Glosario

El vocabulario del facsímil, todo junto y en orden

Cada capítulo define los términos que necesitas para seguirlo. Aquí están todos reunidos, en orden alfabético, con su definición y un enlace al fascículo y capítulo donde se explican. Se genera a partir del propio facsímil y de Bricoman(IA), así que no se queda atrás.

1105 términos · 1241 definiciones · 13 fuentes

A*: Algoritmo que expande por f(n) = g(n) + h(n). Óptimo si h es admisible.Fasc. 2 · Cap. 3
A/A test: Experimento donde las variantes son iguales para validar instrumentación y reparto.Fasc. 8 · Cap. 7
A2A: Protocolo Agent2Agent para que agentes independientes se descubran, intercambien mensajes y coordinen tareas.Fasc. 4 · Cap. 2 Fasc. 5 · Cap. 9
Abstención: Decisión de no responder cuando la evidencia, permisos o definición del problema no bastan.Fasc. 4 · Cap. 9 Fasc. 4 · Cap. 13; Decisión explícita de no responder cuando el sistema no tiene evidencia suficiente.Fasc. 7 · Cap. 3
Abstención correcta: Decisión de no responder cuando el corpus o el contexto no contienen evidencia suficiente.Fasc. 4 · Cap. 10
AC-3: Algoritmo que logra la consistencia de arco propagando con una cola de arcos hasta que ningún dominio cambia.Fasc. 2 · Cap. 7
accelerate: Biblioteca de HuggingFace que ayuda a colocar modelos y tensores en GPU o CPU cuando se usa device_map.Bricoman(IA)
Accessibility tree: Representación semántica de la UI con roles, nombres y estados accesibles.Fasc. 11 · Cap. 9
Acción: Paso que cambia o consulta algo: llamar una herramienta, pedir aclaración, leer datos, calcular o responder.Fasc. 5 · Cap. 1; Operación que el sistema puede intentar desde un estado concreto.Fasc. 5 · Cap. 2
Acción correctiva: Trabajo verificable que reduce probabilidad o impacto de repetir una incidencia.Fasc. 6 · Cap. 9
Acción de interfaz: Operación sobre la UI: click, type, keypress, scroll, drag, wait o screenshot.Fasc. 11 · Cap. 9
Accuracy: Proporción de aciertos totales sobre el conjunto evaluado.Fasc. 7 · Cap. 2
ACL: Lista o regla de acceso que indica quién puede recuperar un fragmento.Fasc. 4 · Cap. 9
ACL pre-retrieval: Filtrado de permisos antes o durante la recuperación para evitar que una fuente no autorizada entre en contexto.Fasc. 11 · Cap. 6
Action recognition: Clasificar qué acción aparece en un clip o vídeo.Fasc. 11 · Cap. 8
Activación: Función no lineal que permite representar transformaciones más ricas.Fasc. 3 · Cap. 4
Activación intermedia: Valor del residual stream en una capa interna antes de la salida final; la lens lo proyecta al vocabulario para inspeccionar qué tokens quedan legibles.Bricoman(IA)
Acuerdo entre revisores: Medida de cuánto coinciden dos personas al etiquetar los mismos casos.Fasc. 7 · Cap. 1
AdaLoRA: Variante que reparte el presupuesto de bajo rango según la importancia de cada matriz.Fasc. 3 · Cap. 6
Adam: Optimizador con tasa de aprendizaje adaptativa por parámetro. El más usado por su buen rendimiento sin necesidad de ajuste manual intensivo.Fasc. 1 · Cap. 7
AdamW: Variante de Adam que desacopla el weight decay de la actualización adaptativa. Es el estándar práctico en Transformers.Fasc. 1 · Cap. 7
Adaptador de proveedor: Capa de código que traduce el contrato propio de la aplicación al formato de una API concreta.Fasc. 4 · Cap. 2
Adapter: Módulos pequeños añadidos al modelo para adaptar tareas sin tocar toda la base.Fasc. 3 · Cap. 6; Pieza que traduce el contrato interno de tu aplicación al formato de un proveedor.Fasc. 5 · Cap. 7
ADK: Agent Development Kit; marco de trabajo para construir, ejecutar, observar y conectar agentes con herramientas, memoria, sesiones y otros agentes.Fasc. 4 · Cap. 2
Adquisición del conocimiento: Proceso de extraer y codificar el saber de un experto humano; su gran cuello de botella.Fasc. 12 · Cap. 4
Agent Card: Documento de metadatos que publica qué hace un agente, dónde está su endpoint, qué capacidades ofrece y cómo autenticarse.Fasc. 4 · Cap. 2
AgentCard: Manifiesto de un agente A2A con identidad, capacidades, skills, interfaces y requisitos de acceso.Fasc. 5 · Cap. 9
Agente: Sistema que usa un modelo para decidir pasos, llamar herramientas, observar resultados y avanzar hacia un objetivo.Fasc. 5 · Cap. 1; Sistema que mantiene estado, elige acciones, recibe observaciones y avanza hacia un objetivo verificable.Fasc. 5 · Cap. 2 Fasc. 10 · Cap. 1
Agente de búsqueda: Sistema que decide acciones explorando estados posibles, explícita o implícitamente, hasta acercarse a una meta.Fasc. 2 · Cap. 4
Agente operable: Sistema que combina modelo, estado, tools, permisos, trazas y evaluación para actuar con control.Fasc. 5 · Cap. 12
Agente racional: Sistema que elige la acción que maximiza su medida de rendimiento esperada dada la evidencia disponible.Fasc. 2 · Cap. 4
Agentic RAG: RAG donde un modelo decide pasos de recuperación, herramientas o consultas antes de responder.Fasc. 4 · Cap. 11
AGM: Marco de Alchourrón, Gärdenfors y Makinson para expansión, revisión y contracción de creencias.Fasc. 12 · Cap. 6
AI Management System: Sistema de gestión para políticas, procesos y mejora continua alrededor del uso o provisión de IA.Fasc. 9 · Cap. 1
AI-BOM: Inventario versionado de componentes de un sistema de IA: modelo, proveedor, datos, índice RAG, tools, políticas, dependencias, memoria y evidencias.Fasc. 9 · Cap. 4 Fasc. 9 · Cap. 5
AIMS: Artificial Intelligence Management System: sistema de gestión de IA de una organización.Fasc. 9 · Cap. 4
Alcance limitado: Publicación o piloto restringido a un segmento, uso o ventana porque la evidencia todavía no permite un despliegue general.Fasc. 8 · Cap. 8
Alfa de Krippendorff: Coeficiente de fiabilidad aplicable a distintos tipos de anotación, incluyendo anotaciones incompletas.Fasc. 8 · Cap. 2
Algoritmo Rete: Algoritmo que acelera el emparejamiento de muchas reglas con muchos hechos.Fasc. 12 · Cap. 4
Alineación: Proceso por el que representaciones de modalidades distintas se colocan en un espacio comparable o interoperable.Fasc. 11 · Cap. 1
Alineación contrastiva: Entrenar representaciones para acercar pares relacionados y separar pares no relacionados.Fasc. 3 · Cap. 5
Alta cardinalidad: Situación en la que una variable categórica tiene muchos valores posibles, como miles de usuarios, centros o productos.Fasc. 8 · Cap. 4
Alucinación: Fenómeno por el cual un LLM genera información sintácticamente correcta pero factualmente falsa, expresada con total seguridad. No es un fallo: es una propiedad emergente de la predicción estadística.Fasc. 1 · Cap. 1
Ancho: Número de neuronas de una capa oculta. Aumentarlo incrementa capacidad y coste.Fasc. 1 · Cap. 5
Anclaje: Apoyar las decisiones del agente en una señal externa comprobable, no en la plausibilidad del texto.Fasc. 5 · Cap. 11
ANN: Búsqueda aproximada de vecinos cercanos, usada para recuperar vectores rápido a cambio de medir recall y latencia.Fasc. 4 · Cap. 7 Fasc. 4 · Cap. 9 Fasc. 8 · Cap. 4
Annotation queue: Cola de casos que pasan a revisión humana para corregir etiquetas, decidir aceptación o convertirse en nuevos tests.Fasc. 11 · Cap. 10
Anonimización: Proceso que impide identificar razonablemente a una persona con los medios disponibles.Fasc. 9 · Cap. 2
Answer Set Programming: Programación lógica no monótona basada en modelos estables para resolver problemas con reglas y excepciones.Fasc. 12 · Cap. 6
API de modelos: Interfaz para enviar entradas a un modelo y recibir salidas bajo un contrato técnico.Fasc. 4 · Cap. 2
Approval gate: Paso explícito de confirmación humana o de política antes de ejecutar una acción irreversible, sensible o costosa.Fasc. 9 · Cap. 3
Approval request: Solicitud estructurada que resume una acción pendiente para que una persona decida.Fasc. 5 · Cap. 8; Solicitud estructurada que pide aprobar, rechazar o pedir más información sobre una acción concreta.Fasc. 6 · Cap. 8
Aprendizaje no supervisado: Paradigma donde el modelo encuentra patrones, estructuras o representaciones en datos sin etiquetar, sin una respuesta correcta predefinida.Fasc. 1 · Cap. 3
Aprendizaje supervisado: Paradigma donde el modelo aprende a partir de ejemplos etiquetados (entrada y salida esperada), ajustando sus parámetros para minimizar el error entre su predicción y la etiqueta real.Fasc. 1 · Cap. 3
Árbol de búsqueda: Representación de las posibles secuencias de acciones desde el estado inicial, donde cada nodo es un estado y cada rama una acción.Fasc. 2 · Cap. 1
Argumentación: Razonar con argumentos que se atacan entre sí y decidir cuáles son aceptables.Fasc. 12 · Cap. 6
Aridad: Número de variables afectadas por una restricción.Fasc. 2 · Cap. 6
Arnés: Capa controlada por tu aplicación que traduce observaciones y acciones del modelo a un entorno real o simulado.Fasc. 11 · Cap. 9
Arquitectura agentic: Patrón que organiza estado, acciones, observaciones, memoria y control para resolver una clase de tareas.Fasc. 5 · Cap. 5
Arquitectura de sistema: Diseño que combina modelos, datos, herramientas, memoria, recuperación y validadores.Fasc. 3 · Cap. 5
Arquitectura mínima suficiente: Diseño más sencillo que resuelve el problema medido sin ocultar límites importantes.Fasc. 4 · Cap. 13
Artifact lineage: Registro de origen, hash, transformaciones, política aplicada, detector usado, destino, owner y retención de un artefacto.Fasc. 11 · Cap. 11
As-of join: Unión temporal que selecciona, para cada evento, el último valor de feature disponible antes o en su fecha de decisión.Fasc. 8 · Cap. 3
Asignación completa: Estado donde todas las variables tienen un valor asignado.Fasc. 2 · Cap. 6
Asignación parcial: Asignación donde algunas variables ya tienen valor y otras siguen vacías.Fasc. 2 · Cap. 6
Asignación por clúster: Diseño que asigna grupos completos cuando las unidades pueden influirse entre sí.Fasc. 8 · Cap. 7
ASR: Automatic Speech Recognition: sistema que convierte audio hablado en texto.Fasc. 11 · Cap. 7
ATE: Efecto medio de una intervención en la población analizada.Fasc. 8 · Cap. 7
Atención: Mecanismo que permite al modelo ponderar la relevancia de cada elemento de la entrada respecto a cada elemento de la salida, procesando todas las relaciones simultáneamente.Fasc. 1 · Cap. 3; Mecanismo que calcula cuánto debe mirar cada token a otros tokens del contexto.Fasc. 3 · Cap. 2; Mecanismo que mezcla información entre posiciones.Fasc. 3 · Cap. 8
Atribución: Asignación de parte de la salida del modelo a features, tokens, píxeles, componentes o conceptos.Fasc. 7 · Cap. 6
Atributo de auditoría: Campo usado para medir comportamiento por segmentos, aunque no necesariamente pueda usarse como entrada del modelo.Fasc. 8 · Cap. 5
Attention sink: Fenómeno por el que algunas posiciones iniciales acumulan atención de forma atípica y pueden sesgar estadísticas internas.Bricoman(IA)
Audio digital: Representación discreta de una señal sonora mediante muestras tomadas a una frecuencia determinada.Fasc. 11 · Cap. 7
Auditoría: Registro revisable de quién pidió qué, qué se validó, qué decisión se tomó y qué resultado hubo.Fasc. 2 · Cap. 8; Revisión sistemática de evidencias, decisiones, controles y trazas frente a un criterio definido.Fasc. 9 · Cap. 4
Auditoría de datos: Revisión sistemática de contrato, calidad, trazabilidad, splits, slices y decisión.Fasc. 8 · Cap. 8
Auto-scheduling: Elegir automáticamente las transformaciones de un programa (orden de bucles, tiling, fusión) para acelerarlo.Fasc. 5 · Cap. 11
Autonomía graduada: Diseño donde cada acción tiene un nivel distinto de permiso, revisión y alcance.Fasc. 5 · Cap. 8

Backfill: Reproceso controlado de datos históricos para corregir, completar o recalcular una ventana pasada.Fasc. 8 · Cap. 1 Fasc. 8 · Cap. 6; Reproceso histórico de datos que puede cambiar snapshots, features, etiquetas o asignaciones si no se controla.Fasc. 8 · Cap. 3
Backfill seguro: Reprocesado de ventanas antiguas con snapshot, contrato, código, política y criterio de aceptación congelados.Fasc. 8 · Cap. 6
Backoff: Espera creciente entre reintentos para no aumentar la presión sobre una dependencia.Fasc. 6 · Cap. 5
Backtracking: Búsqueda que prueba un valor, avanza si sigue siendo consistente y vuelve atrás cuando aparece una contradicción.Fasc. 2 · Cap. 7
backward: Paso inverso del grafo de cálculo usado para obtener gradientes.Bricoman(IA)
Balanced accuracy: Media entre recall y specificity, útil cuando las clases están desbalanceadas.Fasc. 7 · Cap. 2
Bandit: Problema de decisión repetida: elegir acción, observar recompensa y actualizar evidencia.Fasc. 10 · Cap. 3
Barge-in: Capacidad de que el usuario interrumpa al agente mientras este habla y el sistema detenga la salida anterior.Fasc. 11 · Cap. 7
Base de conocimiento: Conjunto de hechos y reglas que codifican el saber de un dominio.Fasc. 12 · Cap. 4
Base vectorial: Sistema que guarda vectores junto a texto y metadata para recuperarlos por similitud.Fasc. 4 · Cap. 8
Baseline: Punto de comparación mínimo antes de complicar la solución.Fasc. 4 · Cap. 1; Versión de referencia contra la que se compara una variante nueva.Fasc. 6 · Cap. 6 Fasc. 7 · Cap. 1; Estado inicial contra el que comparamos una mejora.Fasc. 11 · Cap. 12
Batch: Procesamiento diferido de muchas peticiones para reducir coste o mejorar rendimiento operativo.Fasc. 4 · Cap. 3
Batching continuo: Planificación que mezcla peticiones activas en cada paso de generación para usar mejor la GPU.Fasc. 6 · Cap. 3
BBox: Caja delimitadora que ubica una palabra, campo, celda o región dentro de una página.Fasc. 11 · Cap. 5
Belief state: Distribución de probabilidad sobre los estados posibles, que se actualiza con cada observación.Fasc. 2 · Cap. 4
Bellman: Ecuación que expresa valor como recompensa inmediata más valor futuro esperado.Fasc. 10 · Cap. 1
Best-of-N: Generar N propuestas y quedarse con la mejor según el verificador.Fasc. 5 · Cap. 11
bfloat16: Formato numérico de 16 bits con rango dinámico parecido a float32 y menos precisión; reduce memoria en modelos grandes.Bricoman(IA)
BFS: Algoritmo que explora nivel a nivel usando una cola FIFO. Completo y óptimo para costes uniformes. O(b^d) en tiempo y espacio.Fasc. 2 · Cap. 2
BitFit: Ajuste de sesgos del modelo como técnica mínima de adaptación.Fasc. 3 · Cap. 6
Blackboard: Espacio compartido donde varios especialistas leen y escriben evidencias parciales.Fasc. 5 · Cap. 5
Blocking key: Clave barata de agrupación que reduce pares candidatos antes de calcular similitudes más caras.Fasc. 8 · Cap. 2
Bloque residual: Unidad de un transformer que añade una contribución al residual stream en vez de sustituirlo por completo.Bricoman(IA)
BM25: Función clásica de ranking lexical que combina frecuencia del término, rareza global y longitud del documento.Fasc. 4 · Cap. 8 Fasc. 8 · Cap. 4; Fórmula clásica para ordenar resultados textuales por relevancia.Fasc. 4 · Cap. 9
Bootstrap: Remuestreo con reemplazo para estimar la variabilidad de una métrica sin asumir una fórmula cerrada.Fasc. 7 · Cap. 5
BPE: Método que aprende subpalabras fusionando pares frecuentes hasta construir un vocabulario útil.Fasc. 4 · Cap. 3
Bradley-Terry: Modelo probabilístico que convierte diferencias de recompensa en probabilidad de preferencia.Fasc. 10 · Cap. 5
Break-glass: Procedimiento excepcional, auditado y temporal para operar fuera del flujo normal.Fasc. 5 · Cap. 8
Brier score: Error cuadrático medio entre probabilidad predicha y etiqueta real.Fasc. 7 · Cap. 5
Browser pool: Conjunto controlado de navegadores, VMs o contenedores donde se ejecutan tareas de interfaz con límites y aislamiento.Fasc. 11 · Cap. 9
Bucle agente: Ciclo de proponer, validar, ejecutar, observar y replanificar.Fasc. 2 · Cap. 10
Bucle con verificador: Patrón en el que el agente propone, un verificador comprueba y mide, y el feedback guía el siguiente intento.Fasc. 5 · Cap. 11
Burn rate: Velocidad a la que se consume el presupuesto de error.Fasc. 6 · Cap. 4
Búsqueda híbrida: Recuperación que combina señales densas de embeddings con señales léxicas como BM25.Fasc. 4 · Cap. 8 Fasc. 8 · Cap. 4
Búsqueda local: Método que parte de una asignación completa y la mejora reparando conflictos, sin construir un árbol.Fasc. 2 · Cap. 7
Búsqueda semántica: Recuperación que ordena resultados por cercanía de significado aproximado, no solo por palabras exactas.Fasc. 4 · Cap. 7

Cabeza de atención: Una atención independiente con sus propias proyecciones Q, K y V.Fasc. 3 · Cap. 3
Cache hit: Parte de la entrada que coincide con contenido ya cacheado.Fasc. 4 · Cap. 3
Caja negra: Sistema del que solo observamos entradas y salidas, sin acceso directo a pesos, activaciones o mecanismos internos.Bricoman(IA)
Calibración: Propiedad de un score que permite leerlo como frecuencia esperada de acierto.Fasc. 7 · Cap. 5
Calibración de umbral: Comparación de varios thresholds contra casos retenidos para elegir un criterio por slice.Fasc. 10 · Cap. 6
Calibración por slice: Medición y ajuste de calibración por segmento de datos, no solo en promedio global.Fasc. 7 · Cap. 5
Calibration set: Conjunto pequeño de casos ya revisados por personas para calibrar un evaluador automático.Fasc. 7 · Cap. 4
Calidad de datos: Grado en que un dataset cumple el contrato necesario para una decisión concreta.Fasc. 8 · Cap. 2
Camino de propiedad: Expresión SPARQL para recorrer relaciones encadenadas.Fasc. 2 · Cap. 12
Canal: Forma concreta por la que llega una modalidad: archivo, API, micrófono, cámara, captura, stream o evento.Fasc. 11 · Cap. 1; Dimensión de color o señal dentro de la imagen: RGB, alpha, profundidad, máscara o canal especializado.Fasc. 11 · Cap. 2
Canary: Exponer una versión nueva a una fracción pequeña y medible del tráfico.Fasc. 6 · Cap. 7; Publicación limitada a una fracción pequeña de tráfico con guardrails y rollback preparado.Fasc. 7 · Cap. 1
Candidate: Versión nueva que quiere pasar el gate.Fasc. 6 · Cap. 6; Versión que queremos aceptar o rechazar con evidencia.Fasc. 7 · Cap. 1
Capa oculta: Capa intermedia de una red neuronal que no es ni la entrada ni la salida. Transforma los datos en representaciones progresivamente más abstractas.Fasc. 1 · Cap. 5
Capability: Acción concreta que una tool permite realizar, por ejemplo leer tickets, crear borrados lógicos, enviar correos o consultar un sistema.Fasc. 9 · Cap. 3
Capability flag: Marca explícita que indica si un proveedor soporta una capacidad concreta.Fasc. 5 · Cap. 7
Capability registry: Catálogo interno de capacidades, costes, permisos, latencias y propietarios de cada ruta.Fasc. 5 · Cap. 9
Capacidad de revisión: Volumen de casos que el equipo humano puede revisar sin romper tiempo, coste o calidad.Fasc. 7 · Cap. 5
Capacidad elástica: Posibilidad de aumentar o reducir recursos bajo demanda.Fasc. 4 · Cap. 6
Capacidad operativa: Relación entre pasos, latencia, workers, coste, revisiones humanas y volumen de tareas.Fasc. 11 · Cap. 9
Captura segura: Proporción de casos importantes que el sistema prioriza o manda a revisión.Fasc. 8 · Cap. 5
Cardinalidad: Cantidad aproximada de filas que participan en una operación o relación.Fasc. 4 · Cap. 12; Número de valores distintos de una etiqueta, campo o dimensión usada en métricas, logs o trazas.Fasc. 8 · Cap. 6
Caso de evaluación: Entrada versionada con criterio esperado, metadatos, riesgo, oracle, severidad y trazabilidad suficiente para auditar el resultado.Fasc. 7 · Cap. 1
Caso oculto: Caso de prueba no usado para ajustar la recompensa ni el prompt del sistema.Fasc. 10 · Cap. 6
Catálogo de métricas: Registro versionado que define nombre, unidad, ventana, dirección y propósito de cada métrica.Fasc. 8 · Cap. 7
Catálogo de rutas: Registro versionado de rutas disponibles, capacidades, costes, límites, salud y responsables.Fasc. 6 · Cap. 5
CATE: Efecto medio condicionado a un contexto, segmento o tipo de caso.Fasc. 8 · Cap. 7
Chain-of-thought: Técnica que usa pasos intermedios para resolver tareas de varios pasos.Fasc. 3 · Cap. 5
Checkpoint: Archivo que guarda tensores de un modelo o de una lens para poder cargarlos después.Bricoman(IA)
Chunk: Fragmento recuperable de un documento, normalmente con texto y metadata.Fasc. 4 · Cap. 9
Circunscripción: Método de McCarthy que minimiza lo anormal para razonar por defecto.Fasc. 12 · Cap. 6
Cita: Referencia explícita al fragmento o documento que sostiene una parte de la respuesta.Fasc. 4 · Cap. 9
Cita válida: Cita que apunta a un chunk recuperado y sostiene la afirmación correspondiente.Fasc. 4 · Cap. 10 Fasc. 7 · Cap. 3
Clase: Categoría de entidades dentro de una ontología.Fasc. 2 · Cap. 12
Clase de efecto: Categoría operativa que indica si una tool solo lee, prepara un cambio, escribe estado o produce un efecto externo.Fasc. 5 · Cap. 3
Clasificación: Tarea de ML donde la salida es una categoría discreta. El modelo predice a qué clase pertenece cada ejemplo.Fasc. 1 · Cap. 11
Cláusula de Horn: Cláusula con como mucho un literal positivo; base de Prolog y la programación lógica.Fasc. 12 · Cap. 1
Clave foránea: Columna que apunta a la clave primaria de otra tabla y permite unir entidades relacionadas.Fasc. 4 · Cap. 12
Clave primaria: Columna o conjunto de columnas que identifica una fila de forma única dentro de una tabla.Fasc. 4 · Cap. 12
Clip: Segmento temporal corto de vídeo usado como unidad de análisis.Fasc. 11 · Cap. 8
Clustering: Técnica no supervisada que agrupa datos en conjuntos basándose en su similitud, sin etiquetas predefinidas.Fasc. 1 · Cap. 11
CNF: Forma normal conjuntiva: una fórmula como AND de cláusulas, donde cada cláusula es un OR de literales.Fasc. 2 · Cap. 5
CNN: Red convolucional que procesa imágenes con filtros locales y jerarquía espacial.Fasc. 11 · Cap. 2
CNN (Convolutional Neural Network): Arquitectura de red neuronal especializada en procesar datos con estructura de rejilla, como imágenes. Usa filtros convolucionales que se deslizan por la entrada para detectar patrones locales.Fasc. 1 · Cap. 8
Cobertura: Proporción de veces que el conjunto o intervalo contiene la respuesta correcta.Fasc. 7 · Cap. 5
Cobertura de modalidad: Proporción de modalidades obligatorias que aparecen en el contexto recuperado.Fasc. 11 · Cap. 6
Cohorte: Grupo estable de usuarios, tenants o tareas que recibe una misma variante durante una prueba.Fasc. 6 · Cap. 7
Cola: Buffer ordenado donde esperan trabajos antes de ser ejecutados por workers.Fasc. 6 · Cap. 2
Cola de revisión: Lista priorizada de casos pendientes con SLA, dueño, estado y decisión esperada.Fasc. 6 · Cap. 8; Lista priorizada de ejemplos que una persona debe revisar antes de usar el dataset.Fasc. 8 · Cap. 2
Colección: Agrupación lógica de registros vectoriales con el mismo esquema de vector y metadata.Fasc. 4 · Cap. 8
Colisionador: Variable causada por otras dos; condicionar sobre ella crea correlación falsa entre sus causas.Fasc. 12 · Cap. 5
Comandante de incidencia: Persona que mantiene estado global, coordina roles y decide el siguiente paso operativo.Fasc. 6 · Cap. 9
Community summary: Resumen de un grupo de nodos relacionados dentro de un grafo.Fasc. 4 · Cap. 11
Compaction: Reescritura estructurada del historial para conservar estado operativo con menos tokens.Fasc. 5 · Cap. 4
Comparación pareada: Comparación baseline/candidate ejecutando las mismas entradas en ambas versiones.Fasc. 6 · Cap. 6
Comparaciones múltiples: Problema que aparece al mirar muchas métricas o segmentos y aumentar hallazgos aparentes.Fasc. 8 · Cap. 7
Completitud: Proporción de campos, eventos o relaciones obligatorias que llegan con valor usable.Fasc. 8 · Cap. 6; Una regla de inferencia es completa si puede derivar toda consecuencia lógica verdadera.Fasc. 12 · Cap. 1
Comprehensiveness: Prueba que elimina las features explicadas y mide cuánto cae la salida del modelo.Fasc. 7 · Cap. 6
Compute-bound: Régimen donde el límite es la potencia de cálculo; típico del prefill, que procesa muchos tokens a la vez.Fasc. 3 · Cap. 7
Computer use: Capacidad de un sistema para observar una interfaz gráfica y proponer acciones como click, teclado, scroll o escritura.Fasc. 11 · Cap. 9
Cómputo disperso: Uso de una parte del modelo en cada paso, no de todo el modelo.Fasc. 3 · Cap. 5
Condición de publicación: Trabajo pendiente que permite avanzar solo si tiene owner, fecha, evidencia esperada y seguimiento.Fasc. 9 · Cap. 5
Conectiva lógica: Operador que combina enunciados: negación, conjunción, disyunción, implicación y bicondicional.Fasc. 12 · Cap. 1
Conector: Capa que adapta las representaciones visuales a la dimensión y formato que entiende el modelo de lenguaje.Fasc. 11 · Cap. 4
Conector multimodal: Proyección que traduce representaciones visuales u otras señales al espacio que usa el LLM.Fasc. 3 · Cap. 5
Conexión residual: Suma que conserva la entrada y añade una transformación aprendida.Fasc. 3 · Cap. 4
Conformal prediction: Método que construye conjuntos o intervalos con cobertura estadística bajo supuestos explícitos.Fasc. 7 · Cap. 5
Confounder: Variable que influye tanto en recibir una acción como en el resultado.Fasc. 8 · Cap. 7
Confusor: Variable que causa a la vez la supuesta causa y el efecto, y crea correlación espuria.Fasc. 12 · Cap. 5
Conjunto de calibración: Partición reservada para ajustar calibradores, cuantiles conformales o umbrales sin tocar el test final.Fasc. 7 · Cap. 5
Conjunto difuso: Conjunto donde cada elemento pertenece con un grado entre 0 y 1.Fasc. 12 · Cap. 3
Consistencia: Grado en que dos campos, tablas o sistemas no se contradicen entre sí.Fasc. 8 · Cap. 2
Consistencia (monotonicidad): Propiedad más fuerte que admisibilidad: h(n) ≤ c(n,a,n') + h(n'). Garantiza optimalidad en grafos.Fasc. 2 · Cap. 3
Consistencia de arco: Propiedad que exige que cada valor de una variable tenga al menos un valor compatible en la variable vecina.Fasc. 2 · Cap. 7
Consistencia de nodo: Propiedad de un CSP cuyos dominios ya no contienen valores que violan una restricción unaria.Fasc. 2 · Cap. 6
Consulta SPARQL: Pregunta formal sobre un grafo RDF que enlaza variables con patrones.Fasc. 2 · Cap. 12
Consulta, clave y valor: Tres proyecciones aprendidas (Q, K, V) que permiten a cada token preguntar, ofrecerse y aportar información.Fasc. 3 · Cap. 2
Contenido multimodal: Entrada formada por texto, imágenes, documentos, audio o vídeo según lo permita el modelo.Fasc. 4 · Cap. 2
Contenido no confiable: Texto, documento, página, correo, resultado de búsqueda o salida de tool que el sistema debe tratar como dato, no como política.Fasc. 9 · Cap. 3
Context builder: Componente que decide qué fragmentos entran en el prompt final.Fasc. 4 · Cap. 9; Capa que decide qué evidencias pasan al modelo, en qué formato y con qué límites.Fasc. 11 · Cap. 6
Context engineering: Disciplina de decidir qué información debe ver el modelo, cuándo, con qué forma y con qué prioridad.Fasc. 5 · Cap. 4
Context packing: Proceso de seleccionar, ordenar y recortar fragmentos antes de enviarlos al modelo.Fasc. 7 · Cap. 3
Context precision: Medida de cuánto contexto recuperado es realmente útil para responder.Fasc. 4 · Cap. 10
Context recall: Medida de cuánta evidencia necesaria fue recuperada.Fasc. 4 · Cap. 10
Contexto: Secuencia de tokens que el modelo puede usar para predecir el siguiente token.Fasc. 3 · Cap. 1; Conjunto de tokens que el modelo recibe en una llamada concreta.Fasc. 3 · Cap. 8 Fasc. 5 · Cap. 4
Contexto del prompt: Texto, mensajes y artefactos que entran en la ventana de contexto de una llamada concreta al modelo.Fasc. 5 · Cap. 1
Contextual bandit: Bandit donde la decisión depende de un contexto observado antes de actuar.Fasc. 10 · Cap. 3
Continuous batching: Planificación que mezcla peticiones entrantes y salientes sin esperar a que todo un lote termine.Fasc. 3 · Cap. 7
Contrafactual: Cambio mínimo de entrada que habría producido otra decisión.Fasc. 7 · Cap. 6; Resultado que habría ocurrido con otra acción en el mismo caso.Fasc. 8 · Cap. 7; Afirmación sobre qué habría pasado si algo hubiera sido distinto.Fasc. 12 · Cap. 5
Contrato: Especificación explícita de entrada, salida, límites, errores y trazas de una pieza del sistema.Fasc. 4 · Cap. 13
Contrato de búsqueda: Definición verificable del problema como estados, acciones, transición, estado inicial, metas y costes.Fasc. 2 · Cap. 1
Contrato de datos: Especificación verificable de columnas, tipos, permisos, splits, sensibilidad y criterios de aceptación.Fasc. 8 · Cap. 1; Reglas ejecutables sobre columnas, tipos, rangos, nulls y categorías.Fasc. 8 · Cap. 4
Contrato de entrada: Estructura mínima que una petición debe cumplir para entrar al sistema.Fasc. 6 · Cap. 2
Contrato de explicación: Documento que fija para qué sirve una explicación, quién puede usarla, qué campos debe registrar y qué usos quedan fuera.Fasc. 7 · Cap. 6
Contrato de forma: Acuerdo técnico sobre las dimensiones que recibe y entrega cada capa. Si se rompe, la red no puede calcular.Fasc. 1 · Cap. 5
Contrato de salida: Estructura que una respuesta debe cumplir para considerarse válida.Fasc. 6 · Cap. 2; Esquema explícito que obliga al evaluador a devolver campos parseables, trazables y auditables.Fasc. 7 · Cap. 4
Contrato de turno: Objeto operativo que resume audio, transcripción, latencia, permisos, herramientas y decisión final del turno.Fasc. 11 · Cap. 7
Contrato de UI: Acuerdo técnico entre producto, frontend, QA y agentes sobre roles, nombres accesibles, test ids, estados y acciones sensibles.Fasc. 11 · Cap. 9
Contrato multimodal: Especificación de entradas, formatos, evidencias, métricas, riesgos y salida esperada para una tarea con varias modalidades.Fasc. 11 · Cap. 1
Contrato VLM: Especificación de imagen, prompt, salida, evidencias, límites, rechazo y revisión antes de llamar a un VLM.Fasc. 11 · Cap. 4
Control: Condición de comparación que no recibe la intervención nueva.Fasc. 8 · Cap. 7; Medida técnica u organizativa que reduce un riesgo, lo detecta antes o limita su alcance.Fasc. 9 · Cap. 1
Control negativo: Variable o prueba que no debería cambiar por la intervención y sirve para detectar sesgo o mala instrumentación.Fasc. 8 · Cap. 7
Control plane: Capa donde se versionan modelos, prompts, políticas, flags, límites y configuración.Fasc. 6 · Cap. 1
Convolución: Operación que aplica un filtro pequeño sobre una entrada deslizándolo por todas las posiciones posibles. Cada posición produce un valor que indica cuánto se parece esa zona al patrón del filtro.Fasc. 1 · Cap. 8
Corpus: Conjunto de documentos que el sistema puede consultar.Fasc. 4 · Cap. 9
Corrección sin relajar umbrales: Arreglar datos, trazas o contratos sin bajar el listón después de ver el fallo.Fasc. 8 · Cap. 8
Corrective RAG: RAG que evalúa la calidad de lo recuperado y corrige la búsqueda si la evidencia no basta.Fasc. 4 · Cap. 11
Correlación frente a causalidad: Que dos cosas varíen juntas no implica que una cause la otra.Fasc. 12 · Cap. 5
Coste acumulado: Valor g(n): suma de costes desde el estado inicial hasta el nodo actual.Fasc. 2 · Cap. 2
Coste operacional: Coste acumulado de actuar: tokens, latencia, dinero, riesgo y complejidad añadida.Fasc. 2 · Cap. 4
Coste por evaluación útil: Coste total de evaluar dividido entre los casos donde la evaluación automática aporta una señal aceptada.Fasc. 7 · Cap. 4
Coste por tarea aceptada: Coste total de evaluación dividido entre las ejecuciones que pasan los criterios mínimos.Fasc. 5 · Cap. 6 Fasc. 5 · Cap. 10; Coste total dividido entre las tareas que cumplen calidad, latencia y contrato de salida.Fasc. 6 · Cap. 1
Coste sensible: Evaluación que pondera errores distintos con consecuencias distintas.Fasc. 7 · Cap. 2
Cotangente one-hot: Vector de gradiente con una sola dimensión activa, usado para calcular filas o columnas de una Jacobiana.Bricoman(IA)
Covarianza: Medida de cómo dos variables varían juntas; aparece en algunas aproximaciones lineales entre representaciones.Bricoman(IA)
Criterio de la puerta trasera: Regla gráfica para elegir qué variables ajustar y estimar un efecto causal.Fasc. 12 · Cap. 5
Criterio de parada: Condición explícita que indica cuándo el agente debe dejar de buscar, responder, pedir aprobación o escalar.Fasc. 2 · Cap. 4; Condición que permite terminar: éxito probado, límite agotado, falta de permiso o necesidad de revisión humana.Fasc. 5 · Cap. 1; Regla que indica si el agente debe terminar, pedir ayuda, repetir o bloquearse.Fasc. 5 · Cap. 2
Criterio de salida: Condición verificable que indica cuándo una operación puede darse por terminada.Fasc. 6 · Cap. 10
Cross-attention: Mecanismo por el que una secuencia atiende a otra, por ejemplo texto que consulta representaciones visuales.Fasc. 11 · Cap. 4
Cross-entropy: Función de pérdida que mide la diferencia entre dos distribuciones de probabilidad. Es la estándar en clasificación y la que usan los LLMs.Fasc. 1 · Cap. 7
CSP: Problema de asignar valores a variables de modo que todas las restricciones se cumplan.Fasc. 2 · Cap. 5
Cuantificador: Símbolo que expresa universalidad ('para todo') o existencia ('existe').Fasc. 12 · Cap. 1
Cuantización: Técnica que reduce la precisión numérica de los pesos del modelo (de 16 a 8 o 4 bits) para reducir memoria y acelerar la inferencia.Fasc. 1 · Cap. 10 Fasc. 3 · Cap. 1 Fasc. 3 · Cap. 7; Reducir bits por peso o activación para ahorrar memoria y coste.Fasc. 3 · Cap. 6; Representación de pesos con menos bits para ahorrar memoria y ancho de banda.Fasc. 3 · Cap. 8 Fasc. 4 · Cap. 5
Cuantización post-entrenamiento: Reducir bits de un modelo ya entrenado con métodos como GPTQ, AWQ o NF4.Fasc. 3 · Cap. 6
Cuarentena de datos: Zona o estado donde se apartan registros que no cumplen contrato hasta que una persona o proceso decida qué hacer con ellos.Fasc. 8 · Cap. 1
Cumplimiento: Capacidad de demostrar que un sistema, proceso u organización cumple requisitos aplicables mediante controles y evidencias revisables.Fasc. 9 · Cap. 4
Cuota: Capacidad asignada por proveedor o runtime, normalmente medida en peticiones, tokens o concurrencia.Fasc. 6 · Cap. 5
CUPED: Técnica que usa información previa al experimento para reducir varianza.Fasc. 8 · Cap. 7
Curva de validación: Evolución de la pérdida o métrica en datos no usados para actualizar pesos. Sirve para detectar generalización y sobreajuste.Fasc. 1 · Cap. 7

d_model: Dimensión del vector interno con el que un transformer representa cada token en el residual stream.Bricoman(IA)Fasc. 3 · Cap. 2
d-separación: Criterio gráfico para decidir independencias condicionales en una red bayesiana.Fasc. 12 · Cap. 2
DAG causal: Grafo dirigido sin ciclos que explicita hipótesis sobre relaciones causales.Fasc. 8 · Cap. 7
Dark launch: Desplegar una capacidad sin exponerla todavía al usuario final.Fasc. 6 · Cap. 7
Data card: Documento que describe origen, composición, límites y uso previsto de un conjunto de datos.Fasc. 7 · Cap. 5
Data contamination: Presencia de ejemplos de evaluación dentro del entrenamiento.Fasc. 3 · Cap. 6
Data contract: Acuerdo verificable entre productores y consumidores de datos sobre schema, calidad, uso y servicio esperado.Fasc. 8 · Cap. 1
Data diff: Comparación de tablas, filas, columnas o valores entre dos versiones o sistemas.Fasc. 8 · Cap. 2
Data mixture: Proporción de familias de datos en entrenamiento.Fasc. 3 · Cap. 6
Data observability: Práctica de monitorizar salud, frescura, volumen, schema, anomalías, lineage e impacto de datos en producción.Fasc. 8 · Cap. 2
Data tool: Herramienta que permite consultar, calcular, agregar o resumir datos desde un sistema externo.Fasc. 4 · Cap. 12
DataOps: Disciplina para operar datos como producto versionado, verificable y monitorizable.Fasc. 8 · Cap. 6
Dataset: Conjunto de ejemplos con datos, metadatos y finalidad de uso, no solo una carpeta de filas.Fasc. 8 · Cap. 1
Dataset card: Ficha documental que explica finalidad, composición, límites y usos previstos de un dataset.Fasc. 8 · Cap. 1
Dataset de evaluación: Conjunto de casos reservados para medir comportamiento, no para entrenar ni ajustar a ciegas.Fasc. 7 · Cap. 1
Dataset de preentrenamiento: Corpus grande usado para aprender patrones generales antes de adaptar.Fasc. 3 · Cap. 6
Dataset de preferencias: Comparaciones entre respuestas para enseñar criterios de elección.Fasc. 3 · Cap. 6
Dataset de razonamiento: Problemas con solución, pasos o verificador para entrenar o medir resolución estructurada.Fasc. 3 · Cap. 6
Dataset multimodal: Datos que combinan texto con imágenes, audio, vídeo u otras señales.Fasc. 3 · Cap. 6
Dataset SFT: Pares de instrucción-respuesta para enseñar formato, tono y seguimiento de tareas.Fasc. 3 · Cap. 6
Dataset shift: Cambio entre la distribución de entrenamiento, evaluación o producción que puede invalidar métricas y calibradores.Fasc. 7 · Cap. 5
Dataset tracking: Registro de datasets, versiones, splits, hashes y resultados para poder reconstruir una evaluación.Fasc. 8 · Cap. 3
DatasetDict: Estructura habitual en Hugging Face Datasets que agrupa splits como train, validation y test.Fasc. 8 · Cap. 1
Dato derivado: Artefacto producido a partir de otro dato, como chunk, embedding, feature, resumen o etiqueta generada.Fasc. 8 · Cap. 1
Dato personal: Información que identifica a una persona o permite identificarla de forma razonable, directa o indirectamente.Fasc. 9 · Cap. 2
Decision card: Documento breve que resume decisión, condiciones, pendientes y criterio de salida.Fasc. 11 · Cap. 12
Decisión de publicación: Salida que indica si un sistema puede pasar a uso real, revisión o bloqueo.Fasc. 8 · Cap. 8
Decisión de release de datos: Dictamen técnico sobre si los datos y sus derivados permiten automatizar, revisar o bloquear.Fasc. 8 · Cap. 8
Decision record: Registro firmado de la decisión tomada, sus motivos, la evidencia usada y el efecto sobre la run.Fasc. 6 · Cap. 8
Decisión sin IA: Elección consciente de resolver un problema con reglas, SQL, interfaz o proceso en vez de un modelo generativo.Fasc. 4 · Cap. 13
Declaración de alcance: Documento que fija qué sistema, uso, versión, roles, territorio, datos y límites cubre una revisión.Fasc. 9 · Cap. 4
Decode: Fase autoregresiva en la que el modelo genera un token, lo añade al contexto y repite.Fasc. 3 · Cap. 7 Fasc. 3 · Cap. 8 Fasc. 4 · Cap. 3 Fasc. 6 · Cap. 3
Decoder: Parte de un transformer causal que genera texto de izquierda a derecha.Bricoman(IA)
Decoder de texto: Submodelo que procesa lenguaje dentro de un modelo multimodal; en Gemma 4 es la parte sobre la que se aplica la lens.Bricoman(IA)
Decoder-only: Arquitectura autoregresiva que genera texto de izquierda a derecha prediciendo el siguiente token.Fasc. 3 · Cap. 1 Fasc. 3 · Cap. 5
Deep learning: Entrenamiento de redes neuronales con muchas capas (decenas o cientos). Más capas permiten aprender representaciones más abstractas.Fasc. 1 · Cap. 5
Defensa en profundidad: Apilar barreras independientes para que el fallo de una sola no abra el sistema.Fasc. 2 · Cap. 8
Defensa en profundidad del razonamiento: Combinar lógica, probabilidad, grados y reglas para que cada parte de una decisión use la herramienta adecuada.Fasc. 12 · Cap. 7
Defuzzificación: Convertir un resultado difuso en un número concreto, por ejemplo con el centroide.Fasc. 12 · Cap. 3
Degradación controlada: Respuesta más limitada, barata o lenta que mantiene utilidad cuando la ruta ideal no está disponible.Fasc. 6 · Cap. 5
Deployment: Acto de poner código o configuración disponible en un entorno.Fasc. 6 · Cap. 7
Deriva de calibración: Cambio en la relación entre score y frecuencia real cuando cambian datos, modelo o uso.Fasc. 7 · Cap. 5
Deriva de explicaciones: Cambio en la distribución de razones, features o patrones explicativos entre versiones, datos o periodos.Fasc. 7 · Cap. 6
Destilación: Entrenar un modelo pequeño usando señales de un modelo mayor.Fasc. 3 · Cap. 6 Fasc. 3 · Cap. 8
device_map: Parámetro de HuggingFace que decide si los pesos del modelo van a GPU, CPU o una combinación.Bricoman(IA)
DFS: Algoritmo que explora en profundidad usando una pila LIFO. O(b·m) en espacio pero no es completo ni óptimo sin límite de profundidad.Fasc. 2 · Cap. 2
Dialecto SQL: Variante concreta de SQL usada por un motor como PostgreSQL, SQLite, BigQuery o Snowflake.Fasc. 4 · Cap. 12
Diarización: Proceso de separar quién habla y cuándo dentro de un audio con varios hablantes.Fasc. 11 · Cap. 7
Diferenciación automática: Técnica usada por bibliotecas como PyTorch, TensorFlow y JAX para calcular gradientes a partir del grafo de operaciones del forward pass.Fasc. 1 · Cap. 6
Diferencias finitas: Método numérico para aproximar un gradiente perturbando un parámetro y observando cómo cambia la pérdida. Sirve para comprobar implementaciones de backpropagation.Fasc. 1 · Cap. 6
Difference-in-differences: Diseño cuasi-experimental que compara cambios antes/después entre grupo tratado y grupo control.Fasc. 8 · Cap. 7
Diffusion model: Modelo generativo que aprende a quitar ruido progresivamente.Fasc. 3 · Cap. 5
Dimensión: Número de componentes de un vector. En una neurona, entradas y pesos deben tener la misma dimensión.Fasc. 1 · Cap. 4; Coordenada de un embedding y factor clave de memoria, coste e índice.Fasc. 4 · Cap. 9
Dimensión de calidad: Aspecto evaluable de la calidad, como completitud, validez, consistencia, unicidad, actualidad o adecuación al uso.Fasc. 8 · Cap. 2
Dimensión de embedding: Número de componentes numéricos que tiene cada vector generado por el modelo.Fasc. 4 · Cap. 7
Discriminación: Capacidad de ordenar casos positivos por encima de negativos, aunque el score no sea una probabilidad fiable.Fasc. 7 · Cap. 5
Disección de LLM: Recorrido técnico de una petición desde texto y tokens hasta logits, sampling, KV cache y salida validada.Fasc. 3 · Cap. 8
Disparidad: Diferencia medible entre slices para una métrica concreta.Fasc. 8 · Cap. 5
Distancia de distribución: Medida de cuánto cambia una mezcla de etiquetas o segmentos entre splits.Fasc. 8 · Cap. 3
Distancia de edición: Número mínimo de inserciones, borrados o sustituciones necesarias para convertir una cadena en otra.Fasc. 8 · Cap. 2
Distancia de variación total: Medida de diferencia entre dos distribuciones de probabilidad.Fasc. 7 · Cap. 6
Distribución de datos: Conjunto de textos sobre el que se ajusta o evalúa una técnica; si los prompts se alejan mucho de él, la lectura puede degradarse.Bricoman(IA)
Document AI: Conjunto de técnicas y servicios para convertir documentos en estructura: texto, layout, campos, tablas, firmas, imágenes, chunks y evidencias.Fasc. 11 · Cap. 5
DocVQA: Tarea de responder preguntas sobre documentos usando texto, imagen, layout y razonamiento.Fasc. 11 · Cap. 5
Dominancia heurística: Relación entre dos heurísticas admisibles donde una estima siempre igual o más que la otra sin sobreestimar. La dominante suele expandir menos nodos.Fasc. 2 · Cap. 3
Dominio: Conjunto de valores permitidos para una variable de un CSP.Fasc. 2 · Cap. 5 Fasc. 2 · Cap. 6
Dominio PDDL: Parte reutilizable que define tipos, predicados y acciones.Fasc. 2 · Cap. 9
Dominio podado: Dominio reducido antes de buscar, eliminando valores que ya violan restricciones unarias.Fasc. 2 · Cap. 6
DoRA: Variante de LoRA que separa magnitud y dirección del peso para mejorar la adaptación.Fasc. 3 · Cap. 6
Doubly robust: Estimador que combina un modelo de recompensa con corrección por propensión.Fasc. 10 · Cap. 4
DPIA: Evaluación de impacto relativa a la protección de datos cuando un tratamiento puede implicar alto riesgo para personas.Fasc. 9 · Cap. 1
DPLL: Algoritmo base de los solvers SAT: búsqueda en profundidad con propagación unitaria y backtracking.Fasc. 2 · Cap. 5
DPO: Técnica de optimización por preferencias que ajusta un modelo usando pares de respuestas elegidas y rechazadas sin entrenar un modelo de recompensa separado.Fasc. 1 · Cap. 3 Fasc. 3 · Cap. 6 Fasc. 10 · Cap. 5
Drift: Cambio en la distribución de datos entre dos ventanas, versiones o entornos.Fasc. 8 · Cap. 1; Cambio entre una ventana de referencia y una ventana actual que puede alterar la calidad de la política.Fasc. 8 · Cap. 6 Fasc. 10 · Cap. 7
Dry-run: Validación previa de una consulta sin ejecutar el cálculo completo sobre datos reales.Fasc. 4 · Cap. 12
Duplicado cercano: Registro distinto en superficie, pero muy parecido según una medida de similitud.Fasc. 8 · Cap. 2
Duplicado exacto: Registro que repite una clave o un texto normalizado ya existente.Fasc. 8 · Cap. 2

Early stopping: Técnica que detiene el entrenamiento cuando la validación deja de mejorar durante varias iteraciones.Fasc. 1 · Cap. 7
ECE: Error de calibración esperado calculado agrupando predicciones por bandas de confianza.Fasc. 7 · Cap. 5
Ecuación de Bellman: Relación recursiva que liga el valor de un estado con el valor de los estados siguientes.Fasc. 2 · Cap. 4
Edge AI: Ejecución de modelos cerca del usuario o del dispositivo, no solo en un servidor central.Fasc. 3 · Cap. 7
Efecto: Hecho que cambia después de ejecutar una acción.Fasc. 2 · Cap. 9; Cambio observable que produce una tool cuando se ejecuta correctamente.Fasc. 5 · Cap. 3
Efecto de diseño: Factor que aproxima cuánto aumenta la varianza cuando las observaciones dentro de un clúster se parecen entre sí.Fasc. 8 · Cap. 7
Egress policy: Lista de destinos externos permitidos, bloqueados o condicionados para llamadas salientes.Fasc. 9 · Cap. 3; Política que decide a qué destinos externos puede salir un dato, una captura, un transcript o una traza.Fasc. 11 · Cap. 11
EIPD/DPIA: Evaluación previa de impacto en protección de datos cuando un tratamiento puede implicar alto riesgo.Fasc. 9 · Cap. 2
Eliminación de variables: Algoritmo de inferencia exacta que suma variables ocultas para responder consultas.Fasc. 12 · Cap. 2
Embedding: Vector numérico que representa un token antes de pasar por las capas del modelo.Bricoman(IA); Representación numérica de una palabra, frase o documento como un vector denso de números reales que codifica regularidades semánticas y de uso.Fasc. 1 · Cap. 9 Fasc. 8 · Cap. 4; Vector numérico que representa un texto, imagen u otro objeto para poder compararlo con otros.Fasc. 1 · Cap. 12 Fasc. 3 · Cap. 8 Fasc. 4 · Cap. 7
Embedding posicional: Información añadida al embedding para que el modelo sepa en qué posición aparece cada token.Fasc. 3 · Cap. 2; Vector añadido para que el modelo sepa dónde estaba cada patch dentro de la imagen.Fasc. 11 · Cap. 2
Encadenamiento hacia atrás: Inferencia dirigida por objetivos: de la hipótesis a los hechos que la sostienen.Fasc. 12 · Cap. 4
Encadenamiento hacia delante: Inferencia dirigida por datos: de los hechos a las conclusiones.Fasc. 12 · Cap. 4
Encoder: Parte de un transformer que procesa una secuencia con contexto bidireccional; no es el objetivo natural de una lens causal.Bricoman(IA); Modelo o bloque que transforma una entrada bruta en una representación utilizable.Fasc. 11 · Cap. 1
Encoder visual: Bloque que transforma imagen, patches o regiones en representaciones visuales.Fasc. 11 · Cap. 4
Encoder-decoder: Arquitectura que lee una entrada con encoder y genera salida con decoder.Fasc. 3 · Cap. 5
Encoder-only: Transformer orientado a comprender una entrada completa y producir representaciones.Fasc. 3 · Cap. 5
Endpointing: Decisión de cerrar un turno de usuario porque el sistema cree que ha terminado de hablar.Fasc. 11 · Cap. 7
Ensayo operativo: Prueba controlada donde el equipo practica una degradación, una recuperación o un cambio de continuidad.Fasc. 6 · Cap. 10
Entidad: Objeto identificable del dominio sobre el que queremos decir hechos.Fasc. 2 · Cap. 12
Entorno: Sistema externo que cambia de estado tras una acción y devuelve una señal de resultado.Fasc. 10 · Cap. 1
Entrega reproducible: Carpeta con comandos, datos, salidas y decisión que otra persona puede ejecutar y revisar.Fasc. 10 · Cap. 8
Entrenamiento: Proceso de ajustar parámetros con datos y una función de pérdida. Pre-entrenar un modelo fundacional puede requerir miles de GPUs; entrenar o ajustar modelos pequeños puede hacerse con recursos mucho más modestos.Fasc. 1 · Cap. 10
Entropía de etiquetas: Medida de concentración o diversidad de una distribución de clases.Fasc. 8 · Cap. 2
Entropía de salida: Medida de dispersión de la distribución de candidatos; ayuda a comparar estabilidad y diversidad.Fasc. 3 · Cap. 8
Escala: Tamaño combinado de parámetros, datos, cómputo, contexto y presupuesto de inferencia.Fasc. 3 · Cap. 1
Escala de cuantización: Factor que convierte números enteros pequeños en valores aproximados de punto flotante.Fasc. 4 · Cap. 5
Escalado logarítmico: Eje de una gráfica que usa logaritmos para distinguir valores pequeños cuando el rango total es muy grande.Bricoman(IA)
Escalera de la causalidad: Los tres niveles de Pearl: asociación (ver), intervención (hacer) y contrafactuales (imaginar).Fasc. 12 · Cap. 5
Espacio compartido: Espacio vectorial donde embeddings de imagen y texto pueden compararse con una métrica común.Fasc. 11 · Cap. 3
Espacio de estados: Conjunto de todas las configuraciones posibles que puede alcanzar un problema.Fasc. 2 · Cap. 1
ESS: Tamaño efectivo de muestra después de aplicar pesos de importancia.Fasc. 10 · Cap. 4
Estabilidad explicativa: Capacidad de conservar explicaciones parecidas ante perturbaciones pequeñas y razonables.Fasc. 7 · Cap. 6
Estacionariedad: Supuesto de que las estadísticas de una representación no cambian mucho entre capas; la logit lens lo usa de forma implícita.Bricoman(IA)
Estado: Descripción suficiente de la situación actual del problema en un momento dado.Fasc. 2 · Cap. 1; Información verificable que describe qué sabe el sistema, qué hizo, qué falta y qué límites siguen activos.Fasc. 5 · Cap. 1; Representación compacta de lo que importa para decidir la siguiente acción.Fasc. 5 · Cap. 2
Estado visitado: Estado ya expandido o revisado para evitar ciclos y trabajo repetido en grafos.Fasc. 2 · Cap. 1
Estimador doblemente robusto: Estimador que combina modelo de resultado y propensity score para reducir dependencia de un único modelo.Fasc. 8 · Cap. 7
Estrategia: Regla que decide qué acción tomar según el estado y la información disponible.Fasc. 2 · Cap. 11
Estratificación: Partición que intenta conservar proporciones de etiquetas o segmentos.Fasc. 8 · Cap. 3
Etiqueta: Salida esperada, clase, decisión o referencia que se usa para entrenar o evaluar.Fasc. 8 · Cap. 2
Eval: Diseño reproducible que compara una versión candidata contra casos, criterios, métricas y umbrales.Fasc. 7 · Cap. 1
Eval multimodal: Conjunto reproducible de casos, entradas multimodales, salidas esperadas, métricas, revisiones y gates para decidir si un sistema que usa imagen, documento, audio, vídeo o pantalla puede publicarse.Fasc. 11 · Cap. 10
EvalOps: Disciplina operativa para convertir evaluaciones en parte del ciclo de cambio, release, monitorización y mejora.Fasc. 6 · Cap. 6; Disciplina práctica de versionar datasets de evaluación, métricas, thresholds, runners, gates, informes y regresiones.Fasc. 11 · Cap. 10
Evaluación de conformidad: Proceso para comprobar que un sistema cumple requisitos aplicables antes de ponerlo en mercado o servicio.Fasc. 9 · Cap. 4
Evaluación de trayectoria: Medición de los pasos, tools, argumentos, observaciones y decisiones que siguió un agente.Fasc. 5 · Cap. 10
Evaluación offline: Medición repetible sobre un dataset fijo antes de publicar cambios.Fasc. 4 · Cap. 10; Pruebas con casos preparados antes de exponer el sistema a uso real.Fasc. 4 · Cap. 13
Evaluación online: Medición sobre tráfico real o sombra con trazas, feedback y guardado de resultados.Fasc. 4 · Cap. 10; Medición del sistema cuando ya interactúa con usuarios, tráfico, latencia y datos cambiantes.Fasc. 4 · Cap. 13
Evaluación probabilística: Forma de probar sistemas con salidas variables midiendo propiedades, tasas de paso y distribuciones, no igualdad exacta de texto.Fasc. 1 · Cap. 2
Evaluador: Programa, regla, rúbrica, modelo o revisión que convierte una ejecución en una señal de calidad.Fasc. 6 · Cap. 6
Evaluador automático: Componente que asigna puntuación o decisión a una salida. Puede ser código determinista, test unitario, métrica de retrieval, modelo evaluador o revisión humana asistida.Fasc. 11 · Cap. 10
Evaluador LLM: Modelo usado para puntuar una salida, una comparación o una traza según una rúbrica explícita.Fasc. 4 · Cap. 10 Fasc. 7 · Cap. 4
Evento de interacción: Registro atómico de observación, acción, política, propensión, recompensa, contexto y versión.Fasc. 10 · Cap. 2
Evento temporal: Hecho localizado en un intervalo de tiempo, por ejemplo una puerta que se abre o un error que aparece.Fasc. 11 · Cap. 8
Evidence bundle: Paquete mínimo con entrada, salida propuesta, fuentes, trazas, costes, riesgos operativos y motivo de revisión.Fasc. 6 · Cap. 8
Evidence coverage: Proporción de evidencias esperadas que la respuesta cita o usa correctamente.Fasc. 11 · Cap. 10
Evidence pack: Paquete descargable o revisable con informes, matrices, decisiones, trazas y artefactos que justifican una decisión técnica.Fasc. 11 · Cap. 12
Evidencia: Información recuperada o calculada que sostiene una respuesta y puede verificarse.Fasc. 4 · Cap. 13; Artefacto revisable que demuestra qué se hizo, con qué versión, por quién y con qué resultado.Fasc. 9 · Cap. 1; Fragmento, región, timestamp, página, fila o señal que justifica una salida del sistema.Fasc. 11 · Cap. 1
Evidencia bloqueante: Evidencia ausente o insuficiente que impide avanzar de fase.Fasc. 9 · Cap. 5
Evidencia documental: Campo, tabla, página, región y fuente que justifican una afirmación o decisión.Fasc. 11 · Cap. 5
Evidencia multimodal: Fuente recuperada con modalidad, página, región, tabla, bbox, score y razón de uso.Fasc. 11 · Cap. 6
Evidencia reproducible: Artefactos que permiten repetir y defender una conclusión.Fasc. 8 · Cap. 8
Execution accuracy: Métrica que comprueba si la consulta generada produce el resultado esperado.Fasc. 4 · Cap. 12
Expectation: Regla verificable sobre los datos, como no nulos, catálogo válido o rango máximo.Fasc. 8 · Cap. 2
Expectimax: Variante de minimax para juegos con azar: en los nodos de azar promedia los valores por su probabilidad en vez de tomar el mínimo.Fasc. 2 · Cap. 11
Expediente de release: Conjunto de contrato, datos, evidencias, outputs, memo y decisión que permite revisar una publicación de datos o IA.Fasc. 8 · Cap. 8
Experimento controlado: Diseño donde asignamos una intervención de forma controlada para estimar su efecto.Fasc. 8 · Cap. 7
Explicación global: Resumen de patrones generales del modelo en un conjunto de datos.Fasc. 7 · Cap. 6
Explicación local: Explicación de una predicción concreta, no del modelo entero.Fasc. 7 · Cap. 6
Exploración: Probar acciones con incertidumbre para aprender más sobre ellas.Fasc. 10 · Cap. 3
Explotación: Usar la acción que parece mejor según la evidencia actual.Fasc. 10 · Cap. 3
Exposure event: Evento que demuestra que una unidad vio o recibió la variante asignada.Fasc. 8 · Cap. 7
Extensión: Conjunto de conclusiones coherente que se obtiene aplicando los defaults posibles.Fasc. 12 · Cap. 6

F-beta: Variante de F1 que permite dar más peso relativo a recall o precision.Fasc. 7 · Cap. 2
F1: Media armónica entre precision y recall.Fasc. 7 · Cap. 2
Factor de certeza: Número entre -1 y 1 que mide el grado de creencia en un hecho o una regla; el esquema de MYCIN para arrastrar evidencia parcial por la cadena de reglas.Fasc. 12 · Cap. 3 Fasc. 12 · Cap. 4
Factor de ramificación: Número medio de acciones disponibles en cada estado. Determina la explosión combinatoria del espacio de búsqueda.Fasc. 2 · Cap. 1
Fail closed: Diseño en el que una duda, error de validación o dato ausente bloquea la acción en vez de permitirla.Fasc. 2 · Cap. 8
Faithfulness: Cercanía factual entre respuesta generada y contexto usado.Fasc. 4 · Cap. 10
Fallback: Ruta alternativa usada cuando la ruta principal no conviene o no puede completar la tarea.Fasc. 6 · Cap. 5
Falso negativo: Caso positivo que el sistema deja pasar como negativo.Fasc. 7 · Cap. 2; Entidad sensible que existe en el artefacto, pero el detector no marca; en privacidad suele ser más peligroso que un falso positivo.Fasc. 11 · Cap. 11
Falso positivo: Caso negativo que el sistema marca como positivo.Fasc. 7 · Cap. 2
Feature: Variable de entrada que un modelo puede usar para aprender o decidir.Fasc. 8 · Cap. 4
Feature flag: Decisión evaluada en tiempo de ejecución que cambia comportamiento sin redesplegar código.Fasc. 6 · Cap. 7 Fasc. 8 · Cap. 7
Feature skew: Diferencia entre cómo se calcula una feature en entrenamiento y cómo se calcula en producción.Fasc. 8 · Cap. 4
Feature store: Sistema para definir, versionar y servir features de forma consistente entre entrenamiento e inferencia.Fasc. 8 · Cap. 1 Fasc. 8 · Cap. 4
Fidelidad: Grado en que una explicación refleja el comportamiento real del modelo que pretende explicar.Fasc. 7 · Cap. 6
File Search: Herramienta gestionada que permite buscar archivos subidos a un vector store del proveedor.Fasc. 4 · Cap. 9
FILTER: Cláusula que restringe soluciones por una condición.Fasc. 2 · Cap. 12
Filtro: Condición sobre metadata que limita qué registros pueden entrar en la búsqueda.Fasc. 4 · Cap. 8
Finalidad: Motivo concreto y declarado por el que un dato se trata.Fasc. 9 · Cap. 2
Fine-tuning: Ajustar pesos de un modelo base con datos específicos.Fasc. 3 · Cap. 6 Fasc. 4 · Cap. 1; Ajuste de pesos o adaptadores para modificar comportamiento aprendido.Fasc. 4 · Cap. 9
fit: Proceso de ajustar una lens calculando una transformación media a partir de activaciones y gradientes.Bricoman(IA)
Flake rate: Proporción de casos que cambian de resultado al repetir la misma evaluación bajo condiciones controladas.Fasc. 6 · Cap. 6
FlashAttention: Familia de kernels de atención que reduce lecturas y escrituras de memoria para acelerar atención exacta.Fasc. 3 · Cap. 7
float16: Formato numérico de 16 bits con menos rango que bfloat16, útil para ahorrar memoria pero más sensible a desbordamientos.Bricoman(IA)
float32: Formato numérico de 32 bits usado como referencia de precisión en PyTorch.Bricoman(IA)
Forma normal conjuntiva: Conjunción de cláusulas, donde cada cláusula es una disyunción de literales.Fasc. 12 · Cap. 1
Fórmula de ajuste: Cálculo del efecto de una intervención sumando sobre los confusores controlados.Fasc. 12 · Cap. 5
forward: Paso de entrada a salida en el grafo de cálculo de un modelo.Bricoman(IA)
Forward checking: Técnica que elimina de los dominios futuros los valores incompatibles con una asignación recién tomada.Fasc. 2 · Cap. 7
FPS: Frames per second: número de frames por segundo de vídeo.Fasc. 11 · Cap. 8
FQE: Fitted Q Evaluation: estimar una función Q para evaluar una política con datos offline.Fasc. 10 · Cap. 4
Frame: Imagen individual dentro de una secuencia de vídeo.Fasc. 11 · Cap. 8
Frame problem: El problema de decidir qué hechos NO cambian al ejecutar una acción; STRIPS lo resuelve con la suposición de que solo cambia lo declarado en add y del.Fasc. 2 · Cap. 9
Freshness: Edad operativa del dato respecto al momento en que se necesita para decidir.Fasc. 8 · Cap. 6
Frontera: Conjunto de estados descubiertos pero aún no explorados. Su estructura de datos determina el algoritmo.Fasc. 2 · Cap. 1
Frontera de confianza: Lugar donde los datos pasan de un dominio controlado a otro con reglas, contratos y riesgos distintos.Fasc. 4 · Cap. 6
Frontera máxima: Tamaño máximo que alcanza la frontera durante una búsqueda. Es una medida práctica de presión de memoria.Fasc. 2 · Cap. 2
FTS: Búsqueda textual por palabras, campos y relevancia.Fasc. 4 · Cap. 9
Función de activación: Función no lineal que se aplica a la suma ponderada más el sesgo para producir la salida final de la neurona. Sin ella, la red sería lineal y no podría aprender patrones complejos.Fasc. 1 · Cap. 4
Función de evaluación: Heurística que puntúa estados no terminales cuando no podemos explorar hasta el final.Fasc. 2 · Cap. 11
Función de pérdida: Medida formal de error que define qué intenta mejorar el entrenamiento.Fasc. 1 · Cap. 12
Función de pérdida (loss function): Función que mide numéricamente cuánto se equivoca el modelo comparando su predicción con la realidad. El objetivo del entrenamiento es minimizarla.Fasc. 1 · Cap. 7
Función de pertenencia: Función que asigna a cada valor su grado de pertenencia a un conjunto difuso.Fasc. 12 · Cap. 3
Función de transición: Regla que describe qué estado aparece después de aplicar una acción válida a un estado.Fasc. 2 · Cap. 10; Actualización que convierte estado, acción y observación en un nuevo estado.Fasc. 5 · Cap. 2
Función de valor: Recompensa total esperada de actuar de forma óptima desde un estado en adelante.Fasc. 2 · Cap. 4
Function calling: Patrón en el que el modelo propone una llamada estructurada y la aplicación decide si la ejecuta.Fasc. 5 · Cap. 3
Fusión de adaptadores: Sumar un adaptador LoRA a los pesos base para servir un único modelo sin coste extra en inferencia.Fasc. 3 · Cap. 6
Fusión multimodal: Combinación de representaciones de varias modalidades para resolver una tarea.Fasc. 11 · Cap. 1

Gate: Condición automática o revisable que decide si una ejecución, cambio o versión puede avanzar.Fasc. 5 · Cap. 6 Fasc. 5 · Cap. 10; Condición que permite o bloquea una release según métricas y fallos críticos.Fasc. 7 · Cap. 1; Condición verificable que permite, condiciona o detiene el avance de una versión.Fasc. 9 · Cap. 1
Gate de datos: Comprobación automatizada que permite, revisa o bloquea el uso de un dataset según reglas explícitas.Fasc. 8 · Cap. 1; Regla ejecutable que impide publicar si fallan calidad, split, trazabilidad, slices o SLOs.Fasc. 8 · Cap. 8
Gate de decisión: Regla medible que decide si una política pasa, requiere revisión o se detiene.Fasc. 8 · Cap. 5
Gate de gobernanza: Decisión ejecutable que combina riesgo, privacidad, seguridad de aplicación, cumplimiento y operación.Fasc. 9 · Cap. 5
Gate de política: Regla ejecutable que decide si una política puede pasar a piloto según recompensa, regret, cobertura, coste, drift y trazas.Fasc. 10 · Cap. 8
Gate de release: Condición que decide si una versión puede avanzar tras medir calidad, coste, permisos y trazas.Fasc. 5 · Cap. 12; Regla verificable que decide si una versión candidata puede avanzar a otro entorno o a producción.Fasc. 6 · Cap. 6
Gate multimodal: Control que decide pass, review o block para una entrada o salida multimodal según sensibilidad, destino, controles y retención.Fasc. 11 · Cap. 11
Gated: Modelo de HuggingFace que requiere aceptar una licencia o pedir acceso antes de descargar sus pesos.Bricoman(IA)
Gemma4ForCausalLM: Clase de transformers orientada a cargar el componente causal de lenguaje de Gemma 4.Bricoman(IA)
Gemma4ForConditionalGeneration: Clase de transformers que carga Gemma 4 como modelo multimodal con un contenedor alrededor del decoder de texto.Bricoman(IA)
GGUF: Formato de fichero que guarda tensores y metadatos para runtimes como llama.cpp.Fasc. 4 · Cap. 5
Global search: Búsqueda GraphRAG sobre resúmenes de comunidades para preguntas del corpus completo.Fasc. 4 · Cap. 11
Global workspace: Marco teórico usado por Anthropic como analogía técnica para representaciones verbalizables compartidas; no implica consciencia en el modelo.Bricoman(IA)
Gobernanza: Sistema de roles, políticas, controles, decisiones y evidencias que guía cómo se diseña, publica y revisa la IA.Fasc. 9 · Cap. 1
Golden set: Conjunto estable de casos representativos que se usa para detectar regresiones antes de publicar cambios.Fasc. 5 · Cap. 10 Fasc. 7 · Cap. 1; Conjunto pequeño, estable y revisado de casos que protege comportamientos esenciales.Fasc. 6 · Cap. 6
Goodhart: Fenómeno por el que una medida pierde valor informativo cuando se convierte en objetivo optimizado.Fasc. 10 · Cap. 6
GPU offload: Parte del modelo que se mueve a la GPU para acelerar inferencia.Fasc. 4 · Cap. 5
GQA: Atención agrupada donde varias cabezas de consulta comparten menos cabezas de claves y valores para reducir KV cache.Fasc. 3 · Cap. 3 Fasc. 3 · Cap. 8
Grad-CAM: Método visual que localiza regiones relevantes para una clase usando gradientes en capas convolucionales.Fasc. 7 · Cap. 6
Grader: Función, modelo, persona o entorno que convierte una salida en una puntuación o veredicto.Fasc. 7 · Cap. 1; Evaluador programático o por modelo que asigna una puntuación reproducible a una salida.Fasc. 10 · Cap. 6
Grader drift: Cambio en el evaluador, la rúbrica o el modelo evaluador que hace que dos scores ya no sean comparables.Fasc. 7 · Cap. 1
Gradiente: Vector de derivadas parciales que indica cuánto cambia el error si se modifica cada parámetro. Señala la dirección de máximo crecimiento del error.Fasc. 1 · Cap. 6 Fasc. 1 · Cap. 12
Gradiente de pérdida: Señal numérica que indica cómo cambiar parámetros para reducir el error.Fasc. 3 · Cap. 6
Grado: Heurística que, en empate, elige la variable que participa en más restricciones pendientes.Fasc. 2 · Cap. 7
Grado de verdad: Valor entre 0 y 1 que cuantifica cuánto se cumple una afirmación difusa.Fasc. 12 · Cap. 3
Grafo causal: Grafo dirigido acíclico cuyas flechas representan relaciones de causa a efecto.Fasc. 12 · Cap. 5
Grafo de conocimiento: Red explícita de entidades, relaciones y reglas consultables.Fasc. 2 · Cap. 12
Grafo de restricciones: Representación del CSP donde las variables son nodos y las restricciones binarias son aristas.Fasc. 2 · Cap. 6
Granularidad: Tamaño del bloque de pesos que comparte escala y metadatos de cuantización.Fasc. 4 · Cap. 5
Graph Neural Network: Red que opera sobre nodos y aristas de un grafo.Fasc. 3 · Cap. 5
GraphRAG: RAG que usa un grafo de entidades, relaciones y resúmenes para responder preguntas locales o globales.Fasc. 4 · Cap. 11
Greedy best-first: Algoritmo que expande solo por h(n), ignorando g(n). Rápido pero no óptimo.Fasc. 2 · Cap. 3
Ground truth: Respuesta o evidencia de referencia contra la que comparamos una salida. Puede venir de anotación humana, dato estructurado, test, timestamp, bbox o política.Fasc. 11 · Cap. 10
Groundedness: Comprobación de si las afirmaciones de la respuesta están sostenidas por evidencia recuperada.Fasc. 4 · Cap. 10 Fasc. 7 · Cap. 3
Grounding: Grado en que una respuesta está apoyada por las fuentes recuperadas.Fasc. 4 · Cap. 9; Capacidad de vincular una respuesta con regiones, objetos, páginas, coordenadas o evidencias concretas.Fasc. 11 · Cap. 4
GRPO: Group Relative Policy Optimization: optimización por comparación relativa dentro de grupos de respuestas generadas.Fasc. 10 · Cap. 5
Guarded rollout: Despliegue progresivo que vigila métricas y detiene o revierte si empeoran.Fasc. 6 · Cap. 7
Guardrail: Control ejecutable que limita, valida o bloquea una acción de IA antes o después de que ocurra.Fasc. 2 · Cap. 8
Guardrail de salida: Control que valida lo que el modelo produce antes de mostrarlo o usarlo, no solo lo que va a una herramienta.Fasc. 2 · Cap. 8

Handoff: Paquete de continuidad que permite a otra sesión, persona o agente seguir sin releer todo.Fasc. 5 · Cap. 4; Resumen estructurado que permite continuar una ejecución sin leer toda la conversación.Fasc. 5 · Cap. 6; Transferencia explícita de control, contexto y responsabilidad entre agentes o componentes.Fasc. 5 · Cap. 12
Handoff operativo: Pausa estructurada donde una run entrega contexto, evidencia y siguiente decisión a una persona u otro sistema.Fasc. 6 · Cap. 8
Hard negative: Documento parecido a la consulta pero incorrecto, útil para detectar confusiones finas.Fasc. 4 · Cap. 7; Ejemplo no relevante que se parece mucho a uno relevante y sirve para probar si el sistema distingue fino.Fasc. 8 · Cap. 4
Harness: Arnés técnico que ejecuta, mide y limita una arquitectura en condiciones reproducibles.Fasc. 5 · Cap. 5; Arnés técnico que rodea al agente con estado, tools permitidas, límites, sensores, trazas y gates.Fasc. 5 · Cap. 6
Hash: Huella calculada de un documento o chunk para detectar cambios.Fasc. 4 · Cap. 9
Heatmap: Mapa de color en forma de rejilla donde cada celda codifica un valor numérico.Bricoman(IA)
Heurística admisible: Estimación h(n) que nunca sobreestima el coste real h(n). Condición suficiente para la optimalidad de A en búsqueda en árbol.Fasc. 2 · Cap. 3
Heurística aprendida: Estimación producida por un modelo, regla o ranking para priorizar la siguiente acción sin explorar todo el espacio.Fasc. 2 · Cap. 4
Heurística de planificación: Estimación del coste restante hasta el objetivo que guía la búsqueda de planes.Fasc. 2 · Cap. 10
Hipótesis evaluable: Frase comprobable que conecta un cambio con una mejora esperada, una métrica y un riesgo vigilado.Fasc. 7 · Cap. 1
Hit@k: Indicador de si aparece al menos una evidencia válida en los k primeros resultados.Fasc. 4 · Cap. 10 Fasc. 7 · Cap. 3
HITL: Human in the loop: aprobación humana cuando el riesgo supera un umbral.Fasc. 2 · Cap. 8
HNSW: Índice de vecinos aproximados basado en grafos jerárquicos navigable small world.Fasc. 4 · Cap. 8 Fasc. 8 · Cap. 4
Holdout: Conjunto reservado que no se usa para ajustar prompts, reglas o evaluadores.Fasc. 6 · Cap. 6; Parte reservada que no se toca durante iteraciones habituales para comprobar si la mejora generaliza.Fasc. 7 · Cap. 1; Conjunto reservado para medir una decisión sin tocarlo durante entrenamiento o ajuste.Fasc. 8 · Cap. 3
Holdout final: Partición reservada para comprobar una conclusión importante después de cerrar decisiones de desarrollo.Fasc. 8 · Cap. 3
Hook: Función registrada en PyTorch para observar activaciones o gradientes durante el forward o el backward.Bricoman(IA)
Horizonte: Número máximo de pasos que permitimos en un plan al codificarlo o buscarlo.Fasc. 2 · Cap. 10
HuggingFace: Plataforma usada para distribuir modelos, tokenizadores, datasets y checkpoints.Bricoman(IA)
Human-in-the-loop: Patrón donde una persona revisa o decide antes de que una ejecución continúe.Fasc. 5 · Cap. 8; Intervención humana explícita antes de acciones sensibles, ambiguas o difíciles de revertir.Fasc. 11 · Cap. 9
HyDE: Técnica que genera un documento hipotético y busca documentos reales parecidos a ese texto.Fasc. 4 · Cap. 11

IA3: Ajuste con vectores que escalan activaciones internas.Fasc. 3 · Cap. 6
ICE/STUN/TURN: Piezas de conectividad usadas en WebRTC para descubrir rutas de red y relés cuando hay NAT o firewalls.Fasc. 11 · Cap. 7
IDA*: A* con profundización iterativa sobre f. Memoria O(b·d) como DFS, manteniendo la optimalidad con h admisible.Fasc. 2 · Cap. 3
Idempotencia: Propiedad que permite repetir una operación con la misma clave sin crear efectos duplicados.Fasc. 4 · Cap. 2 Fasc. 5 · Cap. 3 Fasc. 6 · Cap. 2 Fasc. 8 · Cap. 6
Identidad: Transformación que deja un vector igual; en la última capa de una lens causal, transportar la capa a sí misma equivale a la identidad.Bricoman(IA)
IDS: Iterative Deepening Search. Ejecuta DFS con límites de profundidad crecientes. Combina la optimalidad de BFS con el bajo consumo de memoria de DFS.Fasc. 2 · Cap. 2
Igualdad de oportunidad: Criterio que compara recall o tasa de verdaderos positivos entre grupos positivos reales.Fasc. 8 · Cap. 5
Importance sampling: Corrección que repondera eventos según la probabilidad de la política objetivo frente a la histórica.Fasc. 10 · Cap. 4
Importancia por permutación: Medida global que desordena una feature y observa cuánto cae la métrica.Fasc. 7 · Cap. 6
Incertidumbre semántica: Duda sobre el significado de una respuesta generada, no solo sobre los tokens exactos usados.Fasc. 7 · Cap. 5
Incidencia: Evento operativo que degrada calidad, disponibilidad, coste, contrato o confianza de un sistema.Fasc. 6 · Cap. 9
Independencia condicional: Dos variables son independientes una vez conocida una tercera.Fasc. 12 · Cap. 2
Índice: Estructura auxiliar que permite localizar filas sin recorrer una tabla completa.Fasc. 4 · Cap. 12
Índice compartido: Índice donde distintas modalidades se representan en un espacio comparable.Fasc. 11 · Cap. 6
Índice vectorial: Estructura que acelera la búsqueda de vecinos cercanos sin comparar todos los vectores.Fasc. 4 · Cap. 8
Índices separados: Estrategia donde cada modalidad se busca con su propio índice y luego se fusionan resultados.Fasc. 11 · Cap. 6
Inferencia: Uso de un modelo ya entrenado para obtener respuestas. Es lo que ocurre cuando llamas a una API o chateas con un asistente.Fasc. 1 · Cap. 10; Uso de un modelo ya entrenado para producir una salida a partir de una entrada nueva.Fasc. 1 · Cap. 12 Fasc. 3 · Cap. 7
Inferencia de Mamdani: Método de inferencia difusa: fuzzificar, evaluar reglas, agregar y defuzzificar.Fasc. 12 · Cap. 3
InfoNCE: Pérdida contrastiva que empuja positivos a estar cerca y negativos a separarse.Fasc. 11 · Cap. 3
Instancia: Entidad concreta que pertenece a una clase.Fasc. 2 · Cap. 12
Instrucción confiable: Orden escrita por el equipo responsable del sistema y versionada como parte del contrato de aplicación.Fasc. 9 · Cap. 3
Instruction tuning: Ajuste con ejemplos de instrucciones y respuestas deseadas.Fasc. 3 · Cap. 6
Integrated Gradients: Método de atribución que integra gradientes desde una línea base hasta la entrada real.Fasc. 7 · Cap. 6
Inteligencia artificial: Rama de la informática que construye sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, mediante modelos matemáticos que aprenden patrones a partir de datos.Fasc. 1 · Cap. 1; Sistema que transforma entradas en salidas útiles aprendiendo patrones, no una entidad consciente ni un oráculo.Fasc. 1 · Cap. 12
Interpretabilidad: Capacidad de entender una decisión, un comportamiento o una representación del sistema con una finalidad concreta.Fasc. 7 · Cap. 6
Interpretabilidad mecanicista: Campo que intenta explicar modelos inspeccionando pesos, activaciones, circuitos y transformaciones internas.Bricoman(IA)Fasc. 7 · Cap. 6
Intervalo bootstrap: Rango obtenido re-muestreando el dataset para medir incertidumbre del estimador.Fasc. 10 · Cap. 4
Intervalo de confianza: Rango que expresa la incertidumbre de una métrica estimada con una muestra finita.Fasc. 7 · Cap. 1
Intervalo de Wilson: Intervalo de confianza para una proporción binomial más prudente que la aproximación normal cuando el test es pequeño.Fasc. 8 · Cap. 3
Intervalo Wilson: Intervalo para una proporción que recuerda que una accuracy con pocos casos tiene margen de error.Fasc. 7 · Cap. 5
Intervención: Cambio concreto que hacemos sobre entrada, contexto, herramienta, pesos o infraestructura para mejorar un sistema de IA.Fasc. 4 · Cap. 1 Fasc. 4 · Cap. 13
Invariante: Condición que debe seguir siendo cierta antes y después de actuar.Fasc. 2 · Cap. 8
IPW: Ponderación por probabilidad inversa para ajustar por la probabilidad estimada de recibir tratamiento.Fasc. 8 · Cap. 7
Isotonic regression: Método de calibración que aprende una función monótona por tramos.Fasc. 7 · Cap. 5
Iteración de políticas: Algoritmo que alterna evaluar una política y mejorarla de forma codiciosa respecto al valor estimado.Fasc. 10 · Cap. 1
Iteración de valor: Algoritmo que aproxima valores óptimos aplicando repetidamente la ecuación de Bellman óptima.Fasc. 10 · Cap. 1
IVFFlat: Índice que agrupa vectores en listas y consulta solo algunas listas cercanas.Fasc. 4 · Cap. 8

Jacobiana: Matriz de derivadas que aproxima cómo cambios en una capa intermedia afectan a una capa posterior.Bricoman(IA)
Jitter: Aleatoriedad pequeña añadida al backoff para que muchos clientes no reintenten a la vez.Fasc. 6 · Cap. 5
jlens: Implementación de referencia de la Jacobian lens publicada por Anthropic junto al paper de 2026.Bricoman(IA)
JSONL: Formato donde cada línea es un objeto JSON independiente, útil para datasets de LLMs y trazas.Fasc. 8 · Cap. 1
Juego con otros actores: Problema de decisión donde otras personas, sistemas o reglas también eligen acciones y pueden cambiar nuestra utilidad.Fasc. 2 · Cap. 11

k-consistencia: Familia de consistencias de orden superior que miran k variables a la vez, más fuertes y más caras que la de arco.Fasc. 2 · Cap. 7
Kappa: Medida de acuerdo entre dos anotadores corregida por el acuerdo esperable por azar.Fasc. 8 · Cap. 2
Kappa de Fleiss: Medida de acuerdo nominal corregido por azar cuando participan más de dos anotadores.Fasc. 8 · Cap. 2
Key (K): Proyección que representa lo que una posición ofrece para ser encontrada.Fasc. 3 · Cap. 3
Keyframe: Frame representativo o punto de referencia dentro de un vídeo comprimido o muestreado.Fasc. 11 · Cap. 8
KV cache: Memoria temporal de inferencia que guarda claves y valores de atención ya calculados para no recomputar todo el prefijo en cada token generado.Fasc. 3 · Cap. 1 Fasc. 3 · Cap. 3 Fasc. 3 · Cap. 7 Fasc. 3 · Cap. 8 Fasc. 4 · Cap. 3 Fasc. 4 · Cap. 5 Fasc. 6 · Cap. 3

Label delay: Retraso entre una predicción o decisión y la llegada de la etiqueta real que permite evaluarla.Fasc. 8 · Cap. 6
Laboratorio: Espacio guiado donde el lector convierte el facsímil en trabajo práctico.Fasc. 8 · Cap. 8
Laboratorio de refuerzo: Práctica reproducible para diseñar una política, simular consecuencias, auditar una recompensa y decidir si una candidata puede avanzar.Fasc. 10 · Cap. 8
Late interaction: Re-ranking que compara representaciones finas de consulta y documento después de codificarlas por separado.Fasc. 11 · Cap. 6
Latencia p95: Tiempo por debajo del cual termina el 95 por ciento de las peticiones.Fasc. 4 · Cap. 6
LayerNorm: Normalización que usa media y desviación típica dentro de cada vector.Fasc. 3 · Cap. 4; Normalización que estabiliza activaciones.Fasc. 3 · Cap. 8
Layout: Receta que indica a jlens dónde están las capas, normas, embeddings y unembedding dentro de una arquitectura concreta.Bricoman(IA); Estructura visual y lógica del documento: títulos, párrafos, tablas, listas, columnas, figuras y orden de lectura.Fasc. 11 · Cap. 5
LCV: Heurística que prueba primero el valor que menos reduce las opciones de las demás variables.Fasc. 2 · Cap. 7
Leakage: Contaminación por la que el sistema ve información que no tendría en producción o que invalida la medición.Fasc. 7 · Cap. 1; Fuga de información entre entrenamiento y evaluación que hace parecer mejor a un sistema de lo que será en producción.Fasc. 8 · Cap. 1; Información que llega a evaluación desde entrenamiento, del futuro o de otra fuente indebida.Fasc. 8 · Cap. 2 Fasc. 8 · Cap. 3
Leakage de preprocesamiento: Contaminación creada cuando una transformación aprende con validation o test antes de medir.Fasc. 8 · Cap. 3
Leakage de representación: Fuga de información introducida por la forma de transformar, seleccionar o ajustar features.Fasc. 8 · Cap. 4
Learning rate (tasa de aprendizaje): Número que controla el tamaño del paso al actualizar los parámetros. No indica dirección: la dirección la marca el gradiente.Fasc. 1 · Cap. 6
Least privilege: Diseño en el que cada usuario, agente, tool e índice recibe solo permisos necesarios para su tarea.Fasc. 9 · Cap. 3
LIME: Método que aproxima localmente un modelo complejo con un modelo interpretable alrededor de una predicción.Fasc. 7 · Cap. 6
Linaje: Registro de origen, versión, transformación, propietario y hash de un dato o artefacto derivado.Fasc. 8 · Cap. 1
Linaje de política: Registro de qué versión de política, prompt, modelo, reward, contrato y entorno produjo cada evento.Fasc. 10 · Cap. 2
Lineage event: Evento de linaje que registra job, run, entradas, salidas, hashes y relación entre datasets.Fasc. 8 · Cap. 6
Linked Data: Práctica de publicar datos con identificadores estables y enlaces semánticos.Fasc. 2 · Cap. 12
LLM: Modelo de lenguaje de gran escala. Red neuronal con miles de millones de parámetros entrenada sobre cantidades masivas de texto para predecir y generar lenguaje.Fasc. 1 · Cap. 1 Fasc. 3 · Cap. 1 Fasc. 3 · Cap. 8
LLM como optimizador: Usar un modelo de lenguaje como política que propone soluciones a un problema de optimización.Fasc. 5 · Cap. 11
Local API: Endpoint HTTP en la propia máquina para llamar a un modelo local desde una app.Fasc. 4 · Cap. 5
Local search: Búsqueda GraphRAG centrada en entidades o relaciones concretas.Fasc. 4 · Cap. 11
Log: Registro estructurado de un evento concreto ocurrido en el sistema.Fasc. 6 · Cap. 4
Log loss: Pérdida que penaliza mucho las predicciones confiadas que se equivocan.Fasc. 7 · Cap. 5
Lógica de primer orden: Lógica con predicados, funciones, variables y cuantificadores sobre objetos.Fasc. 12 · Cap. 1
Lógica difusa: Lógica de grados de verdad entre 0 y 1, no solo verdadero o falso.Fasc. 12 · Cap. 3
Lógica por defecto: Lógica de Reiter con reglas que valen salvo excepción, mientras sea consistente suponerlas.Fasc. 12 · Cap. 6
Lógica proposicional: Lógica de enunciados que son verdaderos o falsos, combinados con conectivas.Fasc. 12 · Cap. 1
Logit: Puntuación no normalizada que el modelo asigna a cada token candidato antes de convertirla en probabilidad.Bricoman(IA)Fasc. 3 · Cap. 1 Fasc. 3 · Cap. 4 Fasc. 3 · Cap. 8
Logit lens: Lente simple que aplica directamente la norma final y el unembedding a activaciones intermedias.Bricoman(IA)
LoRA: Adaptación de bajo rango que entrena matrices pequeñas con el modelo base congelado.Fasc. 3 · Cap. 6 Fasc. 3 · Cap. 8
LSH: Locality-sensitive hashing: familia de técnicas para proponer candidatos similares sin comparar todo contra todo.Fasc. 8 · Cap. 2
LSTM (Long Short-Term Memory): Variante de RNN que incorpora compuertas para controlar qué información retener y cuál olvidar, permitiendo capturar dependencias a más largo plazo.Fasc. 1 · Cap. 8

MAC: Mantener la consistencia de arco durante la búsqueda: aplicar AC-3 tras cada asignación.Fasc. 2 · Cap. 7
Manifest de calibración: Documento versionado que fija datos, score, calibrador, umbrales, métricas y triggers de recalibración.Fasc. 7 · Cap. 5
Manifest de evaluación: Documento que fija versiones, hashes, parámetros, fecha, owner y contexto de una corrida.Fasc. 7 · Cap. 1
Manifest de release: Documento de versión que fija modelo, prompt, índice, policy, dataset, decisión y owners de una salida.Fasc. 9 · Cap. 1
Manifest operativo: Documento de configuración que define objetivo, tools, permisos, memoria, límites, trazas y criterios de parada de un agente.Fasc. 5 · Cap. 1
Manifiesto de split: Artefacto versionado que guarda política, hashes, estrategia elegida, permisos de uso e IDs asignados a cada split.Fasc. 8 · Cap. 3
Mantisa: Parte de un número en coma flotante que determina su precisión.Bricoman(IA)
Máquina de estados: Modelo explícito de estados posibles y transiciones válidas durante una ejecución.Fasc. 6 · Cap. 1
Máscara causal: Regla que pone peso cero a posiciones futuras durante generación autoregresiva.Fasc. 3 · Cap. 3; Restricción que evita mirar tokens futuros durante generación.Fasc. 3 · Cap. 8
Matriz de atención: Tabla de pesos donde cada fila indica cómo se mezcla la información disponible para un token.Fasc. 3 · Cap. 2
Matriz de cobertura: Cruce de tipos de caso, slices, severidad, frecuencia, fuente y owner para ver qué mide realmente el dataset.Fasc. 7 · Cap. 1
Matriz de confusión: Tabla que cruza las predicciones del modelo con los valores reales, mostrando aciertos, falsos positivos y falsos negativos.Fasc. 1 · Cap. 11 Fasc. 7 · Cap. 2 Fasc. 10 · Cap. 6
Matriz de costes: Tabla que asigna consecuencias distintas a cada tipo de error o decisión.Fasc. 7 · Cap. 2
Matriz de criticidad: Clasificación que asigna gates distintos según impacto, reversibilidad, coste y sensibilidad de una tarea.Fasc. 6 · Cap. 6
Matriz de pesos: Tabla de parámetros que conecta todas las salidas de una capa con todas las neuronas de la capa siguiente. Su forma determina si dos capas encajan.Fasc. 1 · Cap. 5
Matriz de trazabilidad: Cruce entre requisito, riesgo, caso, métrica, gate y acción para justificar por qué existe cada parte de una eval.Fasc. 7 · Cap. 1
MCP: Protocolo para que una aplicación de IA descubra y use herramientas, recursos y plantillas de contexto externos.Fasc. 4 · Cap. 2 Fasc. 5 · Cap. 9
MCTS: Monte Carlo Tree Search: búsqueda en árbol por muestreo con selección, expansión, simulación y retropropagación.Fasc. 2 · Cap. 4 Fasc. 2 · Cap. 11
MDE: Efecto mínimo detectable con una muestra, varianza, alpha y potencia dados.Fasc. 8 · Cap. 7
MDP: Proceso de Decisión de Markov: marco (S, A, P, R, gamma) para decidir bajo incertidumbre con recompensas a lo largo del tiempo.Fasc. 2 · Cap. 4 Fasc. 10 · Cap. 1
Memoria: Información guardada fuera de la llamada y recuperada de forma selectiva cuando aporta valor.Fasc. 5 · Cap. 4
Memoria conversacional: Información de sesión o usuario que ayuda a mantener continuidad sin sustituir fuentes.Fasc. 4 · Cap. 9
Memoria de producto: Datos persistidos por la aplicación, como preferencias, resúmenes o perfiles, que solo influyen si se recuperan y se vuelven a meter en el contexto.Fasc. 4 · Cap. 3
Memoria de sesión: Historial persistido de una conversación o ejecución para que el sistema pueda continuar entre llamadas.Fasc. 5 · Cap. 1
Memoria de sistema: Dato persistente que el producto conserva para usos futuros, distinto del contexto efímero del prompt.Fasc. 9 · Cap. 2
Memoria de trabajo: Conjunto de hechos conocidos en un momento dado durante el razonamiento.Fasc. 12 · Cap. 4
Memoria episódica: Registro de eventos ocurridos: acciones, observaciones, decisiones y resultados.Fasc. 5 · Cap. 4
Memoria persistente: Archivo consultable de hechos, preferencias, decisiones o experiencias que puede sobrevivir a una sesión concreta.Fasc. 5 · Cap. 1
Memoria procedimental: Reglas estables sobre cómo trabajar: comandos, estilo, permisos, criterios y convenciones.Fasc. 5 · Cap. 4
Memoria semántica: Hechos consolidados que se pueden reutilizar entre sesiones.Fasc. 5 · Cap. 4
Memoria temporal: Registro estructurado de eventos, orden, evidencias y límites a lo largo del tiempo.Fasc. 11 · Cap. 8
Memory-bound: Régimen donde el límite es el ancho de banda de memoria; típico del decode, que genera un token cada vez.Fasc. 3 · Cap. 7
Menor capacidad de actuación: Principio aplicado a agentes: darles solo la identidad, tools, memoria, permisos y credenciales que necesitan para una tarea concreta.Fasc. 9 · Cap. 5
Mensaje: Pieza de conversación con rol y contenido.Fasc. 4 · Cap. 2
Meta-controlador: Agente supervisor que enruta una tarea hacia el especialista o flujo adecuado.Fasc. 5 · Cap. 5
Metadata filter: Filtro estructurado que limita la búsqueda vectorial por permisos, tenant, fecha, producto o fuente.Fasc. 8 · Cap. 4
Metaevaluación: Evaluación del propio evaluador para saber si coincide con referencias humanas o reglas fiables.Fasc. 7 · Cap. 4
Métrica: Medida que permite decidir si un modelo funciona para el objetivo real, no solo si parece convincente.Fasc. 1 · Cap. 12; Serie numérica agregable que permite medir comportamiento en el tiempo.Fasc. 6 · Cap. 4
Min-conflicts: Búsqueda local para CSP: reasigna una variable en conflicto al valor que deja menos conflictos.Fasc. 2 · Cap. 7
MinHash: Técnica probabilística para estimar similitud de Jaccard mediante firmas compactas.Fasc. 8 · Cap. 2
Minimax: Algoritmo que elige la acción con mejor valor garantizado ante otra parte que minimiza nuestra utilidad.Fasc. 2 · Cap. 11
Minimización: Usar solo las señales necesarias para una finalidad concreta y descartar lo demás.Fasc. 9 · Cap. 2 Fasc. 11 · Cap. 11
Minimización de datos: Principio de recoger y conservar solo los datos necesarios para una finalidad concreta.Fasc. 8 · Cap. 6
Mitigación: Acción inmediata para reducir impacto aunque la causa profunda todavía no esté corregida.Fasc. 6 · Cap. 9
Mixture of Experts: Arquitectura con varios expertos donde solo algunos se activan por token o ejemplo.Fasc. 3 · Cap. 5
MLP: Red interna aplicada por posición después de la atención.Fasc. 3 · Cap. 4; Subred que transforma cada posición dentro del bloque.Fasc. 3 · Cap. 8
MLP (Perceptrón multicapa): Arquitectura de red neuronal donde cada neurona de una capa se conecta con todas las neuronas de la capa siguiente. Es la arquitectura más básica.Fasc. 1 · Cap. 5
MMR: Maximal Marginal Relevance, técnica para equilibrar relevancia y diversidad en resultados recuperados.Fasc. 4 · Cap. 7
Modalidad: Tipo de señal que entra o sale del sistema, como texto, imagen, audio, vídeo, documento, tabla, pantalla o acción.Fasc. 11 · Cap. 1
Model card: Ficha técnica de un modelo que resume arquitectura, tamaño, contexto, datos, licencia, evaluación y límites conocidos.Fasc. 3 · Cap. 1; Documento que explica uso previsto, límites, datos, métricas y resultados por segmentos de un modelo.Fasc. 7 · Cap. 5
Model reliance: Medida de cuánto depende un modelo de una variable al degradar rendimiento cuando se rompe su asociación con la salida.Fasc. 7 · Cap. 6
Modelfile: Fichero de Ollama que define modelo base, parámetros, plantilla, sistema, licencia y adaptadores.Fasc. 4 · Cap. 5
Modelo: Función matemática con parámetros aprendidos que transforma entradas en salidas.Fasc. 3 · Cap. 1
Modelo abierto: Modelo con permisos, documentación y artefactos suficientes para uso, estudio y adaptación.Fasc. 3 · Cap. 6
Modelo base: Modelo entrenado para predecir texto antes de adaptarlo para seguir instrucciones de usuario.Fasc. 3 · Cap. 1
Modelo instruido: Modelo post-entrenado para responder instrucciones, mantener formato conversacional y seguir preferencias humanas.Fasc. 3 · Cap. 1
Modelo local: Modelo ejecutado en tu máquina o infraestructura, no solo en una API externa.Fasc. 4 · Cap. 1; Modelo cuyos pesos se cargan y ejecutan en una máquina controlada por ti.Fasc. 4 · Cap. 5
Modelo SAT: Asignación concreta de valores booleanos que satisface todas las cláusulas de una fórmula.Fasc. 2 · Cap. 5
Modo degradado: Forma reducida de servicio que mantiene lo esencial cuando una ruta completa no está disponible.Fasc. 6 · Cap. 10
Modus ponens: Regla de inferencia: de A y A→B se deriva B.Fasc. 12 · Cap. 1
MoE: Arquitectura con varios expertos donde un router activa solo una parte del modelo para cada token.Fasc. 3 · Cap. 1 Fasc. 3 · Cap. 8; Arquitectura Mixture of Experts donde algunos bloques internos eligen expertos por token en lugar de activar una única red densa completa.Fasc. 4 · Cap. 3
Monte Carlo: Estimación de valores mediante simulaciones o muestras repetidas.Fasc. 2 · Cap. 11
Motor de inferencia: Mecanismo que aplica las reglas a los hechos para derivar conclusiones.Fasc. 12 · Cap. 4
MRR: Reciprocal rank medio de la primera evidencia relevante recuperada.Fasc. 4 · Cap. 10; Media del inverso de la posición del primer resultado relevante; mide cuánto tarda el ranking en encontrar algo útil.Fasc. 7 · Cap. 3 Fasc. 8 · Cap. 4 Fasc. 11 · Cap. 6
MRV: Heurística que elige primero la variable con menos valores legales restantes.Fasc. 2 · Cap. 7
MTTA: Tiempo medio hasta reconocer una incidencia desde que se detecta.Fasc. 6 · Cap. 9
MTTR: Tiempo medio hasta recuperar el servicio o la capacidad afectada.Fasc. 6 · Cap. 9
Muestreo: Proceso de elegir un valor concreto a partir de una distribución de probabilidad. En un LLM, se muestrea cuál será el siguiente token.Fasc. 1 · Cap. 2; Forma de elegir qué ejemplos entran en cada partición.Fasc. 8 · Cap. 3
Multi-head attention: Varias cabezas de atención en paralelo, cada una con sus propias proyecciones, que aprenden a mirar patrones distintos.Fasc. 3 · Cap. 2 Fasc. 3 · Cap. 3
Multi-query retrieval: Generación de varias consultas equivalentes o complementarias para mejorar recall.Fasc. 4 · Cap. 11
Multimodal: Modelo capaz de procesar más de un tipo de entrada, por ejemplo texto, imagen o audio.Bricoman(IA)
Multimodalidad: Integración de texto, imagen, audio, vídeo u otras señales.Fasc. 3 · Cap. 5; Capacidad de trabajar con texto, imagen, audio u otros datos convertidos a representaciones compatibles.Fasc. 3 · Cap. 8
Mutex: Relación que impide que dos acciones o hechos sean compatibles en el mismo paso.Fasc. 2 · Cap. 10

n_prompts: Número de prompts usados para ajustar o promediar una lens; más muestras suelen estabilizar la estimación, aunque no garantizan calidad por sí solas.Bricoman(IA)
Naive Bayes: Clasificador que aplica Bayes asumiendo independencia condicional entre rasgos.Fasc. 12 · Cap. 2
nDCG: Métrica que premia relevancia graduada y buenas posiciones en el ranking.Fasc. 4 · Cap. 10
nDCG@k: Métrica de ranking que premia recuperar documentos relevantes y colocarlos arriba, usando grados de relevancia.Fasc. 4 · Cap. 7 Fasc. 7 · Cap. 3 Fasc. 8 · Cap. 4 Fasc. 11 · Cap. 6
Negación por fallo: Concluir la negación de algo porque no se logra demostrarlo, como en Prolog.Fasc. 12 · Cap. 6
Negativo: Imagen o texto que no corresponde al par positivo y debe quedar más lejos.Fasc. 11 · Cap. 3
Negativo duro: Caso incorrecto muy parecido al positivo que revela una confusión útil para evaluar.Fasc. 11 · Cap. 3
Neuro-simbólico: Enfoque que combina redes neuronales con razonamiento simbólico explícito.Fasc. 12 · Cap. 4
Neurona artificial: Función matemática que recibe entradas numéricas, las multiplica por pesos, suma un sesgo y aplica una función de activación para producir una salida.Fasc. 1 · Cap. 4 Fasc. 1 · Cap. 12
Nodo de búsqueda: Asignación parcial visitada durante backtracking.Fasc. 2 · Cap. 7
Norma del gradiente: Medida del tamaño global de un gradiente. Ayuda a detectar gradientes que explotan, desaparecen o no actualizan de forma útil.Fasc. 1 · Cap. 6
Norma final: Normalización aplicada al residual stream antes del unembedding final.Bricoman(IA)
Normalización: Operación que estabiliza las activaciones para que las capas profundas sean más entrenables.Fasc. 3 · Cap. 2; Transformación que pone señales con escalas distintas en un rango comparable antes de sumarlas.Fasc. 8 · Cap. 4 Fasc. 10 · Cap. 6; Transformación que lleva los valores de píxel a una escala esperada por el modelo.Fasc. 11 · Cap. 2
NP-completo: Clase de los problemas más difíciles de NP; SAT fue el primero que se demostró NP-completo.Fasc. 2 · Cap. 5
NPU: Acelerador especializado en operaciones de redes neuronales, frecuente en móviles y portátiles modernos.Fasc. 3 · Cap. 7

Observabilidad: Capacidad de entender el estado interno de un sistema a partir de señales emitidas por sus componentes.Fasc. 6 · Cap. 4
Observabilidad de datos: Capacidad de detectar, explicar y trazar cambios de calidad, schema, volumen o distribución en datasets vivos.Fasc. 8 · Cap. 2
Observación: Evidencia del mundo real que confirma o corrige el estado esperado tras actuar.Fasc. 2 · Cap. 9; Resultado estructurado que vuelve al agente después de ejecutar o rechazar una tool.Fasc. 5 · Cap. 1 Fasc. 5 · Cap. 2 Fasc. 5 · Cap. 3; Estado que recibe el modelo: screenshot, URL, DOM, accessibility tree, texto visible, foco o logs.Fasc. 11 · Cap. 9
OCR: Reconocimiento óptico de caracteres: transforma imagen o PDF escaneado en texto con posiciones y confianza.Fasc. 11 · Cap. 5
ODCS: Open Data Contract Standard: una forma abierta de describir contratos de datos con schema, calidad, equipo, soporte y acuerdos de servicio.Fasc. 8 · Cap. 1
Odds igualadas: Criterio que compara a la vez tasas de verdaderos positivos y falsos positivos entre grupos.Fasc. 8 · Cap. 5
Offline RL: Aprendizaje por refuerzo que entrena o selecciona políticas usando un dataset fijo de experiencias.Fasc. 10 · Cap. 4
Olvido catastrófico: Pérdida de capacidades previas cuando se adapta un modelo con datos estrechos.Fasc. 3 · Cap. 6
One-hot encoding: Codificación que convierte una categoría en columnas binarias.Fasc. 8 · Cap. 4
Ontología: Modelo compartido que define clases, relaciones y restricciones de un dominio.Fasc. 2 · Cap. 12
OPE: Off-policy evaluation: estimar el valor de una política candidata con datos generados por otra política.Fasc. 10 · Cap. 4
Open weights: Pesos descargables, no necesariamente apertura completa.Fasc. 3 · Cap. 6; Modelo cuyos pesos se pueden descargar bajo una licencia concreta.Fasc. 4 · Cap. 5
Operador do: Notación de Pearl para una intervención: fijar una variable por la fuerza, no observarla.Fasc. 12 · Cap. 5
Optimizador: Algoritmo que decide cómo ajustar los pesos a partir de los gradientes calculados por la retropropagación para reducir la pérdida.Fasc. 1 · Cap. 7
OPTIONAL: Cláusula que añade datos si existen sin eliminar la solución principal.Fasc. 2 · Cap. 12
Opus: Códec de audio interactivo estandarizado por IETF y diseñado para voz y audio de baja latencia.Fasc. 11 · Cap. 7
Orquestación: Capa que decide qué agente, herramienta, protocolo o workflow debe ejecutar cada parte de una tarea.Fasc. 5 · Cap. 9; Diseño que decide qué componente actúa, con qué contexto, bajo qué contrato y con qué salida.Fasc. 5 · Cap. 12
Output validation: Validación de la salida antes de mostrarla, guardarla, enviarla a una tool o usarla como entrada de otro sistema.Fasc. 9 · Cap. 3
Overfitting: Fenómeno donde el modelo memoriza los datos de entrenamiento pero no generaliza a datos nuevos.Fasc. 1 · Cap. 11
OWL: Lenguaje para expresar ontologías con axiomas y restricciones ricas.Fasc. 2 · Cap. 12
Owner: Persona o equipo responsable de una decisión, control, revisión o evidencia.Fasc. 9 · Cap. 1
Owner de evidencia: Persona o equipo responsable de mantener, explicar y actualizar una evidencia concreta del expediente.Fasc. 8 · Cap. 8

P-tuning v2: Prompt tuning profundo con prompts continuos en varias capas.Fasc. 3 · Cap. 6
PagedAttention: Técnica de gestión de memoria para KV cache inspirada en paginación de sistemas operativos.Fasc. 3 · Cap. 7
Paquete de evidencias: Conjunto de trazas, métricas, versiones, decisiones y salidas necesarias para reconstruir una operación.Fasc. 6 · Cap. 10; Conjunto versionado de registros, evaluaciones, fichas, trazas, políticas y decisiones que permite auditar una capacidad de IA.Fasc. 9 · Cap. 1 Fasc. 9 · Cap. 4
Paquete de gobernanza: Carpeta reproducible con inventario, matriz de controles, decisión, plan de cierre, trazas y evidencias.Fasc. 9 · Cap. 5
Par positivo: Imagen y texto que deberían quedar cerca en el espacio de representación.Fasc. 11 · Cap. 3
Paradoja de Simpson: Una tendencia que aparece en grupos separados se invierte al juntarlos.Fasc. 12 · Cap. 5
Paralelismo: Capacidad de procesar muchos tokens a la vez, aprovechando operaciones de matrices en GPU.Fasc. 3 · Cap. 2
Parámetro: Cada uno de los números que el modelo ajusta durante el entrenamiento. Codifican patrones aprendidos, pero no son una base de datos ni una memoria recuperable de hechos.Fasc. 1 · Cap. 1 Fasc. 3 · Cap. 1 Fasc. 3 · Cap. 8
Parámetros activos: Parámetros que participan realmente en una pasada concreta.Fasc. 3 · Cap. 5; Parámetros realmente usados para procesar un token, distintos de los parámetros totales almacenados por el modelo.Fasc. 4 · Cap. 3
Paridad demográfica: Criterio que compara tasas de selección entre grupos.Fasc. 8 · Cap. 5
Parser: Pieza que extrae texto y estructura de un archivo o fuente.Fasc. 4 · Cap. 9
Pases indebidos: Casos que el evaluador aprueba aunque la referencia humana los rechaza.Fasc. 7 · Cap. 4
Patch: Bloque rectangular de la imagen que se trata como unidad de entrada visual.Fasc. 11 · Cap. 2
Payload: Metadata asociada a un vector, como fecha, permisos, curso, idioma o fuente.Fasc. 4 · Cap. 8
Peeking: Mirar resultados repetidamente y decidir sin una regla de análisis planificada.Fasc. 8 · Cap. 7
PEFT: Familia de técnicas de ajuste eficiente de parámetros.Fasc. 3 · Cap. 6
Perplexity: Exponencial de la pérdida media por token; el número efectivo de opciones entre las que duda el modelo en cada paso.Fasc. 3 · Cap. 1
Peso: Número que multiplica una entrada de la neurona. Representa la importancia o relevancia de esa entrada para la salida.Fasc. 1 · Cap. 4
PII multimodal: Dato personal que aparece en texto, OCR, imagen, audio, vídeo, metadatos, pantalla, traza o dataset de evaluación.Fasc. 11 · Cap. 11
Pipeline: Encadenamiento reproducible de transformaciones y modelo para evitar preprocesado suelto.Fasc. 8 · Cap. 4; Secuencia reproducible de pasos que transforma entradas en artefactos.Fasc. 8 · Cap. 6
Pipeline de preprocesamiento: Secuencia de transformaciones y modelo donde las operaciones que aprenden parámetros hacen fit solo con train.Fasc. 8 · Cap. 3
Pixel: Unidad mínima de una imagen raster. En RGB suele tener tres valores: rojo, verde y azul.Fasc. 11 · Cap. 2
Plan candidato: Secuencia de acciones que se puede ejecutar desde el estado inicial y que solo es solución si termina en una meta.Fasc. 2 · Cap. 1
Plan de análisis: Documento previo que fija hipótesis, métricas, ventanas, exclusiones y reglas de decisión.Fasc. 8 · Cap. 7
Plan relajado: Aproximación que ignora algunos efectos negativos para estimar distancia al objetivo.Fasc. 2 · Cap. 10
Plan-Execute-Verify: Patrón que separa plan, ejecución y verificación para recuperar errores.Fasc. 5 · Cap. 5
Planificación automática: Búsqueda de una secuencia de acciones que transforma un estado inicial en un objetivo.Fasc. 2 · Cap. 9
Planificación con SAT: Codificación de un problema de planificación como una fórmula booleana satisfacible o insatisfacible.Fasc. 2 · Cap. 10
Plantilla de PR: Documento de revisión que obliga a declarar cambio, evidencia, sensibilidad, trazas y riesgo residual.Fasc. 10 · Cap. 6
Platt scaling: Método de calibración que ajusta una sigmoide sobre un score bruto.Fasc. 7 · Cap. 5
Plausibilidad: Grado en que una explicación suena razonable para una persona, aunque no necesariamente sea fiel al modelo.Fasc. 7 · Cap. 6
Poda alfa-beta: Optimización de minimax que descarta ramas que ya no pueden cambiar la decisión final.Fasc. 2 · Cap. 11
Point-in-time correctness: Garantía de que cada feature usada en una fila estaba disponible en el momento de decisión de esa fila.Fasc. 8 · Cap. 3 Fasc. 8 · Cap. 4
Policy decision point: Componente que decide si una acción se permite, se deniega o se escala antes de ejecutarla.Fasc. 2 · Cap. 8
Policy gate: Validador que decide si una acción se ejecuta, pide aprobación, se revisa o se bloquea.Fasc. 11 · Cap. 9
Policy-as-code: Forma de expresar reglas de autorización, egress o cumplimiento en código versionado y testeable, por ejemplo con Rego/OPA o Cedar.Fasc. 11 · Cap. 11
Política: Regla o modelo que elige la siguiente acción a partir del estado y las acciones disponibles.Fasc. 2 · Cap. 4 Fasc. 5 · Cap. 2 Fasc. 10 · Cap. 1
Política candidata: Nueva versión de política que se compara contra una política estable antes de aumentar tráfico.Fasc. 10 · Cap. 7
Política de comportamiento: Política histórica que produjo los datos observados.Fasc. 10 · Cap. 4
Política de decisión: Regla que transforma el estado y las acciones disponibles en una acción concreta, combinando elegibilidad y ranking.Fasc. 2 · Cap. 4
Política de permisos: Regla que decide quién puede ejecutar qué acción bajo qué condiciones.Fasc. 2 · Cap. 8; Reglas que deciden si una acción se permite, se bloquea o pide aprobación.Fasc. 5 · Cap. 8
Política de reserva: Política estable a la que el sistema vuelve si un gate de serving bloquea.Fasc. 10 · Cap. 7
Política objetivo: Política nueva que queremos evaluar sin ejecutarla todavía.Fasc. 10 · Cap. 4
Política óptima: Política que maximiza el retorno esperado desde cada estado bajo el modelo definido.Fasc. 10 · Cap. 1
POMDP: MDP parcialmente observable: el agente no ve el estado real, solo observaciones parciales.Fasc. 2 · Cap. 4
Posición -1: Último token del prompt; se usa para analizar el ranking asociado a la predicción del siguiente token.Bricoman(IA)
Posición -2: Penúltimo token del prompt; permite comparar la lectura interna antes del punto exacto de predicción.Bricoman(IA)
Post-training: Fase posterior al pre-entrenamiento donde se ajusta comportamiento con ejemplos, preferencias, recompensas o verificadores.Fasc. 10 · Cap. 5
Postmortem: Documento de aprendizaje que registra impacto, línea temporal, causas contribuyentes y acciones de mejora.Fasc. 6 · Cap. 9; Documento técnico que explica impacto, señales, causa probable y acciones correctivas de una incidencia.Fasc. 8 · Cap. 6
Pre-entrenamiento: Fase inicial en la que un modelo aprende patrones generales a partir de grandes cantidades de datos antes de adaptarse a una tarea concreta.Fasc. 1 · Cap. 3
Pre-norm: Disposición que aplica la normalización antes de cada subcapa, dejando limpia la vía residual.Fasc. 3 · Cap. 4
Precision: De los positivos predichos, proporción que realmente era positiva.Fasc. 7 · Cap. 2
Precisión de revisión: Proporción de casos marcados por un detector que realmente eran problemas tras revisión.Fasc. 8 · Cap. 2
Precision@k: Proporción de resultados relevantes entre los k primeros recuperados.Fasc. 4 · Cap. 10 Fasc. 7 · Cap. 3
Precondición: Condición verificable que debe cumplirse antes de ejecutar una tool.Fasc. 2 · Cap. 9 Fasc. 5 · Cap. 2 Fasc. 5 · Cap. 3
Predicado: Hecho verificable que puede ser verdadero o falso en un estado.Fasc. 2 · Cap. 9
Preferencia pareada: Registro donde, para un mismo prompt, una respuesta se marca como preferida frente a otra.Fasc. 10 · Cap. 5
Prefill: Fase en la que el modelo procesa todo el contexto inicial antes de emitir el primer token.Fasc. 3 · Cap. 7 Fasc. 3 · Cap. 8 Fasc. 4 · Cap. 3 Fasc. 6 · Cap. 3
Prefix tuning: Vectores de prefijo aprendidos para condicionar la generación sin actualizar todos los pesos.Fasc. 3 · Cap. 6
Pregunta de competencia: Pregunta que la ontología debería poder responder y que define su alcance.Fasc. 2 · Cap. 12
Presupuesto de error: Error budget: margen de fallo permitido por un SLO antes de detener cambios o investigar degradaciones.Fasc. 6 · Cap. 1 Fasc. 8 · Cap. 6
Presupuesto de error de datos: Margen de fallos tolerables antes de bloquear, revisar o rehacer el snapshot.Fasc. 8 · Cap. 2
Presupuesto de exploración: Límite explícito de tráfico, coste o casos donde se permite probar acciones inciertas.Fasc. 10 · Cap. 3
Presupuesto de pasos: Límite máximo de llamadas, búsquedas o acciones permitidas antes de responder o abstenerse.Fasc. 4 · Cap. 11
Presupuesto de tarea: Límite explícito de tiempo, coste, tokens, reintentos y capacidad permitido para una tarea.Fasc. 6 · Cap. 5
Presupuesto de tokens: Reparto planificado de tokens entre instrucciones, contexto, tools, documentos y salida.Fasc. 4 · Cap. 3
Presupuesto operativo: Límite de tokens, latencia, coste, memoria, pasos o consultas permitido para una tarea.Fasc. 4 · Cap. 13 Fasc. 5 · Cap. 1 Fasc. 5 · Cap. 6
Prevalencia: Frecuencia base de la clase positiva en el conjunto o en producción.Fasc. 7 · Cap. 2
Probabilidad calibrada: Score cuyo valor coincide, en promedio, con la proporción real de aciertos de casos parecidos.Fasc. 7 · Cap. 5
Probabilidad condicional: Probabilidad de un suceso dado que otro ha ocurrido, P(A|B).Fasc. 12 · Cap. 2
Probabilidad posterior: Creencia en la hipótesis después de incorporar la evidencia.Fasc. 12 · Cap. 2
Probabilidad previa: Creencia en una hipótesis antes de ver la evidencia.Fasc. 12 · Cap. 2
Problema PDDL: Instancia concreta con objetos, estado inicial y objetivo.Fasc. 2 · Cap. 9
Product Quantization: Técnica de cuantización que comprime vectores dividiéndolos en subespacios para búsqueda de vecinos cercanos.Fasc. 8 · Cap. 4
Producto escalar: Operación que multiplica dos vectores componente a componente y suma los resultados.Fasc. 1 · Cap. 4
Producto punto: Suma de productos entre dos vectores; mide afinidad en atención.Fasc. 3 · Cap. 3
Profundidad: Número de capas con parámetros. Aumentarla permite composiciones más ricas, pero complica entrenamiento, latencia y depuración.Fasc. 1 · Cap. 5
Progresión: Búsqueda del plan hacia delante, desde el estado inicial hacia el objetivo.Fasc. 2 · Cap. 9
Promedio: Agregación sobre prompts, posiciones o capas; en una Jacobian lens se trabaja con una transformación media, no con una verdad puntual absoluta.Bricoman(IA)
Prompt: Entrada que guía al modelo en una petición.Fasc. 4 · Cap. 1
Prompt aislado: Petición a un modelo para producir una respuesta sin ejecutar pasos externos ni mantener estado operativo.Fasc. 5 · Cap. 1
Prompt caching: Reutilizacion de un prefijo repetido para reducir coste o latencia cuando el proveedor lo soporta.Fasc. 4 · Cap. 3
Prompt injection: Ataque que cuela instrucciones en una entrada o un dato recuperado para que el modelo se salte sus reglas.Fasc. 2 · Cap. 8; Situación en la que una entrada intenta cambiar la prioridad de instrucciones o hacer que el modelo trate datos como órdenes.Fasc. 9 · Cap. 3
Prompt injection visual: Texto dentro de una imagen o vídeo que intenta actuar como instrucción para el sistema.Fasc. 11 · Cap. 8
Prompt injection web: Contenido de una página o pantalla que intenta convertirse en instrucción para el agente.Fasc. 11 · Cap. 9
Prompt tuning: Vectores de prompt continuos aprendidos que condicionan el modelo congelado.Fasc. 3 · Cap. 6
Propagación: Reducción de dominios usando restricciones antes o durante la búsqueda.Fasc. 2 · Cap. 7
Propagación unitaria: Regla que fuerza el valor del único literal libre de una cláusula cuando los demás ya son falsos.Fasc. 2 · Cap. 5
Propensión: Probabilidad con la que la política que produjo el dato eligió la acción registrada.Fasc. 10 · Cap. 2 Fasc. 10 · Cap. 4
Propensity score: Probabilidad estimada de recibir tratamiento dado el contexto observado.Fasc. 8 · Cap. 7
Propiedad: Relación o atributo que conecta entidades o asigna valores.Fasc. 2 · Cap. 12
Proxy: Variable que puede representar indirectamente otra información sensible, operativa o causalmente confusa.Fasc. 7 · Cap. 6; Medida indirecta usada porque el objetivo real es difícil de observar.Fasc. 10 · Cap. 6
Proyección lineal: Multiplicación por una matriz y suma de sesgo para transformar un vector de patch al tamaño interno del modelo.Fasc. 11 · Cap. 2
Prueba de borrado: Comprobación que elimina o neutraliza una feature relevante para ver cuánto cambia la salida.Fasc. 7 · Cap. 6
PSI: Population Stability Index: señal numérica para comparar si una distribución actual se aleja de una distribución de referencia.Fasc. 8 · Cap. 1 Fasc. 8 · Cap. 6 Fasc. 10 · Cap. 7
PTQ: Cuantización posterior al entrenamiento, aplicada sin reentrenar todo el modelo.Fasc. 4 · Cap. 5
Punto de equilibrio: Volumen de uso donde el coste local y el coste cloud se igualan bajo unas hipótesis.Fasc. 4 · Cap. 6
Puntualidad: Capacidad de que el dato llegue antes del cierre operativo de la ventana en la que se necesita.Fasc. 8 · Cap. 6
Purga: Eliminación o separación de ejemplos demasiado cercanos entre splits.Fasc. 8 · Cap. 3

Q-Former: Módulo con queries aprendidas usado en BLIP-2 para extraer información visual relevante antes de pasarla a un LLM.Fasc. 11 · Cap. 4
Q-learning: Algoritmo libre de modelo que actualiza valores acción-estado a partir de experiencia observada.Fasc. 10 · Cap. 1
Q4_K_M: Variante GGUF de cuantización de 4 bits con mezcla de bloques, usada como equilibrio práctico.Fasc. 4 · Cap. 5
QLoRA: LoRA sobre pesos base cuantizados para reducir memoria de entrenamiento.Fasc. 3 · Cap. 6 Fasc. 3 · Cap. 8
QMS: Quality Management System: sistema de gestión de calidad, usado en el AI Act para procesos de proveedores de sistemas de alto riesgo.Fasc. 9 · Cap. 4
Qrel: Juicio de relevancia que conecta una pregunta con los chunks que deberían aparecer en la recuperación.Fasc. 4 · Cap. 10 Fasc. 7 · Cap. 3
qrels: Juicios de relevancia por consulta y fuente; permiten evaluar el ranking con algo más serio que impresión visual.Fasc. 11 · Cap. 6
Query (Q): Proyección que representa lo que una posición busca en el contexto.Fasc. 3 · Cap. 3
Query decomposition: División de una pregunta compleja en subpreguntas recuperables y verificables.Fasc. 4 · Cap. 11
Query plan: Plan que calcula el motor de base de datos para ejecutar una consulta.Fasc. 4 · Cap. 12

RACI: Matriz que aclara quién ejecuta, quién aprueba, quién aporta criterio y quién debe ser informado.Fasc. 9 · Cap. 1
RAG: Arquitectura que recupera documentos o datos externos antes de generar una respuesta, para que el modelo no dependa solo de sus patrones internos.Fasc. 1 · Cap. 1 Fasc. 4 · Cap. 1 Fasc. 4 · Cap. 9
RAG leakage: Contaminación en sistemas con recuperación cuando documentos, chunks, preguntas o respuestas esperadas cruzan splits indebidamente.Fasc. 8 · Cap. 3
RAG multimodal: Arquitectura que recupera evidencias en varias modalidades (texto, imagen, página, tabla, audio o vídeo) antes de construir una respuesta.Fasc. 4 · Cap. 9 Fasc. 11 · Cap. 6
RAM compartida: Memoria principal usada por CPU o por sistemas con memoria unificada.Fasc. 4 · Cap. 5
Rango de un token: Posición de un token dentro del ranking de logits; rango 1 significa que es el candidato más alto.Bricoman(IA)
RAPTOR: Recuperación jerárquica basada en árboles de resúmenes de chunks.Fasc. 4 · Cap. 11
Razonamiento bajo incertidumbre: Sacar conclusiones cuando los hechos no son ni del todo ciertos ni del todo falsos.Fasc. 12 · Cap. 7
Razonamiento monótono: Razonamiento en el que añadir información nunca retira una conclusión previa.Fasc. 12 · Cap. 6
Razonamiento no monótono: Razonamiento que puede retractar conclusiones al llegar información nueva.Fasc. 12 · Cap. 6
Razonamiento simbólico: Razonar manipulando símbolos y reglas explícitas, no pesos numéricos opacos.Fasc. 12 · Cap. 7
RDFS: Vocabulario para declarar clases, subclases, dominio y rango sobre RDF.Fasc. 2 · Cap. 12
Re-split: Nueva versión de partición creada cuando cambian datos, política, ventana temporal o reglas de uso.Fasc. 8 · Cap. 3
ReAct: Patrón de agente que intercala razonar, actuar sobre el entorno y observar el resultado, repitiendo el ciclo.Fasc. 2 · Cap. 4 Fasc. 2 · Cap. 10 Fasc. 5 · Cap. 5
Read-only: Modo de conexión que permite leer datos pero no modificarlos.Fasc. 4 · Cap. 12
Readiness review: Revisión previa a producción que verifica si el sistema está preparado para ser operado.Fasc. 6 · Cap. 10
Reading order: Orden en que debería leerse el contenido de una página, especialmente cuando hay columnas, tablas o notas.Fasc. 11 · Cap. 5
Reanudación: Continuación controlada de una run después de una decisión humana o automática.Fasc. 6 · Cap. 8
Recall: De los positivos reales, proporción que el sistema encuentra.Fasc. 7 · Cap. 2
Recall de revisión: Proporción de problemas reales que el detector fue capaz de proponer para revisión.Fasc. 8 · Cap. 2
Recall operativo: Cobertura de positivos reales contando como cubiertos los detectados automáticamente y los enviados a revisión.Fasc. 7 · Cap. 2
Recall@k: Proporción de consultas donde el elemento correcto aparece entre los k primeros resultados.Fasc. 4 · Cap. 7 Fasc. 4 · Cap. 10 Fasc. 7 · Cap. 3 Fasc. 11 · Cap. 3; Métrica de recuperación que mide qué parte de los documentos relevantes aparece entre los k primeros resultados.Fasc. 8 · Cap. 4
Recompensa tardía: Resultado que llega después de la acción y exige una regla explícita de atribución.Fasc. 10 · Cap. 2
Recourse: Cambio accionable que una persona o equipo puede realizar para mover una decisión o resolver un caso.Fasc. 7 · Cap. 6
Red bayesiana: Grafo dirigido acíclico que factoriza una distribución conjunta mediante CPT.Fasc. 12 · Cap. 2
Red neuronal: Grafo dirigido de neuronas artificiales organizadas en capas, donde cada capa transforma los datos y los pasa a la siguiente.Fasc. 1 · Cap. 5; Composición de muchas neuronas en capas que aprenden representaciones cada vez más útiles.Fasc. 1 · Cap. 12
Redacción: Eliminación o sustitución de una entidad sensible antes de enviar, guardar, evaluar o mostrar un artefacto.Fasc. 11 · Cap. 11
Redacción de logs: Técnica para no conservar datos innecesarios en logs, trazas o eventos operativos.Fasc. 9 · Cap. 1
Redacción de trazas: Eliminación o sustitución de datos innecesarios en logs y trazas antes de conservarlos.Fasc. 9 · Cap. 2
Refinamiento iterativo: Mejorar una propuesta paso a paso usando el feedback de cada intento.Fasc. 5 · Cap. 11
Reflection: Patrón generar, criticar y revisar antes de entregar una salida.Fasc. 5 · Cap. 5
Refutación: Probar que algo se deduce demostrando que su negación lleva a contradicción (cláusula vacía).Fasc. 12 · Cap. 1
Refutador causal: Prueba que intenta romper una conclusión causal con placebo, control negativo, subconjuntos o supuestos alternativos.Fasc. 8 · Cap. 7
Región: Ubicación geográfica donde se procesa o almacena una carga de trabajo.Fasc. 4 · Cap. 6
Registro postdespliegue: Conjunto de señales, incidencias, métricas, cambios y revisiones posteriores a la publicación.Fasc. 9 · Cap. 4
Regla de la cadena: Propiedad del cálculo que permite derivar funciones compuestas descomponiéndolas en el producto de derivadas de sus partes.Fasc. 1 · Cap. 6
Regresión: Tarea de ML donde la salida es un valor numérico continuo. El modelo predice una magnitud.Fasc. 1 · Cap. 11; Búsqueda del plan hacia atrás, desde el objetivo hacia el estado inicial.Fasc. 2 · Cap. 9; Empeoramiento observable de una métrica o comportamiento que antes funcionaba.Fasc. 5 · Cap. 10
Regression discontinuity: Diseño que estima efecto cerca de un umbral de asignación.Fasc. 8 · Cap. 7
Regression gate: Regla automática que impide publicar si bajan métricas críticas, aparece un bloqueo o falla un slice sensible.Fasc. 11 · Cap. 10
Regression set: Conjunto de casos que nacen de fallos ya corregidos para que no vuelvan a aparecer.Fasc. 6 · Cap. 6
Regret: Pérdida acumulada frente a elegir la mejor acción disponible en cada ronda.Fasc. 10 · Cap. 3
Relajación: Técnica para obtener una heurística admisible resolviendo una versión del problema con alguna restricción eliminada.Fasc. 2 · Cap. 3
Relajación sin borrados: Versión simplificada del problema que ignora todos los efectos de borrado; su coste (h+) es una heurística informada.Fasc. 2 · Cap. 10
Release: Acto de exponer una capacidad a usuarios, tenants, tareas o porcentaje de tráfico.Fasc. 6 · Cap. 7
Release gate: Condición automática o revisable que decide si un cambio puede pasar a otra fase.Fasc. 6 · Cap. 1; Regla de publicación que combina calidad, riesgo, coste, latencia, fallos y evidencias mínimas.Fasc. 11 · Cap. 12
Release multimodal: Decisión de publicar, revisar o bloquear un sistema que usa varias modalidades, sustentada en evidencias, métricas, riesgo y operación.Fasc. 11 · Cap. 12
Relevancia anotada: Conjunto revisado de qué documentos o casos deberían considerarse respuesta correcta para una consulta.Fasc. 8 · Cap. 4
Reliability diagram: Gráfico que compara confianza media y accuracy real por banda.Fasc. 7 · Cap. 5
ReLU: Función de activación que devuelve el máximo entre 0 y la entrada: max(0, x). Es la más usada en capas ocultas por su simplicidad y eficiencia.Fasc. 1 · Cap. 4
Remediación: Cambio concreto para cerrar una evidencia faltante, un control ausente, una métrica pobre o un riesgo no mitigado.Fasc. 11 · Cap. 12
Replanificación: Proceso de construir un nuevo plan cuando el estado observado no coincide con el esperado.Fasc. 2 · Cap. 9
Replay: Reproducción de una traza para depurar o evaluar una ejecución.Fasc. 11 · Cap. 9
Replay buffer: Almacén versionado de experiencias usado para análisis, entrenamiento o evaluación offline.Fasc. 10 · Cap. 2
Representación: Forma numérica de describir un dato para que un algoritmo pueda operarlo.Fasc. 8 · Cap. 4; Vector, tensor o estructura interna que permite operar con una señal después de codificarla.Fasc. 11 · Cap. 1
Reranker: Modelo o regla que reordena candidatos después de la recuperación inicial.Fasc. 4 · Cap. 9
Residencia de datos: Restricción que fija dónde deben procesarse o almacenarse los datos.Fasc. 4 · Cap. 6
Residual: Conexión que suma la entrada de un bloque a su salida para conservar información y facilitar el entrenamiento.Fasc. 3 · Cap. 2 Fasc. 3 · Cap. 8
Residual stream: Flujo vectorial que atraviesa las capas de un transformer y va acumulando contribuciones de atención y MLP.Bricoman(IA); Flujo principal de activaciones al que cada subcapa suma correcciones.Fasc. 3 · Cap. 8
Resolución: Regla de inferencia que, de dos cláusulas con un literal complementario, deriva una nueva cláusula.Fasc. 12 · Cap. 1
Resolución de conflictos: Criterio para elegir qué regla disparar cuando varias son aplicables.Fasc. 12 · Cap. 4
Restricción binaria: Regla que relaciona dos variables.Fasc. 2 · Cap. 6
Restricción blanda: Preferencia que puede incumplirse pagando una penalización, a diferencia de una regla dura.Fasc. 2 · Cap. 5
Restricción dura: Regla que una solución no puede violar si quiere ser aceptada.Fasc. 2 · Cap. 5; Condición que bloquea una respuesta aunque su puntuación ponderada sea alta.Fasc. 10 · Cap. 6
Restricción global: Regla que afecta a muchas variables a la vez.Fasc. 2 · Cap. 6
Restricción unaria: Regla que afecta a una sola variable.Fasc. 2 · Cap. 6
Result-set match: Comparación entre las filas esperadas y las filas devueltas por una consulta.Fasc. 4 · Cap. 12
Resultado: Variable que queremos cambiar o medir después de la intervención.Fasc. 8 · Cap. 7
Retención: Tiempo durante el que un proveedor o sistema conserva datos, logs o estado de aplicación.Fasc. 4 · Cap. 6; Tiempo durante el cual se conserva un artefacto bruto, redactado, de evaluación o de incidente.Fasc. 9 · Cap. 2 Fasc. 11 · Cap. 11
Retorno: Suma de recompensas futuras que mide el valor acumulado de una trayectoria.Fasc. 2 · Cap. 11 Fasc. 10 · Cap. 1
Retrieval: Paso que busca los fragmentos más relevantes para una consulta.Fasc. 4 · Cap. 9
Retrieval híbrido: Recuperación que combina búsqueda vectorial, búsqueda léxica y filtros.Fasc. 4 · Cap. 9
Retropropagación (backpropagation): Algoritmo que calcula el gradiente del error respecto a cada parámetro propagando el error desde la salida hacia las capas anteriores mediante la regla de la cadena.Fasc. 1 · Cap. 6
Retry: Nuevo intento de la misma operación bajo condiciones controladas.Fasc. 6 · Cap. 5
Revisión de creencias: Incorporar a una base de conocimiento un hecho nuevo manteniéndola consistente.Fasc. 12 · Cap. 6
Revisión humana: Decisión explícita tomada por una persona sobre una acción, salida o caso que el sistema no debería resolver solo.Fasc. 6 · Cap. 8
Reward card: Documento que especifica objetivo, términos de recompensa, límites, casos de prueba y criterios de publicación.Fasc. 10 · Cap. 6 Fasc. 10 · Cap. 8
Reward drift: Cambio en la relación entre recompensa medida y resultado real conforme cambian datos, usuarios o política.Fasc. 10 · Cap. 6
Reward engineering: Diseño, versionado y auditoría de la señal que una política intenta optimizar.Fasc. 10 · Cap. 6
Reward hacking: Optimizar la métrica medida en lugar del objetivo real, explotando un verificador imperfecto.Fasc. 5 · Cap. 11
Reward model: Modelo que transforma una respuesta candidata en una puntuación usada como señal de optimización.Fasc. 10 · Cap. 5
Riesgo: Posibilidad de que una decisión técnica produzca una consecuencia no deseada, medida por probabilidad, impacto, exposición y detección.Fasc. 9 · Cap. 1
Riesgo residual: Riesgo que queda después de aplicar controles y que alguien debe aceptar, reducir o bloquear.Fasc. 9 · Cap. 1
Riesgo residual aceptado: Riesgo que queda tras controles y que se acepta explícitamente con owner y condiciones.Fasc. 9 · Cap. 5
Riesgo-cobertura: Relación entre cuántos casos automatizas y cuánto error queda en los casos automatizados.Fasc. 7 · Cap. 5
RLAIF: Uso de feedback generado por IA para escalar preferencias, críticas o revisiones bajo principios explícitos.Fasc. 10 · Cap. 5
RLHF: Técnica de post-entrenamiento donde personas evalúan o comparan respuestas del modelo y esa señal se usa para alinear su comportamiento con preferencias humanas.Fasc. 1 · Cap. 1 Fasc. 1 · Cap. 3; Aprendizaje por refuerzo con feedback humano, normalmente usando un modelo de recompensa entrenado con comparaciones.Fasc. 10 · Cap. 5
RLVR: Refuerzo con recompensas verificables, como tests, checkers, graders o soluciones objetivas.Fasc. 10 · Cap. 5
RMSNorm: Normalización que reescala por la raíz cuadrática media del vector, sin restar la media; más simple que LayerNorm.Fasc. 3 · Cap. 4; Normalización basada en raíz cuadrática media usada en muchos decoders modernos.Fasc. 3 · Cap. 8
RNN (Recurrent Neural Network): Arquitectura que procesa secuencias elemento a elemento, manteniendo un estado oculto que resume lo visto hasta el momento.Fasc. 1 · Cap. 8
Rol: Etiqueta que indica qué función cumple un mensaje dentro de la petición.Fasc. 4 · Cap. 2
Roll forward: Corregir avanzando a otra versión nueva cuando volver atrás no es la mejor opción.Fasc. 6 · Cap. 7
Rollback: Mecanismo preparado para volver a una versión anterior cuando una versión nueva degrada el sistema.Fasc. 6 · Cap. 1 Fasc. 6 · Cap. 7
Rollout: Despliegue progresivo de una variante con pasos y criterios de parada.Fasc. 8 · Cap. 7; Aumento gradual de exposición de una política o variante.Fasc. 10 · Cap. 7
RoPE: Codificación posicional rotatoria que incorpora orden en consultas y claves de atención.Fasc. 3 · Cap. 8
Router: Módulo que asigna tokens a expertos mediante puntuaciones aprendidas.Fasc. 3 · Cap. 5; Componente que decide qué índice, corpus, herramienta o flujo usar para una pregunta.Fasc. 4 · Cap. 11; Componente que selecciona una ruta de ejecución usando reglas, señales, costes y estado.Fasc. 5 · Cap. 9 Fasc. 6 · Cap. 5
Router MoE: Módulo aprendido que asigna cada token a uno o varios expertos dentro de una capa MoE.Fasc. 4 · Cap. 3
Row limit: Límite máximo de filas que puede devolver una consulta.Fasc. 4 · Cap. 12
Row-level security: Regla que limita qué filas puede ver cada usuario o rol dentro de una tabla.Fasc. 4 · Cap. 12
RPO: Pérdida máxima aceptable de datos o estado medida como tiempo.Fasc. 6 · Cap. 10
RRF: Método que fusiona rankings usando la posición de cada documento en varias listas.Fasc. 4 · Cap. 8 Fasc. 4 · Cap. 9
RTF: Real-Time Factor: relación entre tiempo de procesamiento y duración del audio.Fasc. 11 · Cap. 7
RTO: Tiempo máximo objetivo para recuperar una capacidad después de una interrupción.Fasc. 6 · Cap. 10
Rúbrica: Criterios explícitos que convierten una evaluación cualitativa en una puntuación comparable.Fasc. 5 · Cap. 10 Fasc. 7 · Cap. 1 Fasc. 7 · Cap. 4
Ruido de etiqueta: Diferencia entre la etiqueta registrada y la etiqueta que debería tener el ejemplo según la política.Fasc. 8 · Cap. 2
Run: Ejecución concreta de un pipeline con entradas, salidas, versión y resultado.Fasc. 8 · Cap. 6
Runbook: Procedimiento operativo que dice qué hacer cuando un gate falla o una release debe revertirse.Fasc. 6 · Cap. 6 Fasc. 8 · Cap. 6; Procedimiento operativo versionado que dice qué mirar, qué decidir, qué ejecutar y cómo comprobar el resultado.Fasc. 6 · Cap. 10; Documento operativo que indica qué mirar y qué hacer cuando el gate pasa o bloquea.Fasc. 10 · Cap. 7; Procedimiento operativo para responder a un incidente o bloqueo de privacidad/seguridad.Fasc. 11 · Cap. 11
Runtime: Programa que carga pesos, gestiona memoria y ejecuta inferencia.Fasc. 4 · Cap. 5; Capa que ejecuta llamadas reales: modelo, tools, colas, timeouts, reintentos y streaming.Fasc. 6 · Cap. 1; Capa que recibe una petición real, coordina dependencias, llama al modelo y devuelve una salida trazable.Fasc. 6 · Cap. 2
Runtime de agente: Capa que ejecuta el bucle entre modelo, tools, estado, sesiones, handoffs y trazas.Fasc. 5 · Cap. 7

Salida estructurada: Respuesta obligada a seguir un schema verificable.Fasc. 4 · Cap. 1 Fasc. 4 · Cap. 2
Sampling: Proceso de elegir el siguiente token a partir de una distribución.Fasc. 3 · Cap. 4 Fasc. 3 · Cap. 8
Sanity check: Prueba que comprueba si una explicación responde al modelo y a los datos o si permanece igual ante controles absurdos.Fasc. 7 · Cap. 6
SAT: Problema de decidir si existe una asignación de verdadero/falso que hace verdadera una fórmula booleana.Fasc. 2 · Cap. 5
Satisfacibilidad: Una fórmula es satisfacible si existe al menos una interpretación que la hace verdadera.Fasc. 12 · Cap. 1
Scaling law: Relación matemática predecible entre la cantidad de datos, parámetros y computación invertidos en el entrenamiento y el rendimiento resultante del modelo.Fasc. 1 · Cap. 3
Schema: Contrato formal que define campos, tipos, valores permitidos y requisitos de entrada o salida.Fasc. 2 · Cap. 8 Fasc. 4 · Cap. 2 Fasc. 5 · Cap. 3 Fasc. 8 · Cap. 2
Schema evolution: Gestión controlada de cambios en columnas, tipos, catálogos y significado de un dataset.Fasc. 8 · Cap. 1 Fasc. 8 · Cap. 2
Schema linking: Proceso de vincular palabras de la pregunta con tablas, columnas, claves y valores de la base de datos.Fasc. 4 · Cap. 12
Scope: Alcance exacto donde un permiso es válido: usuario, recurso, acción, tiempo y entorno.Fasc. 5 · Cap. 8
Score bruto: Puntuación salida del modelo antes de calibrar o convertirla en política.Fasc. 7 · Cap. 5
Score de no conformidad: Medida de rareza o desacuerdo usada para decidir si una predicción entra en un conjunto conformal.Fasc. 7 · Cap. 5
Scorecard: Resumen firmado de métricas, umbrales, datasets, versiones y decisión de release.Fasc. 6 · Cap. 6; Resumen trazable de métricas, costes, regresiones y decisión final.Fasc. 7 · Cap. 1
SDK: Biblioteca cliente que envuelve una API para manejar autenticación, tipos, errores, streaming y subida de archivos desde un lenguaje concreto.Fasc. 4 · Cap. 2; Librería y convenciones que facilitan usar una plataforma desde código.Fasc. 5 · Cap. 7
Secret revocation: Invalidar una clave o token expuesto antes de discutir si la exposición tuvo impacto.Fasc. 11 · Cap. 11
Secreto multimodal: Clave, token, endpoint, configuración interna o dato operativo sensible visible en una captura, log, frame, transcript o documento.Fasc. 11 · Cap. 11
Self-consistency: Generar varias soluciones y escoger la respuesta más consistente.Fasc. 3 · Cap. 5
Self-RAG: Enfoque donde el modelo aprende o usa señales para decidir cuándo recuperar y criticar su respuesta.Fasc. 4 · Cap. 11
Semantic layer: Capa que define métricas, dimensiones y reglas de negocio antes de generar consultas.Fasc. 4 · Cap. 12
Sensibilidad: Nivel de cuidado que exige un dato por privacidad, permisos, licencia o impacto operativo.Fasc. 8 · Cap. 1
Sensibilidad de pesos: Análisis de cuánto cambian las decisiones cuando varían los pesos de la recompensa.Fasc. 10 · Cap. 6
Sensor: Señal observable que permite saber qué pasó durante una ejecución.Fasc. 5 · Cap. 6
SentencePiece: Familia de tokenizadores de subpalabras que puede entrenarse directamente sobre texto crudo y tratar espacios como parte del problema.Fasc. 4 · Cap. 3
Serving: Sistema que ejecuta modelos para usuarios reales.Fasc. 3 · Cap. 8; Capa que mantiene modelos cargados y atiende peticiones de inferencia bajo límites de latencia, memoria y capacidad.Fasc. 6 · Cap. 3
Serving de políticas: Capa que ejecuta una política versionada, registra sus decisiones y controla exposición, fallback y monitorización.Fasc. 10 · Cap. 7
Sesgo (bias): Valor que se suma al resultado de la suma ponderada para desplazar la salida de la neurona, permitiéndole activarse incluso cuando todas las entradas son cero.Fasc. 1 · Cap. 4
Sesgo de datos: Diferencia sistemática en cobertura, medición, etiqueta o resultado que afecta a un grupo o situación.Fasc. 8 · Cap. 5
Session store: Almacén de historial o estado conversacional usado por el runtime.Fasc. 5 · Cap. 7
Seudonimización: Sustitución de identificadores por claves o hashes que reducen exposición, pero no convierten automáticamente el dato en anónimo.Fasc. 9 · Cap. 2
Severidad: Clasificación que ordena una incidencia por impacto, alcance, duración y urgencia de respuesta.Fasc. 6 · Cap. 9; Clasificación operativa que conecta una señal con impacto, urgencia y acción mínima.Fasc. 8 · Cap. 6
SFT: Supervised fine-tuning: ajuste supervisado con pares entrada-salida o conversaciones de demostración.Fasc. 10 · Cap. 5
SHACL: Lenguaje del W3C para validar grafos RDF contra formas (shapes) con reglas cerradas y comprobables.Fasc. 2 · Cap. 12
Shadow: Fase donde una política candidata recomienda en paralelo, pero no decide la salida real.Fasc. 10 · Cap. 7
Shadow eval: Evaluación de una versión candidata con tráfico o trazas reales sin afectar la respuesta del usuario.Fasc. 6 · Cap. 6 Fasc. 7 · Cap. 1
Shadow mode: Modo de observación donde el evaluador se ejecuta sobre tráfico real o preproducción, pero todavía no bloquea decisiones.Fasc. 7 · Cap. 4
Shadow routing: Evaluar qué habría elegido una política nueva sin ejecutar todavía esa decisión.Fasc. 6 · Cap. 5
Shadow run: Ejecutar una versión candidata en paralelo sin que su salida afecte al usuario.Fasc. 6 · Cap. 7
SHAP: Marco de atribución basado en valores de Shapley para repartir contribuciones entre features.Fasc. 7 · Cap. 6
Siguiente experimento: Intervención medible para aprender si una acción mejora el sistema en un slice concreto.Fasc. 8 · Cap. 8
Similitud coseno: Medida que calcula el coseno del ángulo entre dos vectores. Suele usarse para comparar embeddings, aunque la métrica correcta depende del modelo, la normalización y el índice.Fasc. 1 · Cap. 9 Fasc. 8 · Cap. 4; Medida de alineación entre dos vectores, útil cuando importan dirección y significado aproximado.Fasc. 4 · Cap. 7
Sistema de soporte a la decisión: Sistema que ayuda a una persona a decidir combinando datos y modelos, sin decidir por ella.Fasc. 12 · Cap. 4
Sistema determinista: Sistema donde la misma entrada produce siempre la misma salida. Un compilador, una consulta SQL o una función pura son ejemplos.Fasc. 1 · Cap. 2
Sistema estocástico: Sistema donde la misma entrada puede producir salidas diferentes porque incorpora elementos de probabilidad o muestreo.Fasc. 1 · Cap. 2
Sistema experto: Sistema que combina ontología, hechos, reglas, motor de inferencia y explicación.Fasc. 2 · Cap. 12; Programa que resuelve problemas de un dominio aplicando conocimiento experto codificado en reglas.Fasc. 12 · Cap. 4
Sistema híbrido: Solución que combina varias piezas, por ejemplo SQL para datos exactos, RAG para fuentes, LLM para redacción y revisión humana para decisiones de impacto.Fasc. 1 · Cap. 1
Sistema operable: Sistema que puede desplegarse, observarse, evaluarse, limitarse y revertirse sin depender de intuición.Fasc. 6 · Cap. 1
Sistema probabilístico: Sistema cuya salida puede variar porque trabaja con distribuciones, muestreo e incertidumbre.Fasc. 1 · Cap. 12
SLI: Service Level Indicator: indicador medido que nos dice cómo se comporta el sistema en una dimensión concreta.Fasc. 6 · Cap. 1; Indicador medible que describe el estado de un servicio o dato.Fasc. 6 · Cap. 4 Fasc. 8 · Cap. 6
SLI de datos: Indicador medible de salud del dataset, como missing, duplicados, kappa o frescura.Fasc. 8 · Cap. 2
Slice: Subgrupo del dataset o del tráfico donde se miran métricas por separado.Fasc. 7 · Cap. 2; Subconjunto de datos definido por una condición útil para evaluar una decisión.Fasc. 8 · Cap. 5; Subconjunto de casos con una propiedad relevante: OCR, tablas, gráficos, ruido de audio, vídeo largo, UI externa, PII o idioma.Fasc. 11 · Cap. 10
slice-vis: Visualización posición por capa donde cada celda muestra el token top-1 leído por la lens.Bricoman(IA)
SLO: Service Level Objective: objetivo interno medible que fija qué nivel de servicio queremos sostener.Fasc. 6 · Cap. 1 Fasc. 6 · Cap. 4; Objetivo medible que fija qué valor debe cumplir un SLI.Fasc. 8 · Cap. 6
SLO de datos: Objetivo mínimo aceptable para un SLI de datos.Fasc. 8 · Cap. 2
SLO de IA: Objetivo medible de servicio para un sistema de IA: calidad, latencia, coste, revisión o disponibilidad.Fasc. 7 · Cap. 5
SLO de revisión: Objetivo medible de tiempo, calidad o acumulación máxima para una cola de revisión.Fasc. 6 · Cap. 8
Slot crítico: Campo de una transcripción que cambia la acción o el riesgo: negación, importe, identificador, herramienta, fecha o entidad.Fasc. 11 · Cap. 7
Snapshot de replay: Corte reproducible del buffer, con hash, contrato, rango temporal y criterios de inclusión.Fasc. 10 · Cap. 2
Softcapping: Transformación que acota logits muy grandes, usada en algunas arquitecturas como Gemma.Bricoman(IA)
Softmax: Función que convierte puntuaciones crudas del modelo en una distribución de probabilidad.Bricoman(IA)Fasc. 1 · Cap. 2 Fasc. 3 · Cap. 1
Softmax por fila: Normalización de cada fila de puntuaciones para convertirla en pesos que suman 1.Fasc. 3 · Cap. 3
Solución: Asignación completa que cumple todas las restricciones duras.Fasc. 2 · Cap. 6
Soporte: Número de casos reales que tiene una clase o slice dentro del conjunto evaluado.Fasc. 7 · Cap. 2; Cobertura de acciones y contextos necesarios para evaluar una política candidata.Fasc. 10 · Cap. 4
source_layers: Lista de capas internas para las que una lens tiene transformaciones disponibles.Bricoman(IA)
Span: Unidad de trabajo dentro de una traza, con duración, atributos, eventos y estado.Fasc. 6 · Cap. 4; Tramo de una traza que representa un paso medible de una operación.Fasc. 8 · Cap. 6
SPARQL: Lenguaje para consultar patrones en grafos RDF.Fasc. 2 · Cap. 12
Specificity: De los negativos reales, proporción que el sistema descarta correctamente.Fasc. 7 · Cap. 2
Speculative decoding: Técnica de inferencia donde un modelo rápido propone tokens y el modelo principal los verifica.Fasc. 3 · Cap. 7 Fasc. 3 · Cap. 8
Split: Partición de un dataset destinada a entrenar, ajustar, validar o probar una decisión.Fasc. 8 · Cap. 1 Fasc. 8 · Cap. 3
Split materializado: Tabla versionada que asigna cada ID a un único split y permite auditar la evaluación con SQL.Fasc. 8 · Cap. 3
Split por grupo: Partición que mantiene todas las filas de una misma entidad en el mismo split.Fasc. 8 · Cap. 3
Split temporal: Partición que respeta el orden del tiempo para simular una decisión futura.Fasc. 8 · Cap. 3
SRM: Desajuste entre la asignación esperada y la asignación observada en un experimento.Fasc. 8 · Cap. 7
State Space Model: Modelo de secuencia que mantiene un estado interno y puede escalar bien en secuencias largas.Fasc. 3 · Cap. 5
Streaming: Entrega progresiva de eventos o texto antes de que toda la respuesta esté terminada.Fasc. 4 · Cap. 2 Fasc. 6 · Cap. 2
Success checker: Validador independiente que decide si la tarea terminó bien mirando estado, evidencia o aserciones.Fasc. 11 · Cap. 9
Suficiencia: Prueba que conserva solo las features explicadas y mide si bastan para aproximar la salida original.Fasc. 7 · Cap. 6
Superficie de control: Parte del sistema donde podemos limitar, validar, medir o auditar una decisión.Fasc. 4 · Cap. 13
Superficie técnica: Zona del sistema donde puede aparecer un riesgo: modelo, RAG, tools, memoria, datos, logs, interfaz o proveedor.Fasc. 9 · Cap. 1
Suposición de mundo cerrado: Asumir falso todo lo que no se puede demostrar verdadero.Fasc. 12 · Cap. 6
SwiGLU: Activación con puerta usada en los MLP de los LLMs modernos; multiplica dos proyecciones para modular la señal.Fasc. 3 · Cap. 4

Tabla de probabilidad condicional: Tabla que da la probabilidad de una variable dados sus padres en la red.Fasc. 12 · Cap. 2
Tabla de verdad: Tabla que da el valor de una fórmula para cada combinación de valores de sus variables.Fasc. 12 · Cap. 1
Table structure recognition: Tarea de detectar tablas, filas, columnas, celdas, cabeceras y spans.Fasc. 11 · Cap. 5
Taint label: Etiqueta que marca origen y confianza de un dato para que las capas posteriores sepan cómo tratarlo.Fasc. 9 · Cap. 3; Etiqueta de confianza y origen que marca contenido como no confiable, por ejemplo OCR de una web o texto dentro de una captura.Fasc. 11 · Cap. 11
Target encoding: Codificación de categorías usando una estadística del objetivo, que exige validación estricta para no filtrar la respuesta.Fasc. 8 · Cap. 4
Tasa de automatización: Proporción de casos que la política decide sin intervención humana.Fasc. 7 · Cap. 2
Tasa de revisión: Proporción de casos que la política no automatiza y deriva a revisión.Fasc. 7 · Cap. 2
Task: Unidad durable de trabajo en A2A, con estado, mensajes y artefactos asociados.Fasc. 5 · Cap. 9
Taxonomía de errores: Catálogo de categorías que explica por qué falla un caso y qué acción técnica pide.Fasc. 7 · Cap. 1
TCAV: Técnica que mide sensibilidad del modelo a conceptos definidos mediante ejemplos.Fasc. 7 · Cap. 6
TCO: Coste total de propiedad, sumando uso, infraestructura, operación, mantenimiento y riesgo.Fasc. 4 · Cap. 6
Technical documentation: Documentación técnica que describe el sistema, su finalidad, versiones, arquitectura, datos, evaluación, limitaciones y controles.Fasc. 9 · Cap. 4
Temperatura: Parámetro que controla cuánta aleatoriedad se introduce al muestrear. Valores bajos producen respuestas más predecibles; valores altos, más creativas y variadas.Fasc. 1 · Cap. 2; Parámetro que divide los logits antes del softmax; una temperatura baja concentra la distribución y una alta la aplana.Fasc. 3 · Cap. 1 Fasc. 3 · Cap. 4 Fasc. 11 · Cap. 3
Temperature scaling: Ajuste que suaviza o endurece logits antes de convertirlos en probabilidades.Fasc. 7 · Cap. 5
Temporal action localization: Detectar qué acción ocurre y en qué intervalo temporal empieza y termina.Fasc. 11 · Cap. 8
Temporal grounding: Vincular una afirmación a timestamps, frames o clips concretos.Fasc. 11 · Cap. 8
Tensor: Estructura numérica con una o más dimensiones; una matriz es un tensor de dos dimensiones.Fasc. 3 · Cap. 2
Tensor de imagen: Representación numérica de una imagen, normalmente con forma alto por ancho por canales.Fasc. 11 · Cap. 2
Teorema de Bayes: Regla que actualiza la creencia en una hipótesis al observar evidencia.Fasc. 12 · Cap. 2
Test metamórfico: Prueba que modifica una entrada de forma controlada y comprueba una relación esperada entre salidas.Fasc. 7 · Cap. 1
Test-time compute: Escalado del cómputo en inferencia (más muestras o más pasos de razonamiento) para mejorar la respuesta sin cambiar los pesos.Fasc. 3 · Cap. 5
Text-to-SQL: Traducción controlada de una pregunta en lenguaje natural a una consulta SQL ejecutable.Fasc. 4 · Cap. 12
TF-IDF: Peso textual que sube términos frecuentes en un documento y baja términos comunes en muchos documentos.Fasc. 8 · Cap. 4
Thompson sampling: Estrategia que muestrea creencias sobre cada acción y elige según esas muestras.Fasc. 10 · Cap. 3
Threat model multimodal: Modelo explícito de activos, fronteras de confianza, fallos posibles, impacto, controles y pruebas por modalidad.Fasc. 11 · Cap. 11
Throughput: Cantidad de trabajo completado por unidad de tiempo, normalmente tokens por segundo o runs por minuto.Fasc. 3 · Cap. 7 Fasc. 4 · Cap. 6 Fasc. 6 · Cap. 3
Time travel: Capacidad de consultar una versión anterior de una tabla o snapshot para reproducir una decisión.Fasc. 8 · Cap. 1
Timeout: Tiempo máximo permitido para una fase antes de cancelar, degradar o volver.Fasc. 6 · Cap. 2
tIoU: Temporal Intersection over Union: solapamiento entre intervalo temporal esperado e intervalo temporal predicho.Fasc. 11 · Cap. 8 Fasc. 11 · Cap. 10
Token: Unidad mínima de texto que el modelo procesa. Puede ser una palabra, parte de una palabra o un carácter. El modelo opera con tokens, no con palabras completas como las entendemos las personas.Bricoman(IA)Fasc. 1 · Cap. 1 Fasc. 1 · Cap. 9 Fasc. 1 · Cap. 12 Fasc. 4 · Cap. 3
Token de entrada: Token enviado al modelo antes de que genere la respuesta.Fasc. 4 · Cap. 3
Token de salida: Token generado por el modelo como respuesta.Fasc. 4 · Cap. 3
Token visual: Representación vectorial de un patch, región o elemento visual que puede entrar en una arquitectura con atención.Fasc. 11 · Cap. 2
Tokenizador: Pieza de software que convierte texto en identificadores de tokens y vuelve de identificadores a texto.Fasc. 4 · Cap. 3
Tokens por segundo: Velocidad media de generación durante la fase de salida.Fasc. 4 · Cap. 5
Tool: Interfaz controlada que permite al sistema consultar, calcular o actuar fuera del texto generado por el modelo.Fasc. 4 · Cap. 1 Fasc. 5 · Cap. 3
Tool call: Petición del modelo para que el sistema ejecute una función externa.Fasc. 4 · Cap. 2
Tool choice: Opción que limita o fuerza qué herramienta puede pedir el modelo durante una llamada.Fasc. 4 · Cap. 2
Tool gateway: Capa de código que valida, autoriza, ejecuta y registra llamadas a herramientas antes de que tengan efectos reales.Fasc. 5 · Cap. 7 Fasc. 5 · Cap. 8 Fasc. 9 · Cap. 3
Tool selection: Elección de la siguiente herramienta a invocar, modelable como una política de extracción sobre una frontera de acciones candidatas.Fasc. 2 · Cap. 4
Tool use: Patrón donde el modelo invoca funciones externas para consultar, calcular o actuar.Fasc. 5 · Cap. 5
Tool version: Versión explícita del contrato de una tool para gestionar cambios de schema, comportamiento y compatibilidad.Fasc. 5 · Cap. 3
Top-k: Conjunto de los k tokens con mayor puntuación en un ranking de logits.Bricoman(IA)Fasc. 4 · Cap. 7; Muestreo que conserva solo los k candidatos principales.Fasc. 3 · Cap. 4; Número de candidatos que el retrieval devuelve antes de generar.Fasc. 4 · Cap. 9
Top-label calibration: Calibración de la confianza asociada a la clase predicha por el modelo.Fasc. 7 · Cap. 5
Top-p: Muestreo que conserva candidatos hasta alcanzar una probabilidad acumulada.Fasc. 3 · Cap. 4
TPOT: Tiempo por token de salida durante la fase de generación.Fasc. 6 · Cap. 3
Trace grading: Puntuación de la trayectoria completa de una run, no solo de la respuesta final.Fasc. 5 · Cap. 10 Fasc. 7 · Cap. 4
Traceability matrix: Matriz que conecta casos prácticos con capítulos, conceptos, evidencias y decisiones.Fasc. 11 · Cap. 12
Transfer learning: Reutilizar un modelo entrenado como punto de partida para otra tarea.Fasc. 3 · Cap. 6
Transformación legal: Cambio en el código que preserva el resultado; el verificador rechaza las ilegales.Fasc. 5 · Cap. 11
Transformer: Arquitectura de red neuronal presentada en 2017 que sustituye el procesamiento secuencial por un mecanismo de atención paralela. Es la base de todos los LLMs modernos.Fasc. 1 · Cap. 1 Fasc. 3 · Cap. 8
Tratamiento: Intervención, variante o acción cuyo efecto queremos medir.Fasc. 8 · Cap. 7; Cualquier operación sobre datos personales: recoger, enviar, guardar, consultar, transformar, borrar o usar.Fasc. 9 · Cap. 2
Trayectoria: Secuencia de estados, acciones y observaciones que llevó al resultado final.Fasc. 5 · Cap. 1; Secuencia de decisiones, llamadas a tools, observaciones y gates durante una ejecución.Fasc. 5 · Cap. 12; Secuencia ordenada de estados, acciones y recompensas producida por una política en un episodio.Fasc. 10 · Cap. 2
Traza: Registro de pregunta, filtros, chunks, scores, prompt y respuesta.Fasc. 4 · Cap. 9; Registro de estados, acciones, permisos, observaciones, coste y decisión final.Fasc. 5 · Cap. 2; Registro estructurado de una ejecución, formado por eventos o spans con tiempos, atributos y resultados.Fasc. 5 · Cap. 6; Historia completa de una petición, formada por spans conectados.Fasc. 6 · Cap. 4
Traza de evaluación: Registro por caso con input, contexto, versión, salida, grader, coste, latencia, error y decisión.Fasc. 7 · Cap. 1
Traza de expansión: Registro ordenado de los estados que el algoritmo extrae de la frontera. Permite auditar por qué encontró o no encontró una solución.Fasc. 2 · Cap. 2
Traza de propagación: Registro de dominios reducidos, valores probados, ramas podadas y soluciones encontradas.Fasc. 2 · Cap. 7
Traza de reward: Registro versionado de componentes, gates, política, reward card, dataset y graders usados en una run.Fasc. 10 · Cap. 6
Traza de tool: Registro de la llamada, argumentos, validaciones, permisos, latencia, resultado y coste.Fasc. 5 · Cap. 3
Traza normalizada: Registro común de eventos que permite comparar ejecuciones entre SDKs.Fasc. 5 · Cap. 7
Trazabilidad: Capacidad de reconstruir qué entrada, versión, contexto, herramienta y resultado produjeron una respuesta.Fasc. 4 · Cap. 13 Fasc. 8 · Cap. 6
Trazabilidad de decisión: Registro de estado, acciones candidatas, puntuaciones, bloqueos, observaciones y razón final de la acción elegida.Fasc. 2 · Cap. 4
Trazado de agente: Registro estructurado de pasos, tools, argumentos, observaciones, costes y decisión final.Fasc. 7 · Cap. 4
Tripleta RDF: Hecho elemental con forma sujeto-predicado-objeto.Fasc. 2 · Cap. 12
TTFT: Tiempo hasta el primer token visible para el usuario.Fasc. 3 · Cap. 7 Fasc. 3 · Cap. 8 Fasc. 4 · Cap. 5 Fasc. 4 · Cap. 6 Fasc. 6 · Cap. 3
TTS: Text-to-Speech: sistema que convierte texto en audio hablado.Fasc. 11 · Cap. 7
Tuned lens: Lente entrenada por capa que aprende una transformación affine antes de proyectar al vocabulario.Bricoman(IA)

UCB: Estrategia que combina recompensa estimada e incertidumbre para decidir qué probar.Fasc. 10 · Cap. 3
UCS: Algoritmo que expande el nodo con menor coste acumulado g(n). Generaliza BFS para costes no uniformes. Óptimo con costes positivos.Fasc. 2 · Cap. 2
UCT: Regla de selección en MCTS que combina valor medio y bonus de exploración.Fasc. 2 · Cap. 11
UI grounding: Vincular una acción propuesta a un elemento concreto de la interfaz.Fasc. 11 · Cap. 9
Umbral: Valor mínimo que decide si se responde, se pide más información o se abstiene.Fasc. 4 · Cap. 10; Valor de corte que transforma un score continuo en una decisión.Fasc. 7 · Cap. 2; Valor mínimo de reward requerido para seleccionar, publicar o pasar una salida a revisión.Fasc. 10 · Cap. 6
Unembedding: Matriz que convierte el residual stream final en logits sobre el vocabulario.Bricoman(IA)
Unicidad: Grado en que una entidad o ejemplo no aparece repetido cuando el contrato exige una sola ocurrencia.Fasc. 8 · Cap. 2
Unidad de evaluación: Objeto mínimo que se mide: una respuesta, una conversación, una tarea completa, una traza de agente o una release.Fasc. 7 · Cap. 1
Unidad recuperable: Elemento que puede entrar en el índice: chunk textual, página renderizada, crop, tabla, figura, transcripción, frame o registro operativo.Fasc. 11 · Cap. 6
Unificación: Proceso de encontrar una sustitución que iguala dos expresiones lógicas.Fasc. 12 · Cap. 1
UNSAT: Resultado que indica que ninguna asignación cumple todas las cláusulas de la fórmula.Fasc. 2 · Cap. 5
Unsupported claim: Afirmación de la respuesta que no queda soportada por los documentos, imágenes, timestamps, transcripciones o trazas aportadas.Fasc. 11 · Cap. 10
Upsert: Operación que inserta un registro si no existe o lo actualiza si ya existe.Fasc. 4 · Cap. 8
Utilidad: Valor numérico de un resultado desde el punto de vista de un jugador.Fasc. 2 · Cap. 11
Utilidad esperada: Valor medio de los resultados de una acción, ponderado por la probabilidad de cada uno.Fasc. 2 · Cap. 4

VAD: Voice Activity Detection: detector que separa habla, silencio y ruido para decidir cuándo empieza o termina un turno.Fasc. 11 · Cap. 7
Validación cruzada anidada: Diseño con un bucle externo para estimar rendimiento y un bucle interno para elegir configuración sin mirar el fold reservado.Fasc. 8 · Cap. 3
Validador: Código que comprueba si una salida cumple el contrato esperado.Fasc. 4 · Cap. 2
Validador determinista: Componente que acepta o rechaza una salida aplicando reglas comprobables, no plausibilidad textual.Fasc. 2 · Cap. 5
Validez: Grado en que un valor cumple tipo, formato, rango o catálogo permitido.Fasc. 8 · Cap. 2; Una fórmula es válida si es verdadera en toda interpretación (tautología).Fasc. 12 · Cap. 1
Validez de constructo: Grado en que una eval mide realmente el concepto que dice medir, no solo una aproximación cómoda.Fasc. 7 · Cap. 1
Value (V): Proyección que contiene la información que se mezclará al final.Fasc. 3 · Cap. 3
Variable CSP: Decisión pendiente que el solver debe asignar.Fasc. 2 · Cap. 6
Variable instrumental: Variable que afecta al tratamiento y solo debería afectar al resultado a través de ese tratamiento.Fasc. 8 · Cap. 7
Variable lingüística: Variable cuyos valores son etiquetas como 'bajo', 'medio' o 'alto'.Fasc. 12 · Cap. 3
Vault: Carpeta de conocimiento, normalmente en Markdown, donde cada nota es un archivo enlazable.Fasc. 5 · Cap. 4
Vector database: Sistema o extensión de base de datos para almacenar y consultar embeddings.Fasc. 8 · Cap. 4
Vector normalizado: Vector reescalado para tener norma 1, lo que simplifica comparar por producto punto.Fasc. 4 · Cap. 7
Vector store: Almacén de embeddings que recupera información por similitud semántica.Fasc. 2 · Cap. 12
Ventana de contexto: Límite de tokens que pueden viajar juntos entre entrada, historial, herramientas y respuesta.Fasc. 4 · Cap. 3
Verbalizable: Representación que, bajo una lens concreta, puede proyectarse de forma legible a tokens del vocabulario.Bricoman(IA)
Verdadero positivo: Caso positivo que el sistema marca como positivo.Fasc. 7 · Cap. 2
Verificador: Componente que decide si una propuesta es válida y la puntúa con una señal medible.Fasc. 5 · Cap. 11; Programa, prueba, rúbrica o evaluador que asigna una recompensa reproducible a una respuesta.Fasc. 10 · Cap. 5
Verosimilitud: Probabilidad de la evidencia suponiendo cierta la hipótesis.Fasc. 12 · Cap. 2
Vídeo QA: Responder preguntas sobre un vídeo usando contenido visual, temporal, audio, texto o metadatos.Fasc. 11 · Cap. 8
Vision Transformer: Transformer que parte una imagen en parches y los trata como tokens.Fasc. 3 · Cap. 5
Visual instruction tuning: Ajuste con instrucciones que enseñan al sistema a responder preguntas o seguir tareas sobre imágenes.Fasc. 11 · Cap. 4
ViT: Vision Transformer: arquitectura que divide la imagen en patches y los procesa como una secuencia.Fasc. 11 · Cap. 2
VLM: Modelo visión-lenguaje que combina información visual y textual para describir, responder, extraer o razonar de forma acotada.Fasc. 11 · Cap. 4
Vocabulario de tokens: Tabla que asigna piezas de texto, bytes o subpalabras a ids numéricos conocidos por el modelo.Fasc. 4 · Cap. 3
VRAM: Memoria de la GPU disponible para pesos, activaciones y buffers de cálculo.Bricoman(IA)Fasc. 4 · Cap. 5

Watermark: Marca de progreso en procesamiento por tiempo de evento que permite decidir cuándo una ventana está suficientemente completa.Fasc. 8 · Cap. 1
WebRTC: Conjunto de protocolos y APIs para comunicación multimedia en tiempo real desde navegadores y otros clientes.Fasc. 11 · Cap. 7
Weight decay: Regularización que empuja los pesos hacia valores más pequeños para reducir sobreajuste.Fasc. 1 · Cap. 7
Weighted A*: Variante que usa f(n)=g(n)+w·h(n). Puede expandir menos, pero pierde garantías de optimalidad si w>1 (coste hasta w veces el óptimo).Fasc. 2 · Cap. 3
WER: Word Error Rate: métrica de transcripción basada en sustituciones, borrados e inserciones respecto a una referencia.Fasc. 11 · Cap. 7
Wikitext: Corpus de texto de Wikipedia usado con frecuencia para ajustar o evaluar herramientas sobre modelos de lenguaje.Bricoman(IA)
Worker: Proceso que toma trabajos de una cola y ejecuta una parte del flujo.Fasc. 6 · Cap. 2

Zero Trust para agentes: Diseño en el que cada acción de un agente necesita identidad verificable, permiso explícito, límites de herramienta, credenciales acotadas, trazas y revisión proporcional al impacto.Fasc. 9 · Cap. 4
Zero-point: Desplazamiento entero usado en cuantización asimétrica para representar el cero real.Fasc. 4 · Cap. 5
Zero-shot: Uso del modelo con clases o textos no vistos como entrenamiento específico de esa tarea.Fasc. 11 · Cap. 3
Zona curated: Capa donde los datos ya están normalizados, validados y documentados para consumo analítico o de IA.Fasc. 8 · Cap. 1
Zona de revisión: Rango de scores que no se automatiza y se envía a revisión humana o técnica.Fasc. 7 · Cap. 2; Banda donde el sistema no automatiza porque la evidencia no sostiene una decisión directa.Fasc. 7 · Cap. 5
Zona raw: Capa donde se conserva el dato lo más cercano posible a la fuente, con mínima transformación y máxima trazabilidad.Fasc. 8 · Cap. 1

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Q

R

S

T

U

V

W

Z