TrainingEntrenamiento
Aprender parámetros a partir de ejemplos. Un buen resultado de entrenamiento no demuestra el mismo rendimiento con material nuevo.
Para profundizar ↗ — Google — Machine Learning GlossaryKit de lectura tecnológica de GTL
Da contexto a las afirmaciones tecnológicas. Un glosario breve, una lista de verificación y plantillas prácticas para tu próxima idea periodística.
Lectura y descarga gratuitas. Sin cuenta, pago ni invitaciones obligatorias.
Un glosario para leer con criterio · 16
InferenceInferencia
Usar un modelo entrenado para producir una salida. En noticias de IA, no significa que la respuesta esté demostrada o verificada.
Para profundizar ↗ — Google — Machine Learning GlossaryFine-tuningAjuste fino
Entrenamiento adicional de un modelo para una tarea o estilo. Modifica parámetros; no equivale a cambiar únicamente la instrucción.
Para profundizar ↗ — Google — Fine-tuning, distillation, and prompt engineeringDistillationDestilación
Entrenar un modelo alumno con señales de un modelo profesor. Un alumno más pequeño no conserva automáticamente todas sus capacidades.
Para profundizar ↗ — Google — Fine-tuning, distillation, and prompt engineeringTokenToken
Unidad de texto procesada por un modelo: palabra, fragmento o carácter. El número de tokens no equivale al de palabras.
Para profundizar ↗ — Google — Introduction to Large Language ModelsContext windowVentana de contexto
Capacidad de tokens disponible en una interacción. Un límite mayor no garantiza recordar con fiabilidad cada detalle proporcionado.
Para profundizar ↗ — Google AI — Long contextRetrieval-augmented generation (RAG)Generación aumentada por recuperación
Recuperar material externo para ayudar a responder. Comprueba que las fuentes respalden la respuesta: recuperar información no equivale a verificarla.
Para profundizar ↗ — Google Cloud — Retrieval-Augmented GenerationHallucinationAlucinación
Salida convincente de un modelo que es incorrecta o carece de respaldo. Fluidez, seguridad y enlaces con aspecto de cita no prueban veracidad.
Para profundizar ↗ — Google Cloud — AI hallucinationsOpen weightsPesos abiertos
Pesos de un modelo disponibles para su uso. Revisa licencia y restricciones: disponer de los pesos no convierte por sí solo todo el sistema en código abierto.
Para profundizar ↗ — Open Source Initiative — Open Source AI DefinitionAI agentAgente de IA
Software que puede planificar o actuar para alcanzar un objetivo, a veces con herramientas. Pregunta por accesos, autorizaciones y gestión de fallos.
Para profundizar ↗ — Google Cloud — AI agentsBenchmarkPrueba de referencia
Tarea y procedimiento de medición definidos para comparar. Revisa carga, calidad exigida y condiciones antes de declarar superioridad general.
Para profundizar ↗ — MLCommons — MLPerf Inference: DatacenterLatencyLatencia
Tiempo de una solicitud u operación definida. Aclara inicio y fin de la medición y si incluye espera y red.
Para profundizar ↗ — NVIDIA — Triton Inference Server metricsThroughputRendimiento por unidad de tiempo
Trabajo completado por unidad de tiempo. Importan la unidad y la concurrencia; un valor alto no garantiza esperas breves para cada usuario.
Para profundizar ↗ — NVIDIA — Triton Inference Server metricsVulnerabilityVulnerabilidad
Debilidad que puede explotarse o activarse y causar daño. Distingue el fallo comunicado, la explotación demostrada y el abuso real confirmado.
Para profundizar ↗ — NIST — Vulnerability glossaryEncryptionCifrado
Transformar datos legibles en texto cifrado mediante criptografía. Pregunta qué datos se protegen, quién controla las claves y dónde se descifran.
Para profundizar ↗ — NIST — Encryption glossaryPreprintPrepublicación
Manuscrito difundido antes de la publicación formal, a menudo sin revisión por pares. La moderación del repositorio no sustituye esa revisión científica.
Para profundizar ↗ — arXiv — Content moderationAntes de compartir: verifica la afirmación
- Busca el documento original: anuncio, artículo científico o expediente, no solo capturas o republicaciones. Guarda URL y sección relevante.
- Identifica quién afirma algo. Separa declaraciones empresariales de hallazgos independientes y anota financiación, patrocinios e intereses.
- Distingue fechas: suceso, publicación y actualización del documento. Conserva la zona horaria indicada.
- Contextualiza cifras: unidades, periodo, muestra, referencia y región. No presentes estimaciones, objetivos o precios iniciales como resultados confirmados.
- Examina el método: versión, carga, hardware y límites de la prueba. Un gráfico sin condiciones comparables no basta.
- Contrasta de forma independiente. Dos medios repitiendo un comunicado no son dos confirmaciones. Explica discrepancias en vez de escoger la cifra conveniente.
- Comprueba citas y derechos. Lee el contexto y conserva sentido y atribución. El acceso público a una imagen o grabación no concede por sí solo permiso de reutilización.
- Señala lo desconocido. Separa hechos verificados, análisis y preguntas abiertas. Conserva correcciones y no uses una respuesta de IA como única fuente.
Prepara una propuesta o entrevista
Una propuesta periodística útil
Completa lo que sabes y señala lo pendiente. Es una plantilla de preparación, no un formulario de envío.
- Título provisional y enfoque en una frase: [ ]
- Qué cambió, cuándo, dónde y por qué ahora: [ ]
- A quién afecta y qué necesita comprender el lector: [ ]
- Fuentes originales y hechos contrastados: [URL + notas]
- Preguntas abiertas, personas a entrevistar y experiencia relevante: [ ]
- Mi participación real: entrevista / asistencia / prueba / investigación documental: [ ]
- Ayuda de IA, relaciones o conflictos y permisos de materiales: [ ]
- Formato, fecha propuesta y condiciones que acordar antes de trabajar: [ ]
Una entrevista centrada en pruebas
Acuerda grabación, atribución y publicación antes de empezar. Haz preguntas abiertas; no inventes respuestas ni consentimiento.
- ¿Qué cambió exactamente y cuál era la situación anterior?
- ¿Qué documentos originales o pruebas reproducibles respaldan esa afirmación?
- ¿Cómo se midió: versión, muestra, comparación y limitaciones?
- ¿Quién se beneficia, quién asume costes y quién puede evaluarlo independientemente?
- ¿Qué falló o sigue siendo incierto y qué cambiaría tu conclusión?
- ¿Qué relaciones comerciales, de financiación o personales deben revelarse?
- ¿Cuáles son el nombre, cargo y fecha correctos y cómo aclaramos dudas factuales?
Referencias originales
GTL redactó estas explicaciones y plantillas. Las referencias primarias amplían la información; no avalan a GTL ni certifican este recurso.
- Google — Machine Learning Glossary ↗
- Google — Introduction to Large Language Models ↗
- Google AI — Long context ↗
- Google — Fine-tuning, distillation, and prompt engineering ↗
- Google Cloud — Retrieval-Augmented Generation ↗
- Google Cloud — AI hallucinations ↗
- Open Source Initiative — Open Source AI Definition ↗
- Google Cloud — AI agents ↗
- MLCommons — MLPerf Inference: Datacenter ↗
- NVIDIA — Triton Inference Server metrics ↗
- NIST — Vulnerability glossary ↗
- NIST — Encryption glossary ↗
- arXiv — Content moderation ↗