Arquitectura de redes62
Cómo es la IA por dentro. Neuronas, capas, pesos, funciones de activación, RNN, LSTM, parámetros: lo que de verdad significa que un modelo sea «grande» o «profundo».
Aprendizaje automático con muchas capas de proceso apiladas
Arquitectura del modeloModel ArchitectureEl plano que fija cómo se apilan y conectan las capas de un modelo
AtenciónAttentionCómo decidir cuánto peso darle a cada entrada
Atención multi-cabezaMulti-Head AttentionVarias miradas de atención observan a la vez la misma escena
AutoatenciónSelf-AttentionLas palabras de una frase se consultan entre sí
AutocodificadorAutoencoderUna estructura que aprende comprimiendo y reconstruyendo
Autocodificador variacionalVariational AutoencoderEl autocodificador que recuerda con un rango, no con un punto
AutorregresiónAutoregressiveReleer lo escrito para encadenar el siguiente trozo
Caja negraBlack BoxEl proceso de juicio de una IA cuyo interior no se puede ver
CapaLayerLa etapa de cálculo que agrupa neuronas que reciben la misma entrada
Capa ocultaHidden LayerLa capa intermedia que fabrica rasgos entre la entrada y la salida
CNNConvolutional Neural NetworkLa red que encuentra patrones en fotos, capa por capa
Codificación posicionalPositional EncodingMarcar cada posición con su número de orden
Codificador-decodificadorEncoder-DecoderEstructura que separa el lado que lee del lado que escribe
CómputoComputeEl total de cálculo que cuesta ejecutar el modelo una vez
Conexión residualResidual ConnectionAtajo que salta una capa y lleva el valor original intacto
ConvoluciónConvolutionEl cálculo que recorre la foto moviendo un panel pequeño
Costo energético y ambientalEnvironmental CostLa electricidad y los recursos que cuesta crear y usar la IA
CuantizaciónQuantizationHacer más grueso el redondeo de los números para aligerar el modelo
Desvanecimiento del gradienteVanishing GradientSeñal de aprendizaje que se debilita hasta desaparecer entre capas
DQNDeep Q-NetworkHacer que una red neuronal recuerde la tabla de valores Q
DropoutApagar al azar partes del modelo mientras entrena
Ejecución localLocal LLMEjecutar el modelo de IA directamente en tu propia computadora
FeedforwardFeed-ForwardLa estructura donde la señal fluye solo hacia adelante
FiltroFilter / KernelEl panel pequeño de números que dice qué buscar
Función de activaciónActivation FunctionLa función con umbral que decide si la neurona deja pasar la señal
GPUEl chip que hace muchos cálculos iguales a la vez
GradienteGradientLa señal que indica hacia dónde y cuánto moverse para reducir el error
IA en el dispositivoOn-Device AILa IA que procesa todo dentro del propio dispositivo
IA en el navegadorBrowser AILa IA que corre dentro de una página web, sin instalar nada
LatenciaLatencyEl tiempo que pasa entre enviar la pregunta y recibir la respuesta
LogitsLa puntuación en bruto de cada candidato antes de ser probabilidad
LSTMRed recurrente que decide con puertas qué borrar y qué conservar
Mapa de característicasFeature MapLa imagen que deja el resultado del recorrido en su lugar
Memoria de videoVRAMEspacio donde la tarjeta gráfica despliega los números por calcular
Mezcla de expertosMixture of ExpertsEstructura que enciende solo las ramas que necesita cada fragmento
Multiplicación de matricesMatrix MultiplicationMultiplicar filas por columnas y sumar el resultado en cada casilla
NeuronaNeuronUnidad de cálculo que recibe varios valores y entrega uno solo
Normalización de capaLayer NormalizationEl mecanismo que reajusta la escala de los números en cada capa
ParámetroParameterPerilla de ajuste dentro del modelo cuyo valor fija el entrenamiento
PerceptrónPerceptronLa primera red neuronal, responde solo si se superó un umbral
Perceptrón multicapaMultilayer PerceptronRed neuronal básica hecha de varias filas de detectores simples
PesoWeightImportancia, fijada por el entrenamiento, que multiplica cada entrada
Pesos abiertosOpen WeightsUn modelo que solo deja abierto el conjunto de números terminado
PodaPruningCortar las conexiones que casi no se usan para aligerar el modelo
PoolingEl paso que reduce la imagen dejando solo un valor por zona
Profundidad y anchuraDepth vs WidthCuántas capas apilar y cuánto ensanchar cada una
Red neuronalNeural NetworkUna estructura de nodos de cálculo simples unidos en capas
ReLURegla de activación que bloquea negativos y deja pasar positivos
RetropropagaciónBackpropagationEl procedimiento que reparte el error hacia atrás, paso a paso
RNNRecurrent Neural NetworkRed que procesa palabra a palabra retomando el resumen anterior
Secuencia a secuenciaSequence-to-SequenceEstructura que escucha todo y genera de nuevo con otra longitud
Servicio de modelosModel ServingPoner un modelo entrenado a disposición de muchos usuarios
SesgoBias TermEl valor base que siempre se suma, sin importar la entrada
SigmoideSigmoidRegla de activación que comprime cualquier valor entre 0 y 1
SoftmaxEl cálculo que convierte varias puntuaciones en probabilidades
Tamaño del modeloModel SizeLa cantidad de números que guarda un modelo
TensorGrupo de números ordenados en varios ejes
TransformerLas palabras de la frase se miran a la vez para fijar su sentido
U-NetRed que encoge y vuelve a agrandar para recuperar la posición
VectorUn conjunto de números que anota valores en un orden fijo
Vision TransformerLa estructura que corta la foto en trozos y los trata como texto