Generative AI Leader · Glosario
Glosario de IA generativa para el examen Generative AI Leader
· aprox. 49 min de lectura
Ayuda de estudio independiente: no es de Google ni está vinculada a Google.
Este glosario explica 293 términos del examen Generative AI Leader de Google Cloud: el término tal como aparece en el examen, una explicación breve en español, la sección del Exam Guide y, en los productos, el nombre anterior.
A
- Accesibilidad de los datos (data accessibility)
Los datos deben estar disponibles, ser asequibles y estar en el formato adecuado; esto incluye también los derechos necesarios.
- Actualizaciones automáticas del modelo (automatic model upgrades)
El proveedor mejora los modelos de forma continua; los usuarios se benefician automáticamente, pero deben volver a probar sus flujos de trabajo.
- Agent Assist
Apoya en vivo a los agentes humanos del contact center con sugerencias de respuesta, artículos de conocimiento, transcripción en vivo (Speech-to-Text), traducción y resúmenes.
- Agent Development Kit (ADK)
Framework de código abierto para construir agentes y sistemas multiagente en código. Independiente del modelo.
- Agent Platform (Gemini Enterprise Agent Platform)
Plataforma unificada de IA/ML de Google Cloud para construir, entrenar, ajustar, desplegar y gestionar modelos y aplicaciones de IA generativa.
- Agent Platform (Gemini Enterprise Agent Platform)
Plataforma unificada y totalmente gestionada de Google para construir, ajustar, desplegar y operar modelos de ML, apps de IA generativa y agentes.
- Agent Platform AutoML
Servicio de Agent Platform para entrenar modelos propios (imagen, video, datos tabulares) sin conocimientos profundos de ML.
- Agent Platform AutoML
Entrena modelos propios para imagen, video y datos tabulares con conocimientos mínimos de ML.
- Agent Platform Feature Store
Repositorio central para compartir, servir y reutilizar features de ML. Garantiza la coherencia entre entrenamiento y producción.
- Agent Platform Model Registry
Gestiona las versiones, los cambios y el ciclo de vida de los modelos.
- Agent Platform Pipelines
Orquesta y automatiza flujos de trabajo de ML de extremo a extremo, desde la preparación de datos hasta el despliegue.
- Agent Runtime
Entorno de ejecución gestionado en el que los agentes propios funcionan en producción de forma escalable (con sesiones y Memory Bank).
- Agent Search
Solución de búsqueda y recomendación de Google en Agent Platform; RAG prediseñado que fundamenta (grounding) las respuestas con datos propios, datos de terceros seleccionados y datos del Knowledge Graph.
- Agent Search
Solución de búsqueda y recomendación en Agent Platform. Ofrece búsqueda con calidad de Google sobre datos propios con fundamentación (grounding) (RAG prediseñado, prebuilt RAG), también para clientes externos.
- Agent Studio
Herramienta de Agent Platform (Cloud Console) para diseño de prompts, pruebas, ajuste y fundamentación (grounding) con seguridad empresarial y gobernanza; para producción.
- Agent Studio
Herramienta de la consola en Agent Platform para probar prompts, ajustar modelos y diseñar agentes low-code. Con seguridad empresarial y gobernanza de la nube para producción.
- Agente (agent, gen AI agent)
Aplicación que persigue un objetivo observando el mundo y actuando con las herramientas disponibles; el foco está en la acción autónoma.
- Agente (agent, gen AI agent)
Aplicación que persigue un objetivo observando su entorno y actuando sobre él con herramientas (tools). Su núcleo es un bucle de razonamiento (reasoning loop).
- Agente conversacional (conversational agent)
Agente para diálogos (responder preguntas, chat, acceso a información); técnicamente más sencillo, pero visible directamente para el cliente.
- Agente de flujo de trabajo (workflow agent)
Agente que automatiza procesos de varios pasos, p. ej., gestión de pedidos (order fulfillment), incorporación de clientes (customer onboarding) o investigación.
- Agente determinista (deterministic agent)
Agente con reglas y rutas fijas. La misma entrada produce la misma salida; sin modelo fundacional (foundation model).
- Agente generativo (generative agent)
Agente basado en un modelo fundacional. Flexible y en lenguaje natural, pero puede dar respuestas variables.
- Agente híbrido (hybrid agent)
Combina el control determinista con la flexibilidad generativa. Enfoque recomendado por Google para los agentes de CX.
- Agentes conversacionales vs. agentes de flujo de trabajo (conversational vs. workflow agents)
Los agentes conversacionales mantienen diálogos (responden preguntas). Los agentes de flujo de trabajo realizan procesos de varios pasos (onboarding, gestión de pedidos).
- AI Hypercomputer
Arquitectura de supercomputación de Google Cloud formada por hardware y software interconectados para cargas de trabajo de IA a la mayor escala.
- Ajuste de prompts (prompt tuning)
Ajuste eficiente en parámetros: solo se entrenan "soft prompts" aprendibles; el modelo base permanece congelado.
- Ajuste fino (fine-tuning)
Seguir entrenando un modelo preentrenado con un conjunto de datos específico de la tarea; es caro, por eso es el último paso después del prompting y la fundamentación (grounding).
- Almacén de datos (data store)
Base de conocimiento estructurada o no estructurada (sitios web, bases de datos, documentos) a la que acceden los agentes y RAG.
- Almacenes de datos (data stores)
Herramienta del agente que da acceso a información (bases de conocimiento, sitios web, bases de datos). Base de RAG.
- Alucinación (hallucination)
Salida del modelo que parece plausible pero es falsa o inventada; se puede reducir con la fundamentación (grounding), pero nunca descartar del todo.
- Anonimización vs. seudonimización (anonymization vs. pseudonymization)
La anonimización elimina de forma irreversible la relación con la persona. La seudonimización sustituye los identificadores y puede revertirse con una clave.
- API Library (Google Cloud)
Catálogo de todas las APIs de Google (Maps, Workspace, YouTube…) que los agentes pueden usar como herramientas.
- Aplicaciones de IA generativa (gen AI applications, capa)
Capa superior, orientada al usuario (frontend), a través de la cual las personas usan la IA generativa, p. ej., la Gemini app o Workspace with Gemini.
- Apps Script
Plataforma low-code (JavaScript) para automatizar Google Workspace y crear complementos con Gemini.
- AppSheet
Plataforma no-code con la que los usuarios de negocio crean apps empresariales, también con funciones de Gemini.
- Aprendizaje automático (machine learning, ML)
Subcampo de la IA en el que los sistemas aprenden de los datos en lugar de programarse explícitamente.
- Aprendizaje en contexto (in-context learning)
El modelo aprende de los ejemplos del prompt sin que cambien sus pesos.
- Aprendizaje no supervisado (unsupervised learning)
Aprendizaje a partir de datos no etiquetados para encontrar grupos, patrones o valores atípicos (clustering, detección de anomalías [anomaly detection]).
- Aprendizaje por refuerzo (reinforcement learning, RL)
Aprendizaje mediante la interacción con un entorno y retroalimentación (recompensa/castigo) para maximizar la recompensa total.
- Aprendizaje profundo (deep learning, DL)
Subcampo del ML que utiliza redes neuronales de varias capas; motor de la IA generativa.
- Aprendizaje semisupervisado / autosupervisado (semi-/self-supervised learning)
Formas mixtas en las que el modelo genera en parte sus propias señales de aprendizaje a partir de datos no etiquetados; típico del preentrenamiento de modelos fundacionales.
- Aprendizaje supervisado (supervised learning)
Aprendizaje a partir de ejemplos etiquetados para predecir salidas para entradas nuevas (clasificación, regresión).
- Ataque adversarial (adversarial attack)
Entradas o datos manipulados deliberadamente para provocar un comportamiento erróneo del modelo.
- Audio Overview
Resumen en audio de las fuentes, al estilo de un pódcast, generado por Gemini Notebook.
- Aumento (augmentation, frente a automatización)
La IA apoya a personas que interpretan y deciden; es lo opuesto a la automatización (automation), en la que la IA asume por completo tareas repetitivas.
- Aumento (augmentation, paso de RAG)
Segundo paso de RAG: la información recuperada se incorpora al prompt junto con la pregunta del usuario.
- Aumento vs. automatización (augmentation vs. automation)
El aumento apoya a la persona, que sigue decidiendo. La automatización asume por completo tareas repetitivas o basadas en reglas. El aumento suele ser el paso intermedio.
- Autenticación vs. autorización (authentication vs. authorization)
La autenticación comprueba quién es alguien. La autorización comprueba qué puede hacer. IAM cubre ambas.
- Autoconsistencia (self-consistency)
Variante de CoT: generar varios caminos de solución y elegir el más coherente.
B
- Base de datos vectorial (vector database)
Base de datos que almacena embeddings y busca por similitud; componente típico de RAG.
- Bases de datos (databases: Cloud SQL, Spanner, Firestore)
Bases de datos gestionadas en las que los agentes guardan datos estructurados, datos de usuario y su progreso.
- Basura entra, basura sale (garbage in, garbage out)
Principio: datos de entrada deficientes llevan inevitablemente a resultados deficientes, también en las bases de conocimiento de RAG.
- BigQuery
Almacén de datos (data warehouse) sin servidor de Google para análisis y preparación de datos; con BigQuery ML se pueden entrenar modelos mediante SQL.
- BigQuery universal catalog
Servicio de gobernanza de datos (data governance) y gestión de metadatos en el ecosistema de datos de Google Cloud.
- Bucle de razonamiento (reasoning loop)
Proceso iterativo en el que un agente observa, razona, elige una herramienta, actúa y evalúa el resultado.
- Bucle de razonamiento (reasoning loop)
Núcleo iterativo de un agente: observar, razonar, elegir herramienta, actuar, evaluar el resultado, repetir.
- Búsqueda multimodal (multimodal search)
Búsqueda en texto, imágenes y otros formatos en varios sistemas de la empresa, fundamentada en los datos de la empresa.
- Búsqueda semántica (semantic search)
Búsqueda por significado en lugar de por palabras clave exactas; núcleo de la recuperación (retrieval) en RAG.
C
- Cadena de pensamiento (chain-of-thought, CoT)
Técnica de prompting en la que el modelo razona en pasos intermedios. Útil para el razonamiento interno.
- Calidad de los datos (data quality)
Idoneidad de los datos para la tarea: correctos, completos, representativos, coherentes y relevantes; el criterio depende del contexto.
- Capa de agentes (agents layer)
Capa del stack de IA generativa que aporta capacidades y acciones (buscar, reservar, recomendar) y se sitúa entre la capa de aplicaciones y la de plataforma.
- Casos límite (edge cases)
Limitación: situaciones raras y atípicas revelan las debilidades del modelo y provocan errores inesperados.
- CCaaS (Google Cloud Contact Center as a Service)
Solución de contact center nativa de la nube con omnicanalidad, integración con CRM e infraestructura gestionada.
- Chirp
Modelo fundacional (foundation model) de Google para audio y reconocimiento de voz en muchos idiomas.
- Ciclo de vida del ML (ML lifecycle)
Fases de ingesta de datos (data ingestion), preparación de datos (data preparation), entrenamiento del modelo (model training), despliegue del modelo (model deployment) y gestión del modelo (model management), cada una con herramientas de Google Cloud.
- Cloud Run
Plataforma serverless para contenedores sin estado. Adecuada para herramientas con dependencias propias.
- Cloud Run functions
Funciones serverless basadas en eventos que sirven como herramientas especializadas del agente.
- Cloud SQL / Spanner
Servicios de bases de datos relacionales de Google Cloud para datos estructurados; Spanner es escalable a nivel global.
- Cloud Storage
Almacenamiento de objetos escalable de Google Cloud, normalmente para datos no estructurados como imágenes, PDF o audio.
- Cloud Storage
Almacenamiento de objetos escalable para datos no estructurados, p. ej., como fuente para búsqueda y RAG.
- Cloud Video Intelligence API
API prediseñada que analiza contenido de video, p. ej., para búsqueda, recomendaciones y análisis de medios.
- Cloud Vision API
API prediseñada para análisis de imágenes: objetos, texto, rostros, puntos de referencia, moderación.
- CMEK (claves de cifrado gestionadas por el cliente; customer-managed encryption keys)
Google cifra y el cliente gestiona las claves él mismo. Normalmente por motivos de cumplimiento normativo.
- Coherencia (consistency)
Característica de calidad: formatos y etiquetas uniformes en todas las fuentes; la incoherencia confunde al modelo.
- Colaborador individual (individual contributor, IC)
Profesional sin responsabilidad de liderazgo, cercano a los flujos de trabajo y los puntos de dolor (pain points). Impulsa la parte ascendente (bottom-up) de la estrategia.
- Completitud (completeness)
Característica de calidad: cantidad y cobertura de datos suficientes para predicciones fiables.
- Componentes del agente (agent components)
Un agente de IA generativa (gen AI agent) consta de modelo (cerebro), herramientas (tools; interacción con el entorno) y bucle de razonamiento (reasoning loop; toma de decisiones iterativa).
- Computación en el borde / IA en el edge (edge computing / AI on the edge)
La IA se ejecuta en dispositivos cercanos a la fuente de datos. Tiempo real, privacidad, posible sin conexión.
- Conectores (connectors)
Conexiones de Gemini Enterprise con sistemas de la empresa para leer datos y desencadenar acciones.
- Configuración de seguridad (safety settings)
Ajustes que filtran de la salida contenido potencialmente dañino o inapropiado (categorías y umbrales).
- Control de los datos del cliente (customer data control)
Los datos del cliente pertenecen al cliente; los prompts y datos de los servicios empresariales no se usan para entrenar los modelos de Google.
- Control de versiones (versioning)
Seguir y gestionar las versiones del modelo con Model Registry.
- Conversational Agents
Chatbots y voicebots que hablan directamente con los clientes. Deterministas, generativos o híbridos, creados con CX Agent Studio.
- Conversational Insights
Analiza todas las conversaciones con clientes en cuanto a temas, sentimiento y calidad, incluida la Generative FAQ.
- Costo (cost, datos)
Característica de accesibilidad: obtener y etiquetar datos de alta calidad puede ser muy caro.
- Costo (cost, gen AI)
Los costos surgen del entrenamiento, el despliegue y el uso. Se factura por tokens, caracteres, solicitudes o tiempo de cómputo. Los modelos y las ventanas de contexto (context windows) más grandes son más caros.
- CoT multimodal (multimodal CoT)
Variante de CoT que combina texto con imágenes o video para mejorar el razonamiento.
- Crear / Resumir / Descubrir / Automatizar (create / summarize / discover / automate)
Los cuatro usos principales de la IA generativa: generar contenido, condensarlo, encontrarlo y automatizar tareas.
- Custom training
Modelo propio con control total sobre la arquitectura y el entrenamiento en Agent Platform.
- Customer Engagement Suite
Suite de Google para la interacción con clientes apoyada por IA: Conversational Agents, Agent Assist, Conversational Insights, CCaaS.
D
- Datos de terceros (third-party data)
Datos externos, seleccionados o con licencia, de proveedores terceros, con los que se fundamenta el modelo.
- Datos del mundo (world data)
Conocimiento general del mundo disponible públicamente, p. ej., a través de Google Search o el Knowledge Graph de Google.
- Datos empresariales propios (first-party enterprise data)
Datos propios de la empresa (documentos, bases de datos, políticas) con los que se fundamenta el modelo.
- Datos estructurados (structured data)
Datos organizados y fáciles de consultar, a menudo en bases de datos relacionales o tablas.
- Datos etiquetados (labeled data)
Datos con una etiqueta o un valor objetivo asignado (nombre, tipo, número); base del aprendizaje supervisado (supervised learning).
- Datos no estructurados (unstructured data)
Datos sin estructura predefinida, como texto libre, correos electrónicos, imágenes, audio y video.
- Datos no etiquetados (unlabeled data)
Datos sin procesar sin etiqueta ni valor objetivo; base del aprendizaje no supervisado (unsupervised learning) y del preentrenamiento de modelos fundacionales.
- Datos semiestructurados (semi-structured data)
Datos con etiquetas/claves, pero sin un esquema tabular rígido (JSON, XML, logs).
- Democratización de la IA (democratization of AI)
Herramientas low-code/no-code, modelos preentrenados y APIs listas con las que también quienes no son desarrolladores crean soluciones de IA.
- Dependencia de los datos (data dependency)
Limitación: el rendimiento del modelo depende en gran medida de la calidad y la completitud de los datos de entrenamiento.
- Deriva (drift, drift monitoring)
Cambio de los datos o de las relaciones con el tiempo que reduce el rendimiento del modelo; se supervisa con Model Monitoring.
- Deriva / sesgo entre entrenamiento y servicio (drift / skew)
Los datos de producción se alejan de los datos de entrenamiento y el rendimiento del modelo baja. Requiere supervisión continua.
- Despliegue del modelo (model deployment)
Fase del ciclo de vida: poner a disposición el modelo entrenado para hacer predicciones (Agent Platform Endpoint).
- Desviación entre entrenamiento y servicio (training-serving skew)
Diferencia entre la distribución de los datos en el entrenamiento y en producción; la detecta Model Monitoring.
- Disponibilidad (availability, datos)
Característica de accesibilidad: los datos necesarios deben estar disponibles en el entrenamiento y en producción.
- Disponibilidad y fiabilidad (availability and reliability, modelo)
Criterio de selección de modelos: garantías de tiempo de actividad (uptime), redundancia y recuperación ante desastres para el funcionamiento en producción.
- Document AI API
API prediseñada que extrae datos estructurados de documentos y automatiza su procesamiento.
- Document Translation API
Traduce documentos con formato y conserva el diseño.
E
- Ecosistema de IA integral (comprehensive AI ecosystem)
La IA generativa está integrada en muchos productos de Google (Search, Workspace, Gemini app, Google Cloud), de modo que llega a herramientas conocidas y facilita la adopción.
- Embeddings (incrustaciones)
Vectores numéricos que representan el significado de textos, imágenes, etc., y permiten la búsqueda semántica.
- Encadenamiento de prompts (prompt chaining)
Prompts sucesivos que se basan unos en otros, o conversación en el mismo hilo, para obtener un resultado refinado.
- Enfoque abierto (open approach)
Apertura a frameworks de código abierto y a modelos abiertos y de terceros. Resultado: libertad de elección sin dependencia de proveedor (lock-in).
- Enfoque AI-first (AI-first approach)
En Google, la IA es el núcleo de la estrategia de producto, respaldada por décadas de investigación.
- Entrenamiento continuo (continuous training, CT)
Reentrenamiento automatizado y periódico en un pipeline (MLOps); compensa sobre todo cuando los datos cambian con frecuencia, porque cada reentrenamiento consume tiempo de cómputo.
- Entrenamiento del modelo (model training)
Fase del ciclo de vida: aprender los parámetros del modelo a partir de los datos (Agent Platform: entrenamiento personalizado [custom training] o AutoML); en los modelos fundacionales, por lo general, ajuste (tuning).
- Envenenamiento de datos (data poisoning)
Manipulación de los datos de entrenamiento para falsear el comportamiento del modelo.
- Equidad (fairness)
Objetivo y criterio de evaluación para resultados justos entre distintos grupos; las evaluaciones de equidad tienen límites inherentes.
- Escalera "construir o comprar" (build-vs-buy ladder; elección de la solución)
Orden de menor a mayor esfuerzo: app lista para usar → modelo más prompting → grounding/RAG → ajuste fino (fine-tuning) → AutoML → modelo personalizado. Entrar lo antes posible en la escalera.
- Escalera de técnicas (technique ladder)
Esquema para recordar: primero ingeniería de prompts (prompt engineering), luego fundamentación/RAG (grounding/RAG) y por último ajuste fino (fine-tuning); HITL y monitoreo en todo momento.
- Estrategia multidireccional (multi-directional strategy)
Combinación de la visión descendente (top-down) de la dirección y las ideas ascendentes (bottom-up) de los empleados.
- Exactitud (accuracy, data quality)
Característica de calidad: los datos son objetivamente correctos; los datos erróneos llevan a patrones falsos.
- Extensiones (extensions)
Herramienta del agente que conecta servicios externos mediante APIs y estandariza la interacción.
F
- Factores de selección del modelo (model selection factors)
Criterios para elegir un modelo: modalidad (modality), ventana de contexto (context window), seguridad (security), disponibilidad/fiabilidad (availability/reliability), costo (cost), rendimiento (performance), ajuste fino/personalización (fine-tuning/customization) y facilidad de integración (ease of integration).
- Feature Store (Agent Platform Feature Store)
Repositorio central para compartir, servir y reutilizar features de ML; garantiza la coherencia entre entrenamiento y producción.
- Fecha de corte del conocimiento (knowledge cutoff)
Fecha hasta la que el modelo vio datos de entrenamiento; no conoce los acontecimientos posteriores.
- Formato (format, datos)
Característica de accesibilidad: los datos deben estar en un formato que el modelo pueda procesar.
- Funciones (functions)
Herramienta del agente que define acciones o tareas concretas que el sistema de razonamiento elige.
- Fundamentación (grounding)
Conectar la salida del modelo con fuentes de información verificables y específicas; término general que incluye RAG.
G
- Gemini
Familia de modelos fundacionales multimodales y propietarios de Google para comprensión, conversación, creación de contenido y preguntas y respuestas (Q&A).
- Gemini Advanced
Nivel ampliado de Gemini con los modelos más potentes para programación y razonamiento, prioridad en funciones nuevas y protección empresarial.
- Gemini API
Interfaz de programación para los modelos Gemini. Integración vía HTTP en cualquier aplicación.
- Gemini app
Chatbot de IA generativa de Google (web y móvil) para redactar, resumir, traducir y generar imágenes.
- Gemini app (frente a Gemini model)
La Gemini app es el chatbot de Google (aplicación); Gemini es el modelo subyacente.
- Gemini Code Assist
Compañero de programación con IA (AI pair programmer) con sugerencias de código, generación de código y explicaciones.
- Gemini Enterprise
Plataforma de agentes central y segura para empleados: búsqueda en todos los datos de la empresa, asistentes con conectores, agentes propios, Notebook Enterprise.
- Gemini Enterprise for Customer Experience (CX)
Nombre paraguas actual de la suite de atención al cliente (CX agents, Agent Assist, CX Insights, CCaaS).
- Gemini for Google Cloud
Asistente de IA en las herramientas de Google Cloud (Code Assist, Cloud Assist, BigQuery, Looker, Security…).
- Gemini for Google Workspace
IA generativa directamente en Gmail, Docs, Sheets, Slides, Meet y Vids, p. ej., mediante el panel lateral (side panel).
- Gemini Nano
El modelo Gemini más compacto de Google, para ejecutarse en dispositivos; ventajas: privacidad, velocidad y uso sin conexión.
- Gemini Nano
El modelo Gemini más pequeño, para uso en el dispositivo (on-device): privado, rápido, sin conexión.
- Gemini Notebook
Asistente de investigación que se fundamenta exclusivamente en las fuentes cargadas (resúmenes, Q&A, resúmenes de audio).
- Gemini Notebook
Compañero de investigación con IA fundamentado exclusivamente en las fuentes cargadas. Ofrece resúmenes, preguntas y respuestas, cuestionarios y Audio Overview.
- Gemini Notebook API
Acceso programático a Gemini Notebook (Enterprise) para integrar notebooks en los procesos de la empresa.
- Gemini Notebook Enterprise
Variante empresarial con cumplimiento normativo, funciones de administración, IAM y datos en el propio proyecto de nube.
- Gemini Pro vs. Flash / Flash-Lite
Variantes del modelo: Pro para tareas complejas (más lento y caro), Flash/Flash-Lite para respuestas rápidas y económicas.
- Gemma
Familia de modelos abiertos y ligeros de Google (open weights) para despliegue local y gran personalización.
- Gems
Asistentes de Gemini personalizados con instrucciones fijas; ofrecen respuestas personalizadas, simplifican flujos de trabajo y separan contextos.
- Gems
Asistentes de Gemini personalizados con instrucciones y archivos propios. Para tareas recurrentes; cada chat está aislado.
- Generación (generation, paso de RAG)
Tercer paso de RAG: el LLM genera la respuesta a partir del prompt enriquecido, idealmente con fuentes.
- Generación aumentada por recuperación (retrieval-augmented generation, RAG)
Arquitectura de fundamentación (grounding): recuperar información relevante (retrieval), insertarla en el prompt (augmentation), generar la respuesta (generation) y, opcionalmente, iterar.
- Generación aumentada por recuperación (retrieval-augmented generation, RAG)
Método de grounding: recuperar información relevante, insertarla en el prompt y después generar la respuesta.
- Generalización (generalization)
Capacidad de un modelo para aplicar lo aprendido a datos nuevos que no vio en el entrenamiento.
- Generative FAQ
Función de CX Insights que identifica preguntas frecuentes de los clientes y la eficacia de las respuestas.
- Gestión del modelo (model management)
Fase del ciclo de vida: versionar, supervisar, mantener y reentrenar los modelos a lo largo del tiempo.
- Gobernanza de datos (data governance)
Reglas y procesos para la calidad, el acceso, la protección y el uso de los datos.
- Google AI Studio
Herramienta web gratuita para prototipado rápido con Gemini y la Gemini Developer API; con límites de uso.
- Google AI Studio
Herramienta web gratuita para prototipar rápidamente con Gemini y la Gemini Developer API. Para principiantes y experimentos.
- Google Search (grounding with)
Conecta Gemini con información web actual y así supera la fecha de corte del conocimiento (knowledge cutoff).
- GPU
Procesador paralelo de uso general que también se utiliza para el entrenamiento y la inferencia de IA.
- GPU / TPU
Procesadores especializados para cálculos de IA en paralelo; las TPU son los chips de Google diseñados específicamente para la IA.
- Grounding with Google Search
Conecta Gemini con información web pública y actual (datos del mundo, world data), p. ej., para preguntas posteriores a la fecha de corte del conocimiento (knowledge cutoff).
H
- Herramienta (tool, agent tool)
Función con la que un agente interactúa con su entorno: obtener datos, ejecutar acciones.
- Herramientas de supervisión de cargas de trabajo (workload monitoring tools)
Herramientas de registro (logging), supervisión y observabilidad para operar sistemas de IA de forma segura y detectar anomalías.
- Hipercomputadora (hypercomputer)
Conjunto de supercomputación de muchos nodos para entrenar y operar modelos grandes (Google: AI Hypercomputer).
- Human-in-the-loop (HITL, con supervisión humana)
La aportación y la retroalimentación humanas se integran directamente en los flujos de trabajo de ML, sobre todo en decisiones delicadas o de gran trascendencia.
- Human-in-the-loop (HITL, con supervisión humana)
El juicio humano se integra de forma deliberada en el proceso de ML, p. ej., para moderación, áreas sensibles y revisiones antes o después de la generación.
I
- IA en el borde (edge AI / edge computing)
La IA se ejecuta en dispositivos o servidores cercanos a la fuente de datos; las ventajas son baja latencia, protección de datos y capacidad sin conexión.
- IA explicable / explicabilidad (explainable AI / explainability)
Capacidad de justificar de forma comprensible por qué un modelo llega a un resultado.
- IA generativa (generative AI, gen AI)
Subcampo del ML que genera contenido nuevo como texto, imágenes, audio, video o código, en lugar de solo analizarlo.
- IA responsable (responsible AI)
Garantizar que la IA se use de forma ética y no cause daños, a lo largo de todo el ciclo de vida.
- IA segura (secure AI)
Protección de los sistemas de IA frente a ataques, uso indebido, fuga de datos y manipulación.
- IAM (Identity and Access Management, gestión de identidades y accesos)
Control de acceso central en Google Cloud: identidades, roles, permisos, auditoría.
- Identity and Access Management (IAM)
Servicio de Google Cloud para autenticación y autorización: roles, permisos, auditoría.
- Imagen
Modelo de difusión de texto a imagen de Google para crear imágenes de alta calidad a partir de descripciones de texto.
- Impulsor de la adopción (adoption champion)
Persona designada que impulsa y coordina la adopción de la IA generativa en la empresa.
- Indicador clave de rendimiento (key performance indicator, KPI)
Métrica del impacto de la IA generativa en el negocio; procedimiento: definir métricas, recopilar datos, iterar.
- Información de identificación personal (personally identifiable information, PII)
Datos con los que se puede identificar a una persona. Deben protegerse especialmente.
- Información guardada (saved info, Gemini)
Información permanente guardada en Gemini que el modelo tiene en cuenta de forma coherente sin usar todo el historial del chat.
- Infraestructura (infrastructure, capa)
Capa inferior: capacidad de cómputo (GPU/TPU), almacenamiento, red y software para entrenar y operar modelos.
- Infraestructura segura por diseño (secure-by-design infrastructure)
Infraestructura con seguridad integrada desde el origen (p. ej., cifrado automático en reposo).
- Ingeniería de prompts (prompt engineering, importancia)
La palanca más rápida y económica para obtener mejores salidas; debe volver a probarse continuamente con cada nueva versión del modelo.
- Ingeniería de prompts (prompt engineering)
Arte y ciencia de diseñar prompts eficaces; no modifica el modelo.
- Ingesta de datos (data ingestion)
Primera fase del ciclo de vida: recopilar e ingerir los datos adecuados (Pub/Sub, Cloud Storage, Cloud SQL, Spanner).
- Inteligencia artificial (artificial intelligence, AI)
Término general para máquinas que realizan tareas que normalmente requieren inteligencia humana.
- Interpretabilidad (interpretability)
Grado en que las personas pueden entender cómo funciona un modelo. Relacionada con la explicabilidad.
K
- KPI (indicador clave de rendimiento; key performance indicator)
Métrica con la que se vincula el efecto de una solución de IA generativa a los objetivos de negocio.
L
- Limitaciones de los modelos fundacionales (limitations of foundation models)
Dependencia de los datos (data dependency), fecha de corte del conocimiento (knowledge cutoff), sesgo (bias), equidad (fairness), alucinaciones (hallucinations) y casos límite (edge cases).
- LiteRT (Lite Runtime)
Entorno de ejecución de Google para ejecutar modelos de ML de forma eficiente en dispositivos edge y móviles.
- LiteRT (Lite Runtime)
Entorno de ejecución con el que los modelos de ML funcionan de forma eficiente en dispositivos móviles y edge.
- Longitud de salida (output length, max output tokens)
Ajuste de muestreo (sampling) para la longitud máxima de la respuesta generada.
M
- Mandiant
Experiencia de Google en inteligencia de amenazas y respuesta a incidentes para la protección proactiva, también de sistemas de IA.
- Matriz creativa (creative matrix)
Método de matriz para generar ideas: se cruzan productos de IA generativa con objetivos de negocio para encontrar casos de uso.
- Metaprompting
Prompting con el que el modelo genera, mejora o interpreta otros prompts.
- Mínimo privilegio (principle of least privilege)
Conceder solo los permisos mínimos necesarios y revisarlos con regularidad.
- MLOps
Prácticas y herramientas para la operación, la automatización, el control de versiones y el monitoreo de modelos de ML.
- MLOps
Prácticas y herramientas con las que los modelos de ML se operan de forma fiable a lo largo de su ciclo de vida.
- Modalidad (modality)
Tipo de datos que un modelo procesa o genera (texto, imagen, audio, video); primer criterio para elegir un modelo.
- Model Evaluation
Evalúa y compara el rendimiento de los modelos.
- Model Evaluation (Agent Platform)
Servicio para evaluar y comparar el rendimiento de los modelos (seguimiento del rendimiento, performance tracking).
- Model Garden
Catálogo de Agent Platform para descubrir, personalizar y desplegar modelos de Google, abiertos y de terceros, así como API preentrenadas.
- Model Garden
Catálogo central con más de 200 modelos (de Google, abiertos, de terceros) para encontrar, probar, ajustar y desplegar.
- Model Monitoring
Servicio que detecta la pérdida de rendimiento, la desviación de entrada (input skew) y la deriva (drift), y desencadena actualizaciones o reentrenamientos.
- Model Monitoring
Supervisa los modelos en producción en busca de pérdida de rendimiento, skew y drift, y activa el reentrenamiento.
- Model Registry
Gestión central de las versiones, los cambios y el ciclo de vida de los modelos.
- Modelo (fundacional) multimodal (multimodal foundation model)
Modelo que procesa o genera varios tipos de datos a la vez; multimodalidad significa combinación de modalidades.
- Modelo (model)
Estructura matemática aprendida a partir de datos que convierte entradas en salidas.
- Modelo de difusión (diffusion model)
Modelo generativo que crea imágenes, audio o video mediante refinamiento iterativo, p. ej., Imagen.
- Modelo de IA tradicional (traditional AI model)
Modelo entrenado para un único propósito con datos específicos (p. ej., filtro de spam); especialista en lugar de generalista.
- Modelo de lenguaje grande (large language model, LLM)
Modelo fundacional para comprender y generar lenguaje (también código); todos los LLM son modelos fundacionales (foundation models).
- Modelo fundacional (foundation model)
Modelo grande, preentrenado con enormes cantidades de datos diversos, que puede adaptarse a muchas tareas; base de la IA generativa.
- Modelo fundacional como "cerebro" del agente (foundation model as the agent's "brain")
El modelo es el componente de pensamiento y decisión del agente. Las herramientas son sus manos.
- Modelos (models, capa)
Capa del stack que contiene los modelos, el "cerebro" de los agentes y las aplicaciones.
- Moderación de contenido (content moderation, HITL)
Personas revisan el contenido generado por usuarios teniendo en cuenta el contexto y detectan lo dañino que los algoritmos pasan por alto.
- Monitoreo y evaluación continuos (continuous monitoring and evaluation)
Supervisión continua de la calidad del modelo, la deriva (drift), la seguridad y el impacto en el negocio durante todo el ciclo de vida.
N
- Nano Banana
Nombre comercial de los modelos de imagen de Gemini para generar y editar imágenes (p. ej., Nano Banana Pro); junto a Imagen, que menciona el Exam Guide, es la segunda línea de modelos de imagen de Google.
- Natural Language API
Análisis de texto prediseñado: sentimiento, entidades, clasificación.
- Necesidades (needs: scale, customization, …)
Requisitos que determinan la elección de la solución: escala (scale), personalización (customization), interacción con el usuario (user interaction), privacidad (privacy), latencia (latency), conectividad (connectivity), precisión (accuracy), explicabilidad (explainability).
- Número de tokens (token count)
Cantidad de tokens procesados; los modelos tienen un límite de tokens, y los tokens determinan los costos.
P
- Panel lateral de Gemini (Gemini side panel)
Barra lateral en las apps de Workspace desde la que Gemini resume y genera contenido en contexto.
- Panorama de la IA generativa (gen AI landscape)
Modelo de cinco capas: infraestructura (infrastructure), modelos (models), plataforma (platform), agentes (agents) y aplicaciones (applications).
- Parámetros de muestreo (sampling parameters)
Ajustes que controlan el comportamiento del modelo: número de tokens (token count), temperatura (temperature), top-p (top-K), configuración de seguridad (safety settings) y longitud de salida (output length).
- Parches y actualizaciones de seguridad (security patches and updates)
Actualizaciones de seguridad continuas para mantener los sistemas de IA seguros y al día.
- Pipelines (Agent Platform Pipelines)
Orquestación y automatización de flujos de trabajo de ML, desde la preparación de datos hasta el despliegue.
- Plan de integración de la IA generativa (plan for gen AI integration; 6 pasos)
Visión → casos de uso de alto impacto → capacidades → cambio organizacional → medir el valor → IA responsable.
- Planificar el impacto (plan for impact)
Definir métricas → recopilar y analizar datos → iterar y mejorar.
- Plataforma (platform, capa)
Capa con API, gestión de datos y herramientas de despliegue y MLOps entre los modelos y los agentes; en Google: Agent Platform.
- Plataforma de IA lista para empresas (enterprise-ready AI platform)
Plataforma con seguridad, privacidad, gobernanza, fiabilidad y escalabilidad de nivel empresarial.
- Plugins
Herramienta del agente que añade nuevas habilidades e integraciones con otras plataformas.
- Política de moderación de contenido (content moderation policy)
Reglas y procesos de revisión que determinan qué contenido generado es admisible.
- Preparación de datos (data preparation)
Fase del ciclo de vida: limpiar, transformar, formatear y etiquetar los datos sin procesar (BigQuery, universal catalog).
- Principios de IA de Google (AI Principles)
Directrices publicadas por Google en 2018 para el desarrollo y uso responsables de la IA.
- Priorización de casos de uso (use-case prioritization)
Ordenar los casos de uso según valor de negocio/ROI, viabilidad, costo y riesgo. Elegir como primero uno de bajo riesgo pero con beneficio visible.
- Privacidad (privacy)
Protección de los datos personales, p. ej., mediante anonimización y seudonimización. Evitar que los modelos filtren datos de entrenamiento.
- Procesamiento del lenguaje natural (PLN; natural language processing, NLP)
Subcampo de la IA para comprender, procesar y generar lenguaje humano; los LLM son hoy la técnica dominante.
- Producto mínimo viable (minimum viable product, MVP)
Versión más pequeña lista para producción que se entrega y se mejora de forma iterativa.
- Prompt / prompting
Entrada (texto, archivo, imagen) con la que se dirige un modelo fundacional (foundation model) y se desencadena una salida.
- Prompting activo (active prompting)
Variante de CoT en la que el modelo puede hacer preguntas de aclaración o solicitar información adicional.
- Prompting con pocos ejemplos (few-shot prompting)
Prompt con varios ejemplos de los que el modelo adopta patrón, formato y tono.
- Prompting con un ejemplo (one-shot prompting)
Prompt con exactamente un ejemplo como orientación.
- Prompting de cadena de pensamiento (chain-of-thought prompting, CoT)
Técnica de prompting que guía al modelo por un camino de solución con ejemplos de pasos intermedios explícitos; mejora el razonamiento y la trazabilidad.
- Prompting de rol (role prompting)
Asignar al modelo un rol o persona para dirigir el estilo, el tono y el enfoque de las respuestas.
- Prompting sin ejemplos (zero-shot prompting)
Tarea sin ejemplos; el modelo se basa solo en su conocimiento previo.
- Prompts reutilizables / plantillas de prompts (reusable prompts / prompt templates)
Guardar prompts probados como plantillas con marcadores de posición y reutilizarlos.
- Pub/Sub
Servicio de mensajería de Google Cloud para ingerir flujos de datos en tiempo real (publicación/suscripción, publish/subscribe).
R
- RAG APIs
Componentes (parsing, embeddings, Vector Search, ranking, Grounded Generation, Check Grounding) para un pipeline de RAG propio y controlable de forma flexible.
- RAG APIs
Componentes (RAG Engine, Vector Search, Grounding APIs) para pipelines de RAG propios con más control.
- RAG Engine
Servicio gestionado en Agent Platform para construir pipelines de RAG propios.
- RAG prediseñado con Agent Search (prebuilt RAG with Agent Search)
Solución de RAG lista y gestionada (conexión de datos, búsqueda, grounding, citas) con poco esfuerzo.
- ReAct (reason + act, razonar + actuar)
Framework de agentes: pensar, actuar (herramienta), observar, responder, en bucle. Para tareas con interacción externa.
- ReAct (Reason + Act)
Framework de prompting en el que el LLM razona en el ciclo pensar, actuar, observar, responder (Think, Act, Observe, Respond) y actúa con herramientas; reduce las alucinaciones mediante información externa.
- Recomendaciones (recommendations, Agent Search)
Recomendaciones personalizadas de productos o contenidos para aumentar la interacción y el descubrimiento (medios, comercio).
- Recuperación (retrieval, paso de RAG)
Primer paso de RAG: recuperar información relevante con herramientas (almacenes de datos [data stores], bases de datos vectoriales [vector databases], motores de búsqueda, grafos de conocimiento [knowledge graphs]).
- Recursos (resources: personas, dinero, tiempo)
Condiciones organizativas de un proyecto de IA generativa: experiencia, presupuesto, calendario.
- Red neuronal artificial (artificial neural network, ANN)
Modelo computacional de "neuronas" conectadas y organizadas en capas; base del aprendizaje profundo (deep learning).
- Red teaming
Ataques deliberados al propio sistema, también con un segundo modelo, para encontrar vulnerabilidades.
- Registro de auditoría / trazabilidad (audit trail / traceability)
Registro verificable de cómo y por qué decidió un sistema. A menudo obligatorio en sectores regulados.
- Relevancia (relevance)
Característica de calidad: los datos se ajustan a la tarea que debe cumplir el modelo.
- Rendición de cuentas (accountability)
Responsabilidad clara sobre lo que hace y decide un sistema de IA. Requisito para la equidad y la confianza.
- Representatividad (representativeness)
Característica de calidad: los datos reflejan todos los grupos y situaciones relevantes; si no, surge el sesgo.
- Resolución en el primer contacto (first-call resolution, FCR)
KPI: proporción de solicitudes de clientes resueltas en el primer contacto.
- Retorno de la inversión (return on investment, ROI)
Relación entre beneficio y costo. Criterio central para priorizar casos de uso.
- Revisión posterior a la generación (post-generation review)
Forma de HITL: revisión humana continua y retroalimentación después del despliegue.
- Revisión previa a la generación (pre-generation review)
Forma de HITL: expertos revisan las salidas de ML antes del despliegue y detectan errores o sesgos.
- RLHF
Aprendizaje por refuerzo a partir de retroalimentación humana (reinforcement learning from human feedback): post-entrenamiento de un modelo basado en valoraciones humanas.
- Roles (business leaders, developers, AI practitioners)
Los líderes de negocio usan apps listas. Los desarrolladores construyen agentes e integraciones. Los AI practitioners adaptan y operan modelos.
S
- SAIF (Secure AI Framework)
Marco de Google con estándares de seguridad y buenas prácticas para sistemas de IA. Una guía, no un producto.
- Saved Info
Gemini recuerda información definida sobre el usuario, sin todo el historial de chat.
- Security Command Center (SCC)
Panel central para la postura de seguridad, las vulnerabilidades y las amenazas en Google Cloud.
- Seguimiento del rendimiento (performance tracking)
Revisión continua de las métricas del modelo para detectar a tiempo la pérdida de calidad.
- Seguridad en todo el ciclo de vida de ML (security across the ML lifecycle)
Medidas de seguridad en todas las fases: recopilar, preparar, entrenar, desplegar y gestionar.
- Seis factores de estrategia (six strategy factors)
Enfoque estratégico (strategic focus), exploración (exploration), IA responsable (responsible AI), recursos (resourcing), impacto (impact), mejora continua (continuous improvement), cada uno desde la perspectiva de la dirección y de los IC.
- Sensitive Data Protection
Servicio que detecta y desidentifica datos sensibles (PII), p. ej., mediante enmascaramiento o anonimización.
- Serverless (sin servidor)
El proveedor gestiona por completo los servidores, escala automáticamente y factura según el uso.
- Sesgo (bias)
Distorsión sistemática en los datos o en las salidas del modelo; incluso sesgos sutiles pueden amplificarse en las salidas.
- Sesgo y equidad (bias and fairness)
La IA hereda sesgos de los datos y los procesos y puede decidir de forma injusta. El sesgo debe detectarse y mitigarse; la equidad está en el centro.
- Sistema multiagente (multi-agent system)
Varios agentes especializados colaboran en un objetivo complejo; un agente puede ser herramienta de otro.
- Sistema multiagente (multi-agent system)
Varios agentes especializados trabajan juntos. Un agente puede ser herramienta de otro.
- Solucionismo (solutionism)
Error de usar una tecnología sin haber aclarado antes el problema de negocio.
- Speech-to-Text API
API prediseñada que convierte la voz en texto (llamadas, reuniones, video).
T
- Temperatura (temperature)
Parámetro de muestreo para la aleatoriedad o "creatividad": baja = enfocada y reproducible, alta = variada.
- Text-to-Speech API
API prediseñada que convierte texto en voz de sonido natural.
- Token
Unidad de texto (unos 4 caracteres), unidad de medida para la ventana de contexto, el tráfico y la facturación.
- Token
Pequeña unidad de texto (~4 caracteres). Medida del tamaño del contexto y de la facturación de los LLM.
- Top-K
Parámetro de muestreo: selección solo entre los K tokens más probables.
- Top-p (muestreo de núcleo, nucleus sampling)
Parámetro de muestreo: selección entre los tokens más probables hasta que su probabilidad acumulada alcanza p.
- Totalmente gestionado (fully managed)
Google opera la infraestructura, el escalado y la supervisión. El cliente solo configura.
- TPU (Tensor Processing Unit)
Acelerador optimizado para IA, desarrollado por la propia Google.
- Transformer
Arquitectura de red neuronal presentada por Google en 2017, base de los LLM actuales (la "T" de GPT).
- Translation API
API prediseñada que traduce texto, documentos, sitios web, audio y video.
- Transparencia (transparency)
Dar a conocer que se usan IA y datos y de qué manera, para que las personas afectadas entiendan el sistema.
V
- Vector Search
Servicio de búsqueda por similitud semántica basada en embeddings. Componente de RAG.
- Ventana de contexto (context window)
Cantidad de información (en tokens) que un modelo puede tener en cuenta a la vez; una ventana más grande aumenta los costos.
- Veo
Modelo de Google para generar video a partir de texto o imágenes fijas.
Sigue leyendo: Google Cloud Generative AI Leader · Mapa de productos