otras estructuras complejas, como datos de series temporales específicas de la industria (consulte también LLM multimodales).
La IA de grado industrial denota un nivel de calidad; fidedigna, segura y confiable, diseñada para cumplir con los rigurosos requisitos y estándares de los entornos profesionales más exigentes.
Un término utilizado para describir la cuarta revolución industrial, que implica la integración de IA, 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 el big data.
Una base de datos que representa el conocimiento como un gráfico de nodos y bordes interconectados, utilizado para aplicaciones de IA como PNL y búsqueda.
Un tipo de modelo de lenguaje de IA que se entrena con enormes cantidades de datos, como GPT-3, para generar texto similar a los humanos.
Un subconjunto de 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 IA que permite que las máquinas con cámaras conectadas extraigan información visual para comprender e interpretar su entorno.
Los LLM multimodales pueden comprender y procesar simultáneamente múltiples tipos de datos, como texto, imágenes, audio o datos de sensores. Están integrados en aplicaciones como visión artificial, vehículos autónomos y robótica. Mejoran el reconocimiento de objetos, la comprensión de escenas y permiten que las máquinas sigan instrucciones complejas. Los LLM multimodales tienen el potencial de impactar el procesamiento y la generación de datos específicos de la industria, como series temporales, modelos 2D y 3D, o datos para visión artificial, de la misma manera que los LLM convencionales han impactado el procesamiento de texto y voz.
Un subconjunto de 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, habla y otras formas de expresión.
Un tipo de algoritmo de aprendizaje automático que se modela según la estructura del cerebro humano y se utiliza para reconocer patrones en los datos.
Un proceso para analizar los cambios en el voltaje y la corriente de edificios o máquinas que comprenden múltiples subdispositivos para deducir la contribución individual de cada dispositivo en el sistema.
La IA física hace referencia a la integración de inteligencia artificial en máquinas, como robots, que pueden sentir su entorno y actuar dentro de él. Inspirada en el ciclo sensoriomotor humano, la IA física procesa entradas sensoriales (como cámaras 3D o sensores táctiles), genera comandos de control a partir de ellos y permite que las máquinas realicen tareas complejas de forma adaptativa y autónoma en entornos físicos 3D.
La IA informada por la física, también conocida como IA consciente de la física, hace referencia 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 convencionales de IA que dependen en gran medida de grandes conjuntos de datos para aprender el comportamiento, la IA informada por la física integra restricciones basadas en la física para guiar el aprendizaje. Esto permite que los sistemas de IA razonen y hagan predicciones incluso cuando los datos del mundo real son limitados, aprovechando nuestro conocimiento existente sobre cómo funciona el mundo físico. En lugar de aprender solo de ejemplos, estos modelos utilizan sus conocimientos de física para dirigir el aprendizaje hacia soluciones más óptimas y físicamente consistentes.
La IA predictiva aprovecha el análisis estadístico y el aprendizaje automático para identificar patrones en tiempo real y datos operativos históricos de máquinas y equipos, lo que le permite predecir comportamientos futuros, detectar anomalías, pronosticar posibles fallas y recomendar acciones de mantenimiento. Se utiliza para mejorar el estado y la confiabilidad de los activos, reducir el tiempo de inactividad no planificado y respaldar la toma de decisiones más rápida basada en los datos en todas las operaciones industriales.
El uso de IA y modelos estadísticos para predecir eventos o tendencias futuros basados en datos históricos.
El uso de IA para predecir cuándo las máquinas necesitarán mantenimiento o reparaciones, según datos en tiempo real.
El uso de 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 entrenados aprenden una estrategia a través de sanciones y recompensas del sistema después de realizar acciones.
Aplicaciones de IA que cumplen con estándares éticos y morales definidos.
La rama de ingeniería e IA que se centra en el diseño, construcción y operación de robots.
El uso de IA para analizar e interpretar las emociones y opiniones expresadas en texto o discurso.
Una red eléctrica que utiliza IA y otras tecnologías avanzadas para optimizar la generación, distribución y consumo de electricidad.
El hardware especializado, como las unidades de procesamiento gráfico (GPU) o los dispositivos periféricos habilitados para las unidades de procesamiento de lenguaje (LPU), es una tendencia emergente en la IA industrial. Estos dispositivos proporcionan potencia informática de alto rendimiento en la periferia, lo que permite el procesamiento en tiempo real de algoritmos de IA. Su integración permite un procesamiento paralelo y un rendimiento acelerado, lo que resulta en una ejecución más rápida de tareas complejas de IA. Este procesamiento local reduce la latencia y la dependencia de los recursos de la nube, lo que lo hace crucial para aplicaciones sensibles al tiempo. El hardware especializado también soporta modelos avanzados de IA, lo que lleva a una visión mejorada y un mejor rendimiento. Además, reduce los costos al minimizar la necesidad de una amplia infraestructura en la nube y transferencia de datos.
La capacidad de las máquinas para reconocer e interpretar el habla humana.
Un 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 costos y mejorar la eficiencia. La IA se utiliza a menudo para la automatización de procesos, la detección de ineficiencia, la garantía de calidad de los bienes y la previsión de la demanda.
Datos artificiales generados por algoritmos en lugar de 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.
Un método de aprendizaje donde los modelos de aprendizaje automático descubren patrones y agrupaciones en datos previamente desconocidos (sin etiquetar).
La realidad virtual (RV) presenta un entorno renderizado digitalmente que puede replicar un espacio real, crear una realidad alternativa o combinar ambas. El usuario puede explorar el espacio virtual desde los confines del hogar, la oficina o la planta de la fábrica.
