Etiqueta
La memoria es lo que permite a un agente de IA recordar más allá de una sola conversación. La memoria de trabajo es su ventana de contexto, efímera y limitada; la memoria a largo plazo guarda hechos, experiencias y procedimientos en un almacén externo, casi siempre una base de datos vectorial, y los recupera cuando hacen falta.
El patrón de reflexión hace que un agente critique su propia salida y la reescriba antes de darla por buena. Un modelo genera, otro paso evalúa y señala fallos, y un tercero corrige, en un bucle de una o dos rondas. Mejora la calidad en tareas con criterios claros, pero cada ciclo añade llamadas al modelo, tokens y latencia.
La planificación permite a un agente de IA resolver tareas largas: en lugar de improvisar paso a paso, primero descompone el objetivo en una lista de subtareas ordenadas y luego las ejecuta. El patrón planificador-ejecutor separa el pensamiento de la acción, reduce el número de llamadas al modelo y permite replanificar cuando algo falla a mitad del trabajo.
El patrón ReAct (Reason + Act) organiza un agente como un bucle de tres pasos que se repite: razonar sobre qué hacer, ejecutar una acción con una herramienta y observar el resultado. Presentado por Yao y sus colegas en 2022, entrelaza el razonamiento y la acción para que el modelo planifique, consulte fuentes externas y corrija sus errores sobre la marcha.
Un agente de IA es un programa que usa un modelo de lenguaje como cerebro para decidir por sí mismo qué pasos dar hacia un objetivo: razona, llama a herramientas externas, observa el resultado y repite ese bucle hasta terminar. A diferencia de un chatbot, no se limita a responder, sino que actúa.
Un embedding vectorial es una lista de números reales que representa el significado semántico de un texto, imagen o cualquier otro dato. Dos frases con el mismo sentido producen vectores cercanos; dos sin relación, vectores lejanos. Sobre ese principio funcionan la búsqueda semántica, el RAG y los sistemas de recomendación modernos.
Los datos de Crunchbase y CB Insights del primer trimestre confirman que la financiación global ha repuntado, pero casi todo el crecimiento está concentrado en startups que se presentan como IA. El resto del ecosistema sigue en corrección.
La tangente hiperbólica (tanh) es una función de activación que comprime cualquier valor real en el intervalo (-1, 1) con salida centrada en cero, lo que reduce el sesgo sistemático de los gradientes frente a la sigmoide. Es la activación estándar en las celdas de memoria LSTM y GRU de las redes recurrentes.
La función sigmoide convierte cualquier número real en un valor entre 0 y 1, lo que la vuelve la función de activación natural para expresar probabilidades en una red neuronal. Es diferenciable en todo su dominio, aunque sufre saturación y desvanecimiento del gradiente en redes profundas, por lo que hoy se reserva casi siempre a la capa de salida.
Leaky ReLU es una función de activación derivada de ReLU que sustituye el valor cero de las entradas negativas por una pendiente pequeña, normalmente 0.01. Así el gradiente nunca es exactamente cero, lo que evita el problema de la neurona muerta y estabiliza el entrenamiento en redes convolucionales, recurrentes y GAN muy profundas.
ReLU (Unidad Lineal Rectificada, f(x) = max(0, x)) es la función de activación dominante en el aprendizaje profundo desde que AlexNet la popularizó en 2012: barata de calcular, resistente al desvanecimiento del gradiente y con una debilidad conocida, el dying ReLU.
La función escalón o de Heaviside es la función de activación más simple de una red neuronal: convierte cualquier entrada en una salida binaria, 0 o 1, según supere o no un umbral fijo. Fue el mecanismo central del perceptrón de Rosenblatt en 1958, pero su derivada es nula en casi todo punto, por lo que hoy se sustituye por la sigmoide o la ReLU.
La red neuronal totalmente conectada, también llamada red densa, es la arquitectura fundamental del aprendizaje profundo: cada neurona de una capa se conecta con todas las neuronas de la capa anterior y de la siguiente. Esta conectividad total le permite aproximar cualquier función continua, aunque su coste computacional crece de forma cuadrática con el número de neuronas.
Una red neuronal multicapa está formada por una capa de entrada, una o más capas ocultas y una capa de salida, donde cada neurona pondera sus entradas y aplica una función de activación no lineal antes de pasar el resultado a la siguiente capa. Mediante forward propagation y backpropagation, la red ajusta millones de pesos hasta aprender representaciones jerárquicas capaces de clasificar imágenes, traducir texto o generar lenguaje.
El aprendizaje por refuerzo es la técnica de IA en la que un agente aprende a tomar decisiones óptimas por prueba y error, sin datos etiquetados: actúa en un entorno, recibe una recompensa o penalización según el resultado y ajusta su estrategia para maximizar la recompensa acumulada a largo plazo.
La visión computarizada es la rama de la inteligencia artificial que permite a las máquinas interpretar imágenes digitales: detectar objetos, segmentar regiones y reconocer patrones mediante redes neuronales convolucionales. Desde 2012, cuando AlexNet redujo el error de clasificación en ImageNet al 15,3%, se aplica en fabricación, medicina, transporte y agricultura de precisión.
El sector financiero atraviesa una transformación profunda: blockchain, inteligencia artificial, pagos móviles, open banking y big data redefinen quién presta servicios financieros y cómo. El Banco Mundial calcula que el 76 % de los adultos del mundo ya tiene cuenta bancaria o de dinero móvil, frente al 51 % de 2011, y estas cinco tecnologías explican buena parte de ese avance.
GitHub Copilot es un asistente de programación basado en IA que sugiere código mientras escribes, integrado en VS Code, JetBrains y Neovim. Acelera tareas repetitivas y la exploración de APIs, pero genera código plausible con errores reales: los estudios documentan vulnerabilidades de seguridad en buena parte de sus sugerencias, así que toda propuesta necesita revisión humana.
