Glosario IA
El diccionario completo de la Inteligencia Artificial
Adquisición Funcional en Tiempo Real
Estrategia de selección de puntos de evaluación en la optimización bayesiana, diseñada para minimizar la latencia de decisión adaptando dinámicamente el criterio de adquisición a las restricciones temporales.
Modelo Surrogado Incremental
Modelo de sustitución (a menudo un proceso gaussiano) actualizado de manera incremental con cada nueva observación, evitando un reentrenamiento completo para garantizar rendimiento en tiempo real.
Presupuesto Tiempo-Real
Restricción temporal estricta impuesta en cada iteración de la optimización bayesiana, limitando el tiempo asignado a la actualización del modelo y al cálculo del criterio de adquisición.
Criterio de Adquisición de Bajo Coste Computacional
Función de adquisición (como la mejora esperada o el límite superior de confianza) simplificada o aproximada para reducir drásticamente el tiempo de cálculo, esencial para bucles de optimización rápidos.
Proceso Gaussiano en Línea
Implementación de proceso gaussiano donde la inferencia y la predicción se realizan continuamente a medida que llegan los datos, sin requerir procesamiento por lotes.
Poda Dinámica del Espacio de Búsqueda
Técnica que consiste en reducir el espacio de candidatos a evaluar en cada iteración basándose en la información acumulada, para acelerar la selección del siguiente punto.
Optimización Bayesiana en Flujo Continuo (Streaming BO)
Enfoque donde la optimización se realiza sobre un flujo continuo de datos, adaptando el modelo y las decisiones de optimización en tiempo real a medida que llega nueva información.
Meta-Aprendizaje para la Aceleración de la BO
Uso de meta-aprendizaje para inicializar rápidamente el modelo surrogado con conocimientos provenientes de tareas de optimización pasadas, reduciendo así el número de iteraciones necesarias en tiempo real.
Paralelismo de Datos para BO en Tiempo Real
Estrategia de paralelización donde los cálculos relacionados con el modelo sustituto (ej: predicciones sobre un conjunto de puntos candidatos) se distribuyen para cumplir con los plazos estrictos.
Ventana Deslizante de Observaciones
Método donde solo se conserva un subconjunto reciente de observaciones para la actualización del modelo, limitando la complejidad computacional para garantizar un rendimiento constante en tiempo real.
Optimización Bayesiana Episódica
Marco donde la optimización se descompone en episodios temporales cortos, cada uno con su propio modelo sustituto, permitiendo reinicializaciones frecuentes para adaptarse a entornos dinámicos.
Aproximación por Mínimos Cuadrados Aleatorios para BO
Técnica de aproximación del núcleo en procesos gaussianos que utiliza características aleatorias para reducir la complejidad de la inversión de matriz de O(n³) a O(n*m), donde m << n.
Predicción en Tiempo Constante
Objetivo de las implementaciones de BO en tiempo real donde la latencia para predecir la media y la varianza del modelo sustituto para un nuevo punto está garantizada por debajo de un umbral fijo.
Sistema de Control en Lazo Cerrado con BO
Aplicación de la optimización bayesiana en tiempo real como componente de un sistema de control, donde las acciones se ajustan continuamente basándose en las predicciones del modelo para optimizar un rendimiento.
Optimización Activa en Tiempo Real
Proceso donde el algoritmo de optimización bayesiana decide no solo el siguiente punto a evaluar, sino también el momento oportuno para realizar esta evaluación con el fin de maximizar la información adquirida bajo restricción de tiempo.
Modelo Sustituto Disperso
Uso de modelos sustitutos (como procesos gaussianos dispersos o procesos gaussianos con puntos inductores) que explotan la estructura dispersa de los datos para actualizaciones y predicciones rápidas.
Criterio de Adquisición No Miope
Criterio que evalúa el potencial de un punto a lo largo de varios pasos hacia adelante, a menudo aproximado para ser calculable en tiempo real, con el fin de tomar decisiones más robustas que los criterios miopes.