Glosario IA
El diccionario completo de la Inteligencia Artificial
Entrenamiento Agnóstico a la Tarea
Enfoque de entrenamiento donde los modelos aprenden representaciones generales sin optimizar para tareas específicas. Este método favorece la flexibilidad y las capacidades de transferencia hacia nuevas aplicaciones.
Transferencia Cruzada de Dominios
Capacidad de un modelo para aplicar sus conocimientos adquiridos en un dominio a tareas en un dominio completamente diferente. Esta transferibilidad es crucial para el éxito del aprendizaje zero-shot.
Modelos Fundacionales
Modelos a gran escala pre-entrenados en datos masivos y diversos, que sirven como base para múltiples aplicaciones posteriores. Estos modelos constituyen la columna vertebral del aprendizaje zero-shot moderno.
Auto-consistencia
Método de inferencia que genera múltiples razonamientos para un mismo problema y selecciona la respuesta más frecuente. Este enfoque mejora la fiabilidad de las respuestas zero-shot explotando la redundancia.
Capacidad del Modelo
Medida de la complejidad y el número de parámetros que un modelo puede usar efectivamente para almacenar conocimientos. Una capacidad suficiente es un requisito previo para la emergencia de capacidades zero-shot.
Adaptación a la Tarea
Proceso mediante el cual un modelo pre-entrenado se ajusta dinámicamente a una nueva tarea específica durante la inferencia. Esta adaptación sin reentrenamiento está en el corazón del aprendizaje zero-shot.
Brecha de Generalización
Diferencia de rendimiento entre las tareas vistas durante el entrenamiento y las tareas totalmente nuevas. Reducir esta brecha es el objetivo fundamental del aprendizaje zero-shot.
Prompting Zero-shot
Técnica que consiste en proporcionar a un modelo únicamente una descripción de la tarea sin ningún ejemplo para guiar su respuesta. Este método prueba directamente las capacidades de generalización del modelo.