Índice
Buscá por nombre o filtrá por categoría.
Facilidad con la que las personas autorizadas de una organización pueden encontrar, solicitar y obtener los datos que necesitan.
Conjunto de prácticas de diseño que aseguran que una visualización sea comprensible para personas con distintas capacidades visuales, incluyendo daltonismo y baja visión.
Comparación entre dos filosofías de diseño de bases de datos: ACID prioriza la consistencia estricta e inmediata, mientras que BASE prioriza la disponibilidad, aceptando consistencia eventual.
Dimensión de calidad de datos que mide si la información disponible está lo suficientemente actualizada para el propósito específico que se le quiere dar.
Algoritmo de boosting que combina muchos modelos simples y débiles, dando más peso en cada ronda a los ejemplos que los modelos anteriores clasificaron incorrectamente.
Sistema basado en un modelo de IA que puede planificar acciones, usar herramientas y ejecutar tareas de forma autónoma para cumplir un objetivo.
Operación SQL que resume múltiples filas en un único valor, como una suma, un promedio o un conteo, típicamente combinada con una agrupación por categoría.
Herramienta de ingesta de datos de código abierto, que ofrece una alternativa a plataformas comerciales como Fivetran, con la posibilidad de alojarla dentro de la propia infraestructura de una organización.
Proceso de elegir el punto de corte de probabilidad a partir del cual un clasificador asigna una observación a la clase positiva, en lugar de usar el umbral por defecto de 0.5.
Etapa de entrenamiento que ajusta un modelo de lenguaje usando ejemplos de instrucciones y sus respuestas deseadas, para que siga mejor indicaciones formuladas en lenguaje natural.
Asignación al azar de los sujetos de un estudio a los distintos grupos experimentales, buscando que esos grupos sean comparables entre sí en todas las características relevantes.
Notificaciones automáticas que se disparan cuando un sistema de monitoreo detecta una condición anómala en los datos o en un pipeline, permitiendo una respuesta rápida.
Capacidad de las personas dentro de una organización de leer, interpretar y comunicar información basada en datos de forma crítica y efectiva.
Rama de la matemática que estudia vectores, matrices y sus transformaciones, y que constituye el lenguaje matemático fundamental detrás de la mayoría de los algoritmos de machine learning.
Secuencia finita y ordenada de pasos o reglas bien definidas que resuelve un problema o realiza una tarea a partir de una entrada.
Algoritmo eficiente que encuentra la secuencia de estados ocultos más probable en un modelo de Markov oculto, dado un conjunto de observaciones.
Algoritmo iterativo que estima los parámetros de un modelo probabilístico cuando parte de la información relevante (como a qué grupo pertenece cada observación) no se observa directamente.
Técnica de optimización inspirada en la evolución biológica, que mejora progresivamente un conjunto de soluciones candidatas mediante selección, combinación y mutación.
Campo de investigación que busca asegurar que los sistemas de IA actúen de acuerdo con las intenciones y valores humanos, incluso a medida que se vuelven más capaces.
Estrategia de almacenamiento que organiza los datos agrupados por columna en lugar de por fila, optimizando drásticamente las consultas analíticas que solo necesitan leer algunas columnas específicas.
Sistema de almacenamiento que guarda datos como objetos independientes identificados por una clave única, en lugar de organizarlos en una jerarquía tradicional de carpetas y archivos.
Estrategia de almacenamiento tradicional que guarda juntos todos los valores de una misma fila, optimizada para acceder o modificar registros completos de forma eficiente.
Característica de un sistema diseñado para permanecer operativo y accesible durante la mayor parte del tiempo posible, minimizando las interrupciones de servicio.
Cuando un modelo de IA genera información incorrecta o inventada, pero la presenta con total confianza como si fuera cierta.
Base de datos NoSQL de clave-valor y documentos, completamente gestionada por Amazon Web Services, diseñada para ofrecer rendimiento consistente a cualquier escala.
Servicio de data warehouse en la nube de Amazon Web Services, optimizado para ejecutar consultas analíticas complejas sobre grandes volúmenes de datos empresariales.
Servicio de almacenamiento de objetos de Amazon Web Services, ampliamente usado como capa de almacenamiento fundamental para data lakes y aplicaciones en la nube.
Técnica de análisis que agrupa a un conjunto de usuarios o clientes según una característica compartida, como su fecha de registro, y sigue su comportamiento a lo largo del tiempo.
Técnica de reducción de dimensionalidad que encuentra nuevas variables, combinaciones de las originales, que capturan la mayor cantidad posible de la variabilidad de los datos.
Conjunto de técnicas estadísticas que agrupan observaciones similares entre sí en distintos grupos, sin conocer de antemano a qué grupo pertenece cada una.
Proceso de inspeccionar, limpiar y modelar datos con el objetivo de descubrir información útil, llegar a conclusiones y apoyar la toma de decisiones.
Tarea de procesamiento de lenguaje natural que determina la actitud emocional expresada en un texto, típicamente como positiva, negativa o neutra.
Conjunto de técnicas estadísticas que modelan el tiempo que transcurre hasta que ocurre un evento de interés, como una falla, una recuperación o un abandono.
Técnica que identifica automáticamente los temas principales presentes en una colección grande de textos, sin necesitar etiquetas previas.
Técnica clásica de clasificación y reducción de dimensionalidad que encuentra la combinación de variables que mejor separa distintas categorías conocidas.
Técnica estadística que busca explicar la correlación entre muchas variables observadas, a partir de un número más reducido de factores subyacentes no observados directamente.
Conjunto de técnicas estadísticas que analizan simultáneamente múltiples variables, buscando entender relaciones y patrones que involucran a varias de ellas a la vez.
Proceso de analizar la estructura gramatical de una oración, identificando cómo se relacionan sus palabras entre sí según las reglas del idioma.
Profesional que explora, interpreta y comunica hallazgos a partir de datos ya disponibles, para apoyar decisiones de negocio concretas.
Enfoque que permite a usuarios de negocio, sin conocimientos técnicos avanzados, explorar y analizar datos por sí mismos, sin depender de un equipo técnico central para cada consulta.
Disciplina que aplica métodos estadísticos, de visualización y computacionales para analizar datos y extraer conclusiones que respalden decisiones.
Rol relativamente nuevo que se ubica entre la ingeniería de datos y el análisis, enfocado en transformar y modelar datos crudos en estructuras limpias y confiables listas para el análisis.
Técnica de visualización que muestra la evolución de los datos a lo largo del tiempo mediante una secuencia animada, en lugar de una serie de gráficos estáticos separados.
Proceso de eliminar o alterar información de un conjunto de datos para que las personas a las que pertenece no puedan ser identificadas.
Proceso de asignar etiquetas correctas a un conjunto de datos crudos, para que puedan usarse en el entrenamiento de un modelo de aprendizaje supervisado.
Elementos de texto o marcadores agregados deliberadamente a una visualización, para resaltar un punto específico o dar contexto adicional que los datos por sí solos no comunican.
Prueba estadística que evalúa si existen diferencias significativas entre las medias de tres o más grupos simultáneamente.
Herramienta open source para definir, programar y monitorear pipelines de datos como código, mediante flujos de tareas con dependencias.
Modelo de programación unificado que permite definir pipelines de procesamiento de datos que pueden ejecutarse indistintamente en modo streaming o por lotes, sobre distintos motores subyacentes.
Base de datos NoSQL de columnas anchas, diseñada para manejar volúmenes masivos de datos distribuidos entre muchos servidores, sin un punto único de falla.
Base de datos NoSQL orientada a documentos, que utiliza HTTP y JSON como su interfaz principal, y ofrece capacidades nativas de sincronización entre réplicas distribuidas.
Motor de procesamiento distribuido especializado en streaming, diseñado para procesar flujos de datos continuos con muy baja latencia y garantías sólidas de consistencia.
Base de datos NoSQL de columnas anchas, construida sobre el sistema de archivos distribuido de Hadoop, diseñada para acceso de lectura y escritura en tiempo real sobre datos masivos.
Herramienta que permite consultar datos almacenados en un sistema como Hadoop usando un lenguaje similar a SQL, sin necesitar escribir programas de MapReduce directamente.
Formato de tabla abierto originado en Uber, especialmente orientado a facilitar actualizaciones e inserciones incrementales eficientes sobre grandes volúmenes de datos en un data lake.
Formato de tabla abierto de código abierto, originado en Netflix, que agrega transacciones confiables y versionado sobre archivos de datos almacenados en un data lake.
Plataforma distribuida para publicar, almacenar y procesar flujos de eventos en tiempo real entre distintos sistemas.
Sistema de gestión de recursos de cluster de propósito general, que permite ejecutar múltiples tipos de aplicaciones distribuidas distintas compartiendo eficientemente el mismo conjunto de servidores físicos.
Herramienta que automatiza y visualiza el flujo de datos entre sistemas mediante una interfaz gráfica de arrastrar y soltar, sin necesitar escribir código extenso para cada integración.
Plataforma de mensajería y streaming distribuida, diseñada como alternativa a Kafka, con soporte nativo para múltiples inquilinos y separación entre almacenamiento y procesamiento de mensajes.
Motor de procesamiento distribuido de datos, más rápido que Hadoop para muchas tareas gracias a su uso intensivo de memoria RAM.
Uno de los primeros motores de procesamiento de streaming en tiempo real de código abierto, diseñado para procesar flujos continuos de datos con muy baja latencia.
Plataforma de business intelligence de código abierto, que permite crear dashboards interactivos conectados a una amplia variedad de bases de datos.
Servicio centralizado que coordina y sincroniza información de configuración entre los distintos nodos de un sistema distribuido, como los usados históricamente por Hadoop y Kafka.
Estilo de diseño de interfaces de programación que utiliza los métodos estándar de HTTP para acceder y manipular recursos de datos, identificados mediante URLs.
Enfoque de entrenamiento en el que un modelo genera sus propias etiquetas a partir de los datos, sin necesitar anotación humana previa.
Capacidad de un modelo de seguir aprendiendo de nuevos datos a lo largo del tiempo, sin olvidar por completo lo que ya había aprendido anteriormente.
Técnica de entrenamiento que enseña a un modelo a acercar en su representación interna los ejemplos similares y a alejar los diferentes.
Enfoque de machine learning centrado en aprender automáticamente formas útiles de representar los datos, en lugar de depender de características diseñadas manualmente.
Enfoque de entrenamiento que utiliza etiquetas imperfectas, incompletas o indirectas, en lugar de etiquetas precisas y completamente verificadas para cada ejemplo.
Técnica de entrenamiento que permite mejorar un modelo usando datos distribuidos en muchos dispositivos, sin que esos datos salgan nunca del dispositivo original.
Enfoque de entrenamiento en el que un modelo se actualiza continuamente a medida que llegan nuevos datos, en lugar de reentrenarse desde cero sobre todo el conjunto de datos acumulado.
Enfoque de machine learning que busca patrones y estructuras ocultas en datos que no tienen etiquetas ni respuestas predefinidas.
Tipo de problema de clasificación donde las categorías tienen un orden natural entre sí, como niveles de satisfacción, y el modelo debe tenerlo en cuenta.
Estrategia de entrenamiento que presenta los ejemplos a un modelo en un orden progresivo de dificultad, similar a cómo se estructura la educación humana.
Técnica en la que un agente aprende a realizar una tarea observando y replicando el comportamiento demostrado por un experto, en lugar de aprender solo por prueba y error.
Técnica de machine learning en la que un agente aprende a tomar decisiones mediante prueba y error, recibiendo recompensas o penalizaciones.
Combinación de aprendizaje por refuerzo con redes neuronales profundas, que permite a un agente aprender comportamientos complejos directamente a partir de entradas de alta dimensión.
Subcampo del machine learning que usa redes neuronales con muchas capas para aprender representaciones complejas directamente de los datos crudos.
Enfoque de machine learning que combina una pequeña cantidad de datos etiquetados con una cantidad mucho mayor de datos sin etiquetar, para mejorar el aprendizaje.
Enfoque de machine learning en el que un modelo aprende a partir de ejemplos ya etiquetados con la respuesta correcta.
Estructura de datos balanceada, usada internamente por la mayoría de los índices de bases de datos, que permite búsquedas, inserciones y eliminaciones eficientes incluso con enormes volúmenes de datos.
Modelo predictivo que divide los datos en ramas sucesivas basadas en preguntas sobre sus variables, hasta llegar a una predicción final.
Métrica que resume en un solo número el desempeño global de un clasificador a lo largo de todos los posibles umbrales de decisión, a partir de la curva ROC.
Profesional responsable de diseñar la estructura general de los sistemas de datos de una organización, definiendo estándares, tecnologías y patrones de integración de alto nivel.
Diseño de red neuronal donde un componente (codificador) procesa la entrada completa, y otro (decodificador) genera la salida a partir de esa representación.
Conjunto de reglas, políticas, estándares y modelos que definen cómo se recolectan, almacenan, integran y usan los datos dentro de una organización.
Patrón de arquitectura de datos que procesa tanto datos históricos como en tiempo real usando un único motor de streaming, en lugar de mantener sistemas separados para procesamiento por lotes y en tiempo real.
Patrón de arquitectura de datos que combina procesamiento por lotes y en tiempo real para balancear precisión y baja latencia.
Patrón de organización de un data lake en capas sucesivas de calidad creciente, comúnmente llamadas bronce, plata y oro.
Estilo de diseño de sistemas donde los distintos componentes se comunican principalmente reaccionando a eventos que ocurren, en lugar de llamarse directamente entre sí.
Medida que indica qué tan simétrica o sesgada hacia un lado está la distribución de un conjunto de datos respecto a su valor central.
Sistema de IA diseñado para ayudar a un usuario a realizar tareas mediante lenguaje natural, combinando comprensión del lenguaje con la ejecución de acciones concretas.
Intento deliberado de engañar a un modelo de IA modificando sutilmente una entrada, para que produzca un resultado incorrecto sin que el cambio sea evidente para una persona.
Distinción entre mecanismos de atención que consideran todo el contexto disponible (global) y los que se enfocan solo en una porción cercana de la secuencia (local).
Registro sistemático de quién accedió o modificó los datos de una base de datos, y qué operaciones específicas realizó, usado para seguridad y cumplimiento normativo.
Evaluación sistemática del comportamiento de un modelo de IA para detectar sesgos, errores o riesgos antes o durante su uso en producción.
Medida que indica qué tan relacionados están los valores de una serie de tiempo con sus propios valores en momentos anteriores.
Red neuronal entrenada para comprimir datos a una representación reducida y luego reconstruirlos, aprendiendo así sus características esenciales.
Variante de autoencoder que aprende una representación probabilística de los datos, permitiendo generar nuevas muestras similares a las originales.
Capacidad de un sistema en la nube de ajustar automáticamente la cantidad de recursos de cómputo asignados, según la demanda real de tráfico o procesamiento en cada momento.
Conjunto de técnicas y herramientas que automatizan gran parte del proceso de construir un modelo de machine learning, incluyendo selección de algoritmos y ajuste de hiperparámetros.
Mecanismo mediante el cual un sistema que procesa datos más lento que la velocidad a la que los recibe, señala a la fuente de esos datos que reduzca su ritmo de envío, para evitar saturarse.
Proceso de evaluar cómo se habría desempeñado un modelo de pronóstico o de decisión, aplicándolo retroactivamente sobre datos históricos ya conocidos.
Técnica de ensamble que entrena múltiples modelos de forma independiente sobre distintas muestras aleatorias de los datos, y promedia sus predicciones para reducir la varianza.
Técnica que distribuye automáticamente las solicitudes entrantes entre múltiples servidores, evitando que uno solo se sobrecargue mientras otros permanecen subutilizados.
Marco de decisión que balancea explorar opciones desconocidas con explotar la opción que hasta el momento parece mejor, minimizando el costo total de esa exploración.
Conjunto organizado de datos, almacenado y accesible electrónicamente, estructurado de forma que pueda consultarse, actualizarse y gestionarse de manera eficiente.
Tipo de base de datos NoSQL más simple, que almacena información como pares de una clave única y un valor asociado, optimizada para máxima velocidad de acceso.
Modelo de servicio en la nube en el que un proveedor externo gestiona completamente la infraestructura, mantenimiento y escalado de una base de datos, permitiendo a los usuarios enfocarse solo en usarla.
Tipo de base de datos NoSQL optimizada para almacenar y consultar eficientemente grandes volúmenes de datos organizados por columnas, en lugar de por filas.
Tipo de base de datos NoSQL que almacena la información como documentos individuales, generalmente en formato JSON o similar, sin requerir un esquema fijo y uniforme.
Tipo de base de datos NoSQL que almacena los datos como nodos y relaciones explícitas entre ellos, optimizada para consultar conexiones complejas de forma eficiente.
Tipo de base de datos optimizada específicamente para almacenar y consultar datos que llegan continuamente marcados con una marca de tiempo, como lecturas de sensores o métricas de monitoreo.
Base de datos cuyos datos se almacenan y procesan a través de múltiples servidores físicamente separados, en lugar de en una única máquina.
Base de datos que se integra directamente dentro de una aplicación, sin necesitar un proceso de servidor separado ni configuración externa adicional.
Base de datos que se ejecuta sobre infraestructura de un proveedor de servicios en la nube, accesible a través de internet en lugar de alojada en servidores propios.
Base de datos que almacena los datos principalmente en la memoria RAM del servidor, en lugar de en disco, priorizando la velocidad de acceso.
Base de datos optimizada para almacenar y consultar eficientemente datos relacionados con ubicaciones geográficas, como coordenadas, rutas y áreas.
Base de datos capaz de almacenar y consultar datos usando más de un modelo de datos distinto (relacional, documentos, grafos) dentro de un mismo sistema.
Sistema de gestión de datos que organiza la información en tablas con filas y columnas, relacionadas entre sí mediante claves.
Servicio de base de datos que escala automáticamente sus recursos según la demanda real, sin necesitar que el usuario provisione o administre capacidad de servidor de antemano.
Base de datos optimizada para almacenar y buscar vectores numéricos (embeddings) según su similitud, en lugar de coincidencias exactas.
Visualización que muestra puntos individuales distribuidos a lo largo de un eje, desplazándolos ligeramente hacia los costados para evitar superposición, revelando tanto valores individuales como la densidad de la distribución.
Conjunto estandarizado de tareas y datos usado para medir y comparar el desempeño de distintos modelos de inteligencia artificial de forma objetiva.
Modelo de lenguaje basado en Transformer que popularizó el preentrenamiento bidireccional de texto, mejorando notablemente tareas de comprensión del lenguaje.
Conjuntos de datos tan grandes, rápidos o variados que superan la capacidad de las herramientas tradicionales para almacenarlos, procesarlos y analizarlos.
Conjunto de tecnologías que identifican o verifican a una persona a partir de características físicas o de comportamiento únicas, como huellas dactilares o el rostro.
Estructura de datos distribuida que registra información en bloques encadenados criptográficamente, diseñada para que los registros pasados sean extremadamente difíciles de alterar.
Mecanismo que impide temporalmente que otras transacciones accedan o modifiquen un dato mientras una transacción específica lo está usando.
Técnica clásica de representación de texto que cuenta la frecuencia de cada palabra en un documento, ignorando por completo el orden en que aparecen.
Medida que evalúa qué tan bien un modelo estadístico o una distribución teórica se ajusta a los datos observados realmente.
Técnica de ensamble que entrena modelos de forma secuencial, donde cada nuevo modelo se enfoca en corregir los errores cometidos por los modelos anteriores.
Técnica de remuestreo que estima la distribución de un estadístico, generando repetidamente muestras aleatorias con reemplazo a partir de los datos originales.
Incidente de seguridad en el que datos confidenciales o protegidos son accedidos, divulgados o robados sin autorización.
Visualización compacta, similar a una barra, que compara un valor actual contra un objetivo y contra rangos de referencia cualitativos, en un espacio mucho menor que un gráfico de indicador tradicional.
Técnica de ajuste de hiperparámetros que prueba combinaciones elegidas al azar dentro de los rangos posibles, en lugar de evaluarlas todas exhaustivamente.
Funcionalidad que permite buscar palabras o frases dentro de campos de texto extensos, de forma mucho más flexible y eficiente que una simple comparación exacta.
Técnica de ajuste de hiperparámetros que prueba de forma exhaustiva todas las combinaciones posibles dentro de un conjunto predefinido de valores.
Algoritmo de búsqueda que, al generar una secuencia paso a paso, mantiene simultáneamente varias de las opciones más prometedoras en lugar de comprometerse con una sola desde el principio.
Técnica que almacena temporalmente el resultado de una consulta ya ejecutada, para responder consultas idénticas posteriores de forma mucho más rápida, sin recalcularlas.
Sistema de caché compartido entre múltiples servidores de una aplicación, permitiendo que todos accedan a los mismos datos temporales cacheados de forma consistente.
Familia de algoritmos que permiten obtener muestras de distribuciones de probabilidad complejas, cuando no es posible calcularlas directamente mediante fórmulas matemáticas exactas.
Modelo probabilístico donde el sistema pasa por una secuencia de estados que no se observan directamente, pero que generan observaciones visibles que sí permiten inferirlos.
Técnica de prompt engineering que le pide a un modelo de lenguaje que razone paso a paso antes de dar una respuesta final, mejorando su precisión en tareas complejas.
Rama de la matemática que estudia cómo cambian las funciones, proporcionando las herramientas necesarias para calcular gradientes y optimizar modelos.
Grado en que las probabilidades que predice un modelo reflejan fielmente la frecuencia real con la que ocurre el evento predicho.
Grado en que los datos son precisos, completos, consistentes y confiables para el uso que se les quiere dar.
Cada una de las propiedades gráficas disponibles —posición, tamaño, color, forma, orientación— que pueden usarse para codificar una variable de datos dentro de una visualización.
Descripción de cuántas instancias de una entidad pueden relacionarse con cuántas instancias de otra entidad, dentro de un modelo de datos.
Estrategia de carga de datos que procesa únicamente los registros nuevos o modificados desde la última ejecución, en lugar de volver a cargar el conjunto de datos completo cada vez.
Inventario centralizado que documenta qué datos existen en una organización, dónde están, qué significan y quién es responsable de ellos.
Implementación de Gradient Boosting diseñada para manejar de forma nativa y eficiente variables categóricas, sin necesitar codificarlas manualmente de antemano.
Técnica que detecta y captura en tiempo casi real los cambios (inserciones, actualizaciones, eliminaciones) que ocurren en una base de datos de origen.
Recolección de información sobre absolutamente todos los elementos de una población, en lugar de solo una muestra representativa de ella.
Programa diseñado para simular una conversación con una persona, respondiendo preguntas o ejecutando tareas a través de texto o voz.
Punto de guardado periódico del estado interno de un sistema de streaming, que permite recuperar exactamente ese estado y continuar procesando sin pérdida de datos tras una falla.
Copia guardada del estado de un modelo en un momento específico de su entrenamiento, que permite retomarlo o usarlo sin tener que reentrenarlo desde cero.
Ejecutivo de más alto nivel responsable de la estrategia de datos de una organización completa, incluyendo su gobernanza, calidad y aprovechamiento para generar valor de negocio.
Campo interdisciplinario que combina estadística, programación y conocimiento de dominio para extraer patrones y conocimiento accionable de datos estructurados y no estructurados.
Profesional que aplica métodos estadísticos y de machine learning para extraer patrones predictivos y generar modelos a partir de datos.
Técnica que transforma datos legibles en un formato ilegible mediante un algoritmo matemático, de modo que solo puedan leerse con la clave correspondiente.
Técnica que protege los datos almacenados físicamente en disco, cifrándolos de forma que resulten ilegibles sin la clave de descifrado correspondiente, incluso si alguien accede directamente al almacenamiento físico.
Técnica que protege los datos mientras viajan a través de una red, evitando que puedan ser interceptados y leídos por terceros no autorizados durante la transmisión.
Patrón de diseño que detiene temporalmente los intentos de comunicación con un sistema externo que está fallando repetidamente, evitando sobrecargarlo aún más y dando tiempo a que se recupere.
Problema de clasificación en el que cada observación debe asignarse a una de solo dos categorías posibles.
Tarea de machine learning que asigna automáticamente una o más categorías a un documento de texto, como clasificar correos entre spam y no spam.
Problema de clasificación en el que cada observación puede pertenecer simultáneamente a varias categorías al mismo tiempo, en lugar de a una sola.
Problema de clasificación en el que cada observación debe asignarse a una entre tres o más categorías posibles, mutuamente excluyentes.
Cualquier columna o combinación de columnas que podría, por sí sola, servir para identificar de forma única cada fila de una tabla.
Clave primaria formada por la combinación de dos o más columnas, cuya combinación específica es lo que garantiza la unicidad de cada fila.
Columna en una tabla que hace referencia a la clave primaria de otra tabla, estableciendo una relación entre ambas.
Columna o conjunto de columnas que identifica de forma única a cada fila de una tabla en una base de datos relacional.
Identificador artificial, generalmente numérico y sin ningún significado de negocio, usado como clave primaria en lugar de un identificador natural del mundo real.
Restricción que garantiza que los valores de una columna, o combinación de columnas, no se repitan entre distintas filas de una tabla.
Técnica de IA que genera habla sintética que imita la voz específica de una persona real, a partir de muestras de audio de esa persona.
Conjunto de servidores conectados entre sí que trabajan de forma coordinada como si fueran un único sistema, repartiendo tareas y datos.
Técnica de agrupamiento que construye una jerarquía de grupos anidados, permitiendo explorar agrupaciones a distintos niveles de granularidad.
Técnica que asigna un número entero distinto a cada categoría de una variable categórica.
Técnica que convierte una variable categórica en varias columnas binarias, una por cada categoría posible, para que los algoritmos numéricos puedan procesarla.
Asignación deliberada de una propiedad visual —posición, longitud, color, forma— para representar el valor de una variable dentro de una visualización.
Métrica que indica qué proporción de la variabilidad de la variable dependiente es explicada por un modelo de regresión.
Medida de dispersión relativa que expresa la desviación estándar como un porcentaje de la media, permitiendo comparar la variabilidad entre conjuntos de datos con escalas distintas.
Sistema que almacena temporalmente mensajes enviados por un proceso productor, hasta que un proceso consumidor los procesa, desacoplando ambos en el tiempo.
Uso deliberado del color para codificar información, resaltar patrones o guiar la atención dentro de un gráfico, en lugar de decorarlo.
Resultado temporal con nombre, definido al inicio de una consulta SQL, que puede referenciarse dentro de esa misma consulta para simplificar su lectura y estructura.
Proceso que combina muchos archivos pequeños en archivos más grandes dentro de un sistema de almacenamiento distribuido, mejorando el rendimiento de lectura posterior.
Estrategia de retención en sistemas de mensajería que conserva únicamente el mensaje más reciente para cada clave, en lugar de mantener el historial completo de todos los mensajes enviados.
Forma de describir cómo crece el tiempo o la memoria que requiere un algoritmo, a medida que aumenta el tamaño de los datos que procesa.
Dimensión de calidad de datos que mide qué proporción de la información esperada está efectivamente presente, sin valores faltantes o vacíos.
Subcampo del procesamiento de lenguaje natural enfocado en que una máquina interprete correctamente el significado e intención detrás de un texto.
Técnica que reduce el tamaño físico de un conjunto de datos, permitiendo ahorrar espacio de almacenamiento y acelerar su transferencia, a cambio de un costo adicional de procesamiento para comprimir y descomprimir.
Principio fundamental del aprendizaje automático que describe la tensión entre construir modelos demasiado simples (sesgo alto) o demasiado complejos (varianza alta).
Campo de investigación emergente que explora cómo las computadoras cuánticas podrían acelerar o mejorar ciertos algoritmos de machine learning.
Enfoque que procesa datos cerca de donde se generan, en dispositivos locales o servidores cercanos, en lugar de enviarlos siempre a un centro de datos centralizado o a la nube.
Modelo que ofrece recursos de cómputo, almacenamiento y otros servicios de tecnología bajo demanda a través de internet, en lugar de requerir infraestructura física propia.
Enfoque de procesamiento de datos que mantiene los datos activos en memoria RAM durante todo el procesamiento, en lugar de leer y escribir constantemente en disco.
Campo de la inteligencia artificial que resuelve problemas de optimización y búsqueda inspirándose en mecanismos de evolución biológica, como la selección natural.
Modelo de cómputo en la nube donde el proveedor gestiona automáticamente toda la infraestructura de servidores, y el usuario solo paga por el tiempo de ejecución real de su código.
Técnica de procesamiento que aplica una misma operación simultáneamente sobre múltiples valores de datos a la vez, en lugar de procesarlos uno por uno de forma secuencial.
Estrategia que dedica más recursos computacionales al momento de generar una respuesta, en lugar de únicamente durante el entrenamiento del modelo, para mejorar la calidad del resultado en problemas difíciles.
Capacidad de un sistema de base de datos de manejar correctamente múltiples operaciones simultáneas sobre los mismos datos, sin generar inconsistencias.
Conexión que permite que la información salte una o más capas de una red neuronal, facilitando el entrenamiento de arquitecturas muy profundas.
Dimensión de calidad de datos que mide qué tan consistentemente los datos son correctos y se comportan como se espera a lo largo del tiempo.
Protocolo que coordina que una transacción distribuida entre varios servidores se confirme completamente en todos ellos, o se cancele en todos, sin quedar aplicada solo parcialmente.
Técnica que reutiliza un conjunto de conexiones ya establecidas a una base de datos, en lugar de abrir y cerrar una nueva conexión para cada operación individual.
Medida que evalúa qué tan de acuerdo están distintas personas al asignar etiquetas a los mismos datos, usada para verificar la confiabilidad de un proceso de anotación.
Principio que exige que una persona reciba información clara sobre cómo se usarán sus datos, antes de aceptar de forma libre y voluntaria que se recolecten.
Dimensión de calidad de datos que mide si la misma información se representa de forma uniforme entre distintos sistemas, tablas o momentos en el tiempo.
Garantía de que, tras una escritura exitosa, cualquier lectura posterior en cualquier nodo del sistema devolverá siempre el valor más reciente, sin ninguna demora ni divergencia temporal.
Instrucción que se envía a una base de datos para recuperar, filtrar o transformar información almacenada en ella.
Técnica que permite que las lecturas y escrituras concurrentes de una base de datos ocurran sin bloquearse mutuamente, manteniendo distintas versiones de un mismo dato.
Punto durante el entrenamiento en el que los parámetros de un modelo dejan de cambiar significativamente, indicando que el proceso de optimización alcanzó una solución estable.
Tecnologías que permiten a sitios web y aplicaciones identificar y seguir el comportamiento de un usuario a través del tiempo y, en algunos casos, entre distintos sitios.
Visualización que representa múltiples variables como ejes verticales paralelos, conectando con una línea los valores de cada observación a través de todos esos ejes.
Copia de los datos almacenados en una base de datos, guardada por separado para poder restaurarla en caso de pérdida, corrupción o falla del sistema original.
Medida estadística que indica el grado y la dirección de la relación lineal entre dos variables.
Medida estándar de correlación que cuantifica específicamente la fuerza y dirección de una relación lineal entre dos variables numéricas continuas.
Medida de correlación que evalúa la relación monótona entre dos variables, basándose en el orden (rangos) de sus valores en lugar de sus valores exactos.
Relación estadística aparente entre dos variables que en realidad no tienen ninguna conexión causal directa entre sí, generalmente producto de coincidencia o de una variable confusora oculta.
Recursos computacionales y económicos necesarios para ejecutar un modelo de IA ya entrenado y generar una respuesta a partir de una entrada nueva.
Estimación completa de todos los costos asociados a un sistema o tecnología a lo largo de su vida útil, más allá del precio inicial de adquisición o licenciamiento.
Cargos que cobran los proveedores de nube por transferir datos fuera de su infraestructura, un factor de costo importante a considerar en arquitecturas de datos distribuidas entre distintos proveedores.
Medida que indica si dos variables tienden a moverse juntas en la misma dirección, en direcciones opuestas, o de forma independiente entre sí.
Técnica que reduce la precisión numérica de los parámetros de un modelo, disminuyendo su tamaño y costo computacional con una pérdida mínima de calidad.
Valores que dividen un conjunto de datos ordenado en cuatro partes iguales, cada una conteniendo aproximadamente el 25% de las observaciones.
Estructura de datos multidimensional que organiza información según varias categorías simultáneamente, facilitando el análisis rápido desde múltiples perspectivas.
Conjunto de valores, comportamientos y normas compartidas dentro de una organización, que priorizan el uso de evidencia y datos por sobre la intuición al tomar decisiones.
Medida que describe qué tan concentrados están los datos alrededor de la media, y qué tan pesadas son las colas de la distribución, en comparación con una distribución normal.
Gráfico que muestra cómo cambia el desempeño de un modelo a medida que aumenta la cantidad de datos de entrenamiento disponibles, útil para diagnosticar overfitting y underfitting.
Gráfico que muestra cómo varían conjuntamente la precisión y el recall de un clasificador a medida que se ajusta su umbral de decisión.
Gráfico que muestra el desempeño de un modelo de clasificación en distintos umbrales de decisión, comparando la tasa de verdaderos positivos contra la de falsos positivos.
Biblioteca de JavaScript de código abierto para crear visualizaciones de datos personalizadas e interactivas directamente en una página web, ofreciendo control detallado sobre cada aspecto visual.
Herramienta de orquestación de datos de código abierto que trata los activos de datos (tablas, archivos, modelos) como el elemento central a gestionar, en lugar de solo tareas individuales.
Panel que reúne varias visualizaciones y métricas clave en una sola pantalla, permitiendo monitorear el estado de un negocio o proceso de un vistazo.
Panel diseñado para que la dirección de una organización monitoree el progreso hacia objetivos de largo plazo, priorizando tendencias generales sobre el detalle operativo momento a momento.
Panel diseñado para monitorear el estado de un proceso en tiempo real o casi real, orientado a la acción inmediata más que al análisis histórico profundo.
Anglicismo de uso extendido en el español técnico como sinónimo de 'dato' o 'datos'; en inglés es, formalmente, el plural de datum.
Técnica que genera variaciones artificiales de los datos de entrenamiento existentes, para aumentar su cantidad y diversidad sin recolectar datos nuevos.
Empresa que recolecta, combina y comercializa datos personales de individuos, obtenidos de múltiples fuentes, generalmente sin relación directa con las personas involucradas.
Acuerdo formal entre quien genera datos y quien los consume, que define la estructura, el significado y las garantías de calidad esperadas.
Cambio en la distribución estadística de los datos que recibe un modelo en producción, respecto a los datos con los que fue entrenado originalmente.
Arquitectura de datos que integra y proporciona acceso unificado a datos distribuidos entre múltiples sistemas y ubicaciones distintas, sin necesariamente centralizarlos físicamente en un único lugar.
Repositorio centralizado que almacena datos estructurados y no estructurados en su formato original, listos para analizarse.
Subconjunto de un data warehouse, enfocado en las necesidades de análisis específicas de un área o departamento particular de una organización.
Enfoque de arquitectura de datos que distribuye la propiedad y responsabilidad de los datos entre los equipos de cada dominio de negocio, en lugar de centralizarla en un único equipo.
Persona responsable de garantizar la calidad, el correcto uso y el cumplimiento de las políticas de gobernanza sobre un conjunto específico de datos dentro de una organización.
Metodología de modelado de datos para data warehouses, diseñada para ser altamente flexible ante cambios de esquema y para preservar el historial completo de auditoría de los datos.
Repositorio centralizado que almacena datos ya estructurados y transformados, optimizado para el análisis y la generación de reportes de negocio.
Principio de diseño que propone maximizar la proporción de un gráfico dedicada a mostrar datos reales, minimizando elementos decorativos innecesarios.
Plataforma de análisis de datos en la nube, construida originalmente por los creadores de Apache Spark, que combina ingeniería de datos, ciencia de datos y machine learning en un mismo entorno.
Conjunto de prácticas que aplican principios de automatización, colaboración y mejora continua (tomados de DevOps) al desarrollo y mantenimiento de pipelines de datos.
Colección organizada de datos, generalmente estructurada en filas (observaciones) y columnas (variables), reunida para un análisis o el entrenamiento de un modelo.
Representación simbólica (un número, un texto, una señal) de un hecho o una medición, sin que por sí sola implique todavía una interpretación o un significado.
Tipo específico de datos longitudinales que combinan observaciones de múltiples unidades a través del tiempo, permitiendo analizar tanto variación entre unidades como variación a lo largo del tiempo.
Ausencia de valores en una o más variables de un conjunto de datos, que puede afectar la validez de los análisis si no se maneja adecuadamente.
Datos que registran las mismas unidades de observación (personas, empresas, países) repetidamente a lo largo del tiempo.
Categoría de datos personales que, por su naturaleza, requieren protección especial debido al riesgo de daño o discriminación si se exponen indebidamente.
Datos generados artificialmente, en lugar de recolectados de eventos reales, usados para entrenar o probar modelos cuando los datos reales son escasos, costosos o sensibles.
Algoritmo de clustering que agrupa puntos densamente conectados entre sí, identificando automáticamente tanto la cantidad de grupos como los valores atípicos que no pertenecen a ninguno.
Herramienta que permite definir, testear y documentar las transformaciones de datos dentro de un data warehouse usando principalmente SQL.
Cola separada donde se envían automáticamente los mensajes que un sistema no pudo procesar exitosamente después de varios intentos, para su revisión posterior sin bloquear el procesamiento del resto.
Situación en la que dos o más transacciones quedan bloqueadas indefinidamente, cada una esperando que la otra libere un recurso que necesita para continuar.
Valores que dividen un conjunto de datos ordenado en diez partes iguales, cada una conteniendo aproximadamente el 10% de las observaciones.
Combinación de Q-learning con redes neuronales profundas, que permitió aplicar aprendizaje por refuerzo a problemas con espacios de estados muy grandes y complejos.
Contenido audiovisual sintético, generado con IA, que muestra a una persona diciendo o haciendo algo que en realidad nunca ocurrió.
Formato de tabla abierto desarrollado originalmente por Databricks, que agrega transacciones ACID y versionado de datos sobre archivos Parquet almacenados en un data lake.
Iniciativa que busca ampliar el acceso a los datos y las herramientas de análisis dentro de una organización, más allá de un equipo técnico centralizado reducido.
Cantidad de información significativa que una visualización comunica en relación con el espacio visual que ocupa.
Situación en la que una organización queda tan dependiente de las herramientas o servicios específicos de un proveedor, que cambiar a otra alternativa se vuelve costoso o técnicamente muy difícil.
Derecho de una persona a solicitar que sus datos personales sean eliminados de los sistemas de una organización, bajo ciertas condiciones.
Tarea de procesamiento de lenguaje natural que determina cuál de los posibles significados de una palabra ambigua aplica en un contexto específico.
Situación en la que una o más categorías de un problema de clasificación están representadas por muchas menos observaciones que las demás.
Algoritmo de optimización que ajusta gradualmente los parámetros de un modelo en la dirección que más reduce el error, hasta encontrar un mínimo.
Variante del descenso de gradiente que actualiza los parámetros del modelo usando solo un ejemplo o un pequeño grupo de ejemplos en cada paso, en lugar de todo el conjunto de datos.
Variante del descenso de gradiente que actualiza los parámetros del modelo usando pequeños grupos de ejemplos en cada paso, en lugar de uno solo o el conjunto de datos completo.
Técnica que separa una serie temporal en sus componentes subyacentes: tendencia de largo plazo, patrones estacionales recurrentes, y variación residual.
Proceso deliberado de introducir cierta redundancia en el diseño de una base de datos, generalmente para mejorar el rendimiento de lectura a costa de mayor complejidad al escribir o actualizar datos.
Estrategia de infraestructura que distribuye una aplicación y sus datos entre varias regiones geográficas distintas de un proveedor de nube, mejorando la resiliencia y reduciendo la latencia para usuarios distribuidos globalmente.
Técnica que entrena un modelo más pequeño para imitar el comportamiento de un modelo grande ya entrenado, buscando una eficiencia similar con menos recursos.
Medida de dispersión que promedia la distancia absoluta entre cada valor de un conjunto de datos y su media, sin elevar al cuadrado esas diferencias.
Medida que indica cuánto se dispersan, en promedio, los valores de un conjunto de datos respecto a su media.
Identificación automática de valores o patrones en un conjunto de datos que se desvían significativamente de lo esperado, útil tanto para calidad de datos como para monitoreo operativo.
Conjunto de técnicas que buscan identificar si un texto, imagen, audio o video fue producido por un sistema de inteligencia artificial.
Aplicación de modelos de machine learning para identificar transacciones o comportamientos que probablemente sean fraudulentos, a partir de patrones aprendidos de casos anteriores.
Tarea de visión por computadora que identifica y ubica, mediante recuadros, la posición de distintos objetos dentro de una imagen.
Visualización que resume la distribución de un conjunto de datos mostrando su mediana, cuartiles y valores atípicos en un solo gráfico compacto.
Visualización circular que representa las relaciones y flujos entre distintas categorías, conectándolas mediante arcos cuyo grosor indica la magnitud de esa relación.
Visualización que representa las tareas de un proyecto como barras horizontales a lo largo de una línea de tiempo, mostrando su duración, orden y dependencias entre sí.
Forma más común de representar visualmente una red, dibujando cada entidad como un punto (nodo) y cada relación como una línea (enlace) que conecta los nodos relacionados.
Representación visual simple de un conjunto de datos numéricos que muestra, al mismo tiempo, su forma de distribución y los valores exactos de cada observación.
Visualización que usa círculos superpuestos para representar las relaciones lógicas entre distintos conjuntos, mostrando qué elementos comparten y cuáles son exclusivos de cada uno.
Documento o herramienta que define de forma precisa el significado, tipo de dato y reglas de negocio de cada campo disponible en los sistemas de datos de una organización.
Atributo o criterio categórico (tiempo, geografía, producto) que permite desagregar, filtrar o agrupar una métrica en un análisis.
Técnica de modelado de data warehouse que gestiona cómo se registran los cambios en los atributos de una dimensión a lo largo del tiempo, como el cambio de dirección de un cliente.
Medida teórica de la capacidad de un modelo, que indica la complejidad máxima de los patrones que puede llegar a aprender o memorizar.
Planificación cuidadosa de cómo se recolectarán los datos de un experimento, para poder sacar conclusiones causales confiables sobre el efecto de una intervención.
Dimensión de calidad de datos que mide si los datos están accesibles y utilizables cuando quienes los necesitan los requieren.
Medida que evalúa qué tan similares son dos vectores según el ángulo entre ellos, sin importar su magnitud, muy utilizada para comparar embeddings.
Medida de distancia entre dos puntos calculada como la suma de las diferencias absolutas de cada una de sus coordenadas, en lugar de la línea recta directa entre ellos.
Medida de distancia entre dos puntos, calculada como la longitud de la línea recta que los conecta, siendo la noción de distancia más intuitiva y comúnmente usada en machine learning.
Distribución de probabilidad que describe la cantidad de éxitos en un número fijo de intentos independientes, cada uno con la misma probabilidad de éxito.
Distribución de probabilidad usada frecuentemente en pruebas estadísticas que evalúan si las diferencias observadas entre categorías se deben al azar o reflejan una relación real.
Distribución de probabilidad más simple posible, que describe un experimento con exactamente dos resultados posibles: éxito o fracaso.
Distribución de probabilidad que modela la cantidad de veces que ocurre un evento dentro de un intervalo fijo de tiempo o espacio, cuando esos eventos ocurren de forma independiente entre sí.
Función matemática que describe qué tan probable es cada uno de los valores posibles que puede tomar una variable aleatoria.
Distribución de probabilidad que modela el tiempo que transcurre entre eventos sucesivos en un proceso donde estos ocurren de forma continua e independiente.
Distribución de probabilidad que modela la cantidad de intentos necesarios hasta obtener el primer éxito, en una secuencia de intentos independientes con la misma probabilidad de éxito.
Distribución de probabilidad que modela la cantidad de éxitos al extraer una muestra sin reemplazo de una población finita dividida en dos categorías.
Distribución de probabilidad de un estadístico (como la media), calculada considerando todas las posibles muestras del mismo tamaño que podrían extraerse de una población.
Distribución de probabilidad simétrica con forma de campana, en la que la mayoría de los valores se concentran cerca de la media.
Distribución de probabilidad similar a la normal, pero con colas más gruesas, usada especialmente cuando se trabaja con muestras pequeñas y se desconoce la varianza real de la población.
Distribución de probabilidad en la que todos los valores dentro de un rango determinado son igualmente probables.
Plataforma que empaqueta una aplicación junto con todas sus dependencias en un contenedor liviano y portable, garantizando que funcione de forma consistente en cualquier entorno.
Registro escrito y accesible que explica qué significan los datos disponibles en una organización, cómo se generan, y cómo deberían usarse correctamente.
Interacción que permite a quien consulta una visualización profundizar desde un resumen general hacia el detalle específico que lo compone, con un simple clic.
Técnica de regularización para redes neuronales que desactiva aleatoriamente una fracción de las neuronas durante cada paso del entrenamiento.
Persona o equipo formalmente responsable de un conjunto específico de datos dentro de una organización, con autoridad para tomar decisiones sobre su acceso, calidad y evolución.
Técnica que detiene el entrenamiento de un modelo en el momento en que su desempeño sobre un conjunto de validación deja de mejorar, evitando el overfitting.
Fenómeno en el que un sujeto experimenta una mejora real o percibida simplemente por creer que está recibiendo un tratamiento, aunque ese tratamiento no tenga ningún efecto farmacológico real.
Línea de referencia que establece la escala y el rango de valores representados en una dimensión de un gráfico, generalmente horizontal o vertical.
Entrada específicamente diseñada para engañar a un modelo de IA, generalmente mediante una modificación mínima e imperceptible de una entrada normal.
Técnica de regularización que combina las penalizaciones L1 y L2, aprovechando las ventajas de ambas.
Motor de búsqueda y análisis distribuido, especializado en indexar y buscar grandes volúmenes de texto y datos de forma extremadamente rápida.
Técnica de preprocesamiento de texto que remueve palabras muy frecuentes y con poco valor informativo propio, como artículos y preposiciones, antes de analizar un texto.
Variante de ETL donde los datos se cargan primero en su forma cruda en el destino final, y se transforman después, aprovechando el poder de cómputo del propio destino.
Representación numérica de datos (texto, imágenes) en un espacio vectorial donde la cercanía refleja similitud semántica.
Representación numérica que le indica a un modelo Transformer la posición de cada elemento dentro de una secuencia, ya que su mecanismo de atención no la percibe por sí solo.
Técnica que oculta o sustituye parcialmente datos sensibles en un conjunto de datos, manteniendo su formato general utilizable para pruebas o análisis sin exponer la información real.
Estrategia general que combina las predicciones de varios modelos distintos para obtener un resultado final más preciso y robusto que el de cualquier modelo individual.
Técnica de ensamble que combina las predicciones de varios modelos distintos, eligiendo la categoría más votada entre todos ellos como resultado final.
Técnica que reparte el entrenamiento de un modelo de gran tamaño entre múltiples procesadores o máquinas, para reducir el tiempo total de entrenamiento.
Función de pérdida ampliamente usada en problemas de clasificación, que mide qué tan distintas son las probabilidades predichas por un modelo de las probabilidades reales.
Ataque que introduce deliberadamente datos maliciosos o manipulados en el conjunto de entrenamiento de un modelo, para alterar su comportamiento de forma encubierta.
Cada pasada completa a través de todo el conjunto de datos de entrenamiento durante el proceso de ajuste de un modelo.
Métrica de evaluación para modelos de regresión que calcula el promedio de las diferencias absolutas entre las predicciones y los valores reales.
Métrica de evaluación para modelos de regresión que mide, en las mismas unidades que la variable original, qué tan lejos están en promedio las predicciones de los valores reales.
Medida que estima cuánto varía, de una muestra a otra, un estadístico calculado a partir de muestras del mismo tamaño extraídas de la misma población.
Estimación del error de un modelo de bagging (como Random Forest), calculada usando en cada árbol únicamente las observaciones que no formaron parte de su muestra de entrenamiento.
Error que ocurre cuando una prueba estadística rechaza incorrectamente una hipótesis nula que en realidad era verdadera, concluyendo un efecto que no existe.
Error que ocurre cuando una prueba estadística no logra detectar un efecto real, fallando en rechazar una hipótesis nula que en realidad era falsa.
Escala de un gráfico donde distancias iguales representan diferencias iguales en el valor, siendo la forma más intuitiva y comúnmente usada de representar magnitudes.
Escala de un gráfico donde cada unidad de distancia representa una multiplicación (no una suma) del valor anterior, útil para visualizar datos que varían en varios órdenes de magnitud.
Estrategia para aumentar la capacidad de un sistema agregando más máquinas o servidores, en lugar de hacer más potente una sola máquina.
Estrategia para aumentar la capacidad de un sistema mejorando el hardware de una única máquina, como agregar más memoria o un procesador más potente.
Estructura matemática formada por un conjunto de vectores que pueden sumarse entre sí y multiplicarse por números, siendo el marco formal en el que se representan los datos en machine learning.
Promedio ponderado de todos los valores posibles que puede tomar una variable aleatoria, ponderado según su probabilidad de ocurrencia.
Estructura que define cómo están organizados los datos en una base de datos: qué tablas existen, sus columnas, tipos de datos y relaciones.
Variante del esquema en estrella donde las tablas de dimensiones están a su vez normalizadas en tablas adicionales relacionadas entre sí, formando una estructura más ramificada.
Forma de organizar un data warehouse con una tabla central de hechos rodeada de tablas de dimensiones relacionadas directamente con ella, formando una estructura similar a una estrella.
Capacidad de un sistema de datos para adaptarse a cambios en la estructura de los datos con el tiempo, sin romper los procesos que ya la usan.
Patrón que se repite con una frecuencia regular y predecible dentro de una serie de tiempo, como un aumento recurrente de ventas en una misma época del año.
Propiedad de una serie de tiempo cuyas características estadísticas —como su media y varianza— se mantienen estables a lo largo del tiempo.
Distinción entre dos grandes escuelas de pensamiento estadístico, que difieren fundamentalmente en cómo interpretan el concepto mismo de probabilidad.
Rama de la estadística dedicada a resumir, organizar y presentar las características principales de un conjunto de datos, sin sacar conclusiones más allá de esos datos específicos.
Rama de la estadística que usa datos de una muestra para sacar conclusiones y hacer generalizaciones sobre una población más amplia.
Rama de la estadística que no asume una forma específica para la distribución de los datos, siendo útil cuando esos supuestos no se pueden verificar o no se cumplen.
Rama de la estadística que asume que los datos provienen de una distribución con una forma matemática conocida, definida por un número finito de parámetros.
Capacidad de un sistema de procesamiento de streaming de recordar información de eventos anteriores, para usarla al procesar eventos nuevos relacionados.
Técnica de preprocesamiento que transforma los datos para que tengan media cero y desviación estándar uno, facilitando el trabajo de muchos algoritmos de machine learning.
Fórmula o regla que, aplicada a los datos de una muestra, produce un valor que sirve como aproximación de un parámetro desconocido de la población.
Estimador cuyo valor promedio, calculado sobre muchas muestras posibles, coincide exactamente con el verdadero valor del parámetro que intenta estimar.
Plan de alto nivel que define cómo una organización recolecta, gestiona y usa sus datos para alcanzar sus objetivos de negocio.
Campo que estudia los principios morales que deberían guiar la recolección, el análisis y el uso de datos, más allá de lo que la ley exige.
Campo que estudia las implicancias morales de cómo se recolectan, analizan y usan los datos, más allá de lo que la ley exige o permite.
Proceso que extrae datos de distintas fuentes, los transforma y limpia, y los carga en un destino final como un data warehouse.
Proceso que mueve datos ya procesados desde un data warehouse hacia herramientas operativas de negocio, como un CRM o una plataforma de marketing, en lugar de únicamente hacia reportes.
Tarea de procesamiento de lenguaje natural que convierte texto no estructurado en datos estructurados, identificando hechos, relaciones y eventos específicos.
Ataque que busca replicar el comportamiento de un modelo de IA propietario, consultándolo repetidamente y usando sus respuestas para entrenar una copia no autorizada.
Métrica que combina precisión y recall en un único número, mediante su media armónica, útil cuando ambas métricas importan y hay que resumirlas en una sola.
Cantidad de copias idénticas que un sistema distribuido mantiene de cada fragmento de datos, determinando cuántos fallos simultáneos de servidores puede tolerar sin perder información.
Técnica que descompone una matriz grande y con datos faltantes (como las calificaciones de usuarios a productos) en matrices más pequeñas que capturan patrones subyacentes, útil en sistemas de recomendación.
Proceso automático o manual mediante el cual un sistema cambia a un servidor de respaldo cuando el servidor principal falla, para mantener el servicio disponible.
Creencia errónea de que, si un evento aleatorio ha ocurrido con más frecuencia de lo normal recientemente, es menos probable que vuelva a ocurrir pronto, o viceversa.
Proceso de crear, transformar o seleccionar las variables (features) que se le entregan a un modelo, para mejorar su capacidad de aprender patrones útiles.
Repositorio centralizado que almacena, versiona y sirve las variables (features) usadas para entrenar y ejecutar modelos de machine learning, evitando duplicar ese trabajo entre distintos equipos y proyectos.
Capacidad de ejecutar una única consulta que combina y cruza datos provenientes de múltiples sistemas de almacenamiento distintos de forma transparente.
Capacidad de un modelo de aprender a resolver una tarea a partir de solo unos pocos ejemplos, en lugar de un gran conjunto de datos de entrenamiento.
Técnica de recomendación que sugiere ítems similares a los que a un usuario ya le gustaron, analizando las características propias de cada ítem.
Técnica de recomendación que sugiere ítems a un usuario basándose en las preferencias de otros usuarios con gustos similares.
Funcionalidad de un dashboard donde seleccionar un elemento en una visualización filtra automáticamente los datos mostrados en todas las demás visualizaciones del mismo panel.
Sistema que detecta y bloquea contenido inapropiado, dañino o que viola políticas de uso, generado o recibido por un sistema de IA.
Proceso de continuar el entrenamiento de un modelo ya entrenado, usando un conjunto de datos más específico para adaptarlo a una tarea concreta.
Práctica y cultura organizacional enfocada en gestionar y optimizar de forma continua los costos del uso de servicios en la nube, involucrando conjuntamente a equipos técnicos y financieros.
Herramienta comercial de ingesta de datos que ofrece conectores prediseñados y mantenidos para extraer automáticamente datos de cientos de fuentes comunes hacia un data warehouse.
Conjunto progresivo de reglas de diseño que definen distintos niveles de normalización de una base de datos, reduciendo la redundancia y las inconsistencias posibles.
Formato de serialización de datos orientado a filas, que incluye el esquema de los datos junto con la propia información, facilitando su evolución con el tiempo.
Técnica que aplica automáticamente un estilo visual —color, ícono, barra de progreso— a una celda de una tabla según el valor que contiene, facilitando identificar patrones sin necesitar leer cada número individualmente.
Formato de archivo de texto simple que almacena datos tabulares separando cada valor por comas, ampliamente usado por su simplicidad y compatibilidad universal.
Especificación abierta que agrega funcionalidades de tabla tradicional —transacciones, versionado, evolución de esquema— sobre archivos de datos almacenados en un data lake.
Formato de texto ligero para representar datos estructurados y semiestructurados, ampliamente usado tanto en el intercambio de datos entre sistemas como en bases de datos de documentos.
Formato de almacenamiento columnar de código abierto, optimizado específicamente para el ecosistema Hadoop, con fuerte compresión e indexación incorporada.
Formato de almacenamiento de datos columnar, de código abierto, optimizado para consultas analíticas eficientes sobre grandes volúmenes de datos.
Error metodológico en el que información del conjunto de prueba, o del futuro, se filtra accidentalmente hacia el proceso de entrenamiento de un modelo, inflando artificialmente su desempeño aparente.
Modelo de computación serverless en el que se despliegan pequeñas funciones individuales de código, que se ejecutan automáticamente en respuesta a eventos específicos.
Función matemática que decide si y cómo una neurona artificial transmite su señal a la siguiente capa de una red neuronal.
Función que describe la probabilidad relativa de que una variable aleatoria continua tome valores cercanos a un punto determinado.
Función que indica la probabilidad de que una variable aleatoria tome un valor menor o igual a un punto determinado.
Función matemática que mide qué tan lejos están las predicciones de un modelo respecto a los valores reales, y que el entrenamiento busca minimizar.
Señal numérica que define, dentro de un sistema de aprendizaje por refuerzo, qué tan buena o mala fue una acción tomada por un agente en un momento dado.
Función SQL que realiza cálculos sobre un conjunto de filas relacionadas con la fila actual, sin necesidad de agrupar y colapsar esas filas en el resultado final.
Función personalizada que un usuario crea dentro de una base de datos, para reutilizar lógica de cálculo específica dentro de consultas SQL.
Capacidad de un modelo de lenguaje de generar una llamada estructurada a una función o herramienta externa, en lugar de solo texto libre, para ejecutar acciones concretas.
Técnica que combina datos provenientes de múltiples sensores distintos para obtener una percepción del entorno más precisa y confiable que la de cualquier sensor individual.
Representación virtual, actualizada en tiempo real, de un objeto, proceso o sistema físico, usada para simular, predecir y optimizar su comportamiento.
Uso de modelos de lenguaje entrenados especialmente para escribir, completar o corregir código de programación a partir de instrucciones en lenguaje natural.
Capacidad de un modelo de IA generativa de crear una imagen nueva a partir de una descripción escrita en lenguaje natural.
Subcampo del procesamiento de lenguaje natural enfocado en producir texto coherente y fluido a partir de datos o de una representación interna de significado.
Uso de modelos de IA generativa para componer piezas musicales originales, a partir de una descripción textual, un género o una melodía de referencia.
Capacidad de un modelo de IA generativa de crear clips de video originales a partir de una descripción de texto o de una imagen inicial.
Conjunto de prácticas, procesos y políticas para adquirir, validar, almacenar, proteger y poner a disposición los datos de una organización a lo largo de todo su ciclo de vida.
Biblioteca de visualización del lenguaje R, basada explícitamente en la gramática de gráficos, que construye visualizaciones combinando capas de datos, geometrías y estéticas de forma sistemática.
Repositorio de definiciones de negocio, acordadas y compartidas por la organización, para los términos y conceptos clave que aparecen en sus datos.
Conjunto de políticas, roles y procesos que definen cómo se gestionan, protegen y usan los datos dentro de una organización.
Data warehouse serverless de Google Cloud, diseñado para ejecutar consultas analíticas extremadamente rápidas sobre volúmenes de datos masivos, sin necesitar administrar infraestructura.
Familia de modelos de lenguaje basados en Transformer, entrenados para predecir texto de forma autorregresiva, que impulsó el auge de la IA generativa conversacional.
Tipo de procesador especializado en realizar muchas operaciones matemáticas simples en paralelo, lo que lo volvió esencial para entrenar modelos de deep learning.
Técnica de ensamble que construye modelos de forma secuencial, donde cada nuevo modelo corrige los errores del conjunto anterior.
Cantidad de valores en un cálculo estadístico que pueden variar libremente, una vez que se han impuesto ciertas restricciones, como conocer la media de la muestra.
Variante del gráfico de torta con un espacio vacío en el centro, que puede aprovecharse para mostrar información adicional, como el valor total.
Visualización similar a un gráfico de líneas, donde el espacio entre la línea y el eje horizontal se rellena con color, enfatizando visualmente la magnitud acumulada.
Visualización que apila varias series de datos una encima de otra, mostrando tanto la evolución de cada componente individual como el total combinado a lo largo del tiempo.
Visualización que representa valores mediante barras rectangulares, ideal para comparar cantidades entre distintas categorías.
Visualización que agrupa varias barras relacionadas, una junto a otra, para cada categoría, facilitando la comparación directa entre subcategorías dentro de cada grupo.
Visualización que divide cada barra en segmentos, representando cómo se compone un total a partir de distintas categorías, permitiendo comparar tanto el total como la composición interna.
Extensión de un gráfico de dispersión que agrega una tercera variable, representada mediante el tamaño de cada punto, permitiendo visualizar tres dimensiones de datos simultáneamente.
Visualización que muestra cómo un valor inicial se ve afectado por una serie de incrementos y disminuciones sucesivas, hasta llegar a un valor final.
Visualización que representa una superficie tridimensional en dos dimensiones, usando líneas o áreas de color para mostrar dónde se concentran valores similares.
Visualización que representa pares de valores como puntos en dos ejes, ideal para detectar relaciones y patrones entre dos variables.
Híbrido entre un gráfico de dispersión y uno de líneas, que conecta secuencialmente los puntos según el orden temporal, revelando la trayectoria de dos variables a lo largo del tiempo.
Visualización que muestra cómo se reduce progresivamente una cantidad a través de las distintas etapas de un proceso secuencial.
Variante de gráfico de líneas que conecta los puntos con segmentos horizontales y verticales, en lugar de líneas diagonales directas, apropiado para representar valores que cambian en momentos discretos.
Visualización que muestra un único valor dentro de un rango predefinido, con una forma similar a la de un velocímetro, útil para mostrar el progreso hacia un objetivo.
Visualización que conecta puntos de datos con una línea, ideal para mostrar la evolución de una variable a lo largo del tiempo.
Visualización que representa dos variables categóricas simultáneamente, usando tanto el ancho como la altura de cada segmento para codificar proporciones distintas.
Visualización que representa cada categoría con un único punto ubicado según su valor, ofreciendo una alternativa más limpia y precisa al gráfico de barras para ciertas comparaciones.
Visualización que representa múltiples variables sobre ejes que parten de un mismo punto central, formando una figura poligonal útil para comparar perfiles.
Visualización que representa flujos entre distintas etapas o categorías, usando el ancho de las conexiones para mostrar la magnitud de cada flujo.
Visualización circular que representa cómo se reparte un total en distintas categorías, mediante porciones proporcionales a su peso relativo.
Visualización financiera que muestra, para cada período de tiempo, el precio de apertura, cierre, máximo y mínimo de un activo mediante una figura similar a una vela.
Visualización que combina un diagrama de caja con la forma completa de la distribución de los datos, mostrando dónde se concentra la densidad de las observaciones.
Visualizaciones, deliberadas o accidentales, que distorsionan la percepción real de los datos mediante decisiones de diseño como ejes truncados, escalas inconsistentes o proporciones incorrectas.
Marco teórico que describe cualquier visualización de datos como la combinación sistemática de componentes independientes: datos, geometrías, escalas y propiedades estéticas.
Lenguaje de consulta para APIs que permite a un cliente solicitar exactamente los datos que necesita, combinando información de múltiples fuentes en una sola solicitud.
Herramienta de código abierto que permite definir, ejecutar y documentar expectativas sobre la calidad de los datos dentro de un pipeline, de forma automatizada.
Práctica de asegurar que las respuestas de un modelo de IA estén respaldadas por fuentes de información verificables, en lugar de basarse solo en su memoria interna.
Variante simplificada de LSTM que usa menos compuertas internas, logrando un desempeño similar con menor costo computacional en muchas tareas.
Grupo de sujetos en un experimento que no recibe la intervención que se está estudiando, usado como punto de comparación para aislar su efecto real.
Reglas y mecanismos de control que limitan el comportamiento de un sistema de IA, evitando respuestas o acciones no deseadas o dañinas.
Framework open source para el almacenamiento y procesamiento distribuido de grandes volúmenes de datos en clusters de servidores.
Sistema de archivos distribuido diseñado para almacenar volúmenes masivos de datos repartidos entre muchos servidores, con alta tolerancia a fallos mediante replicación automática.
Herramientas especializadas en extraer datos automáticamente desde múltiples fuentes y cargarlos en un destino centralizado, sin requerir programación personalizada para cada conexión.
Situación en la que la variabilidad de los errores de un modelo de regresión no es constante a lo largo de los distintos valores de las variables independientes.
Configuración de un modelo que se define antes del entrenamiento y no se aprende a partir de los datos, como la cantidad de árboles o la tasa de aprendizaje.
Afirmación de partida en una prueba estadística que sostiene que no existe efecto, diferencia o relación entre las variables estudiadas.
Gráfico que muestra cómo se distribuyen los valores de una variable numérica, agrupándolos en intervalos (bins) y mostrando su frecuencia.
Servicio que almacena y gestiona los metadatos sobre las tablas de un data lake o data warehouse, como su esquema, ubicación física y estadísticas, permitiendo que distintas herramientas los consulten de forma consistente.
Enfoque de entrenamiento que guía el comportamiento de un modelo de IA mediante un conjunto explícito de principios escritos, en lugar de depender únicamente de ejemplos etiquetados por humanos.
Ejecución de modelos de inteligencia artificial directamente en el dispositivo del usuario (teléfono, cámara, sensor), en lugar de en un servidor remoto en la nube.
Aplicación de técnicas de inteligencia artificial, como visión por computadora y aprendizaje por refuerzo, para que los robots perciban su entorno y actúen de forma autónoma.
Inteligencia artificial diseñada y entrenada para desempeñarse bien en una tarea específica, sin capacidad de generalizar a dominios distintos.
Conjunto de técnicas que buscan hacer comprensibles para las personas las decisiones tomadas por un modelo de inteligencia artificial.
Enfoque para diseñar, desarrollar y desplegar sistemas de inteligencia artificial de forma segura, justa, transparente y respetuosa de los derechos de las personas.
Propiedad de una operación que produce siempre el mismo resultado final, sin importar cuántas veces se ejecute.
Tendencia a percibir patrones o agrupamientos significativos en datos que en realidad son completamente aleatorios.
Medida que indica cuánto contribuye cada variable de entrada a las predicciones de un modelo, ayudando a entender e interpretar su comportamiento.
Proceso de estimar y completar los valores faltantes de un conjunto de datos, usando información disponible del resto de las observaciones.
Situación en la que la ocurrencia de un evento no afecta ni está relacionada con la probabilidad de que ocurra otro.
Estructura auxiliar que acelera la búsqueda de registros en una base de datos, a costa de espacio adicional y escrituras más lentas.
Índice de base de datos construido sobre dos o más columnas combinadas, optimizando consultas que filtran o ordenan por esa combinación específica de columnas.
Índice que contiene todas las columnas necesarias para responder una consulta específica, permitiendo resolverla sin necesitar acceder a la tabla original.
Estructura de índice que usa una función hash para ubicar directamente un valor específico, ofreciendo búsquedas por igualdad extremadamente rápidas, aunque sin soporte eficiente para búsquedas por rango.
Estructura de datos que mapea cada palabra de un conjunto de documentos hacia la lista de documentos donde esa palabra aparece, siendo la base de los motores de búsqueda de texto.
Enfoque estadístico que actualiza la probabilidad de una hipótesis a medida que se dispone de nueva evidencia, combinando un conocimiento previo con los datos observados.
Conjunto de métodos estadísticos diseñados específicamente para estimar si una variable realmente causa un efecto sobre otra, más allá de una simple asociación observada.
Representación visual que combina datos, íconos, ilustraciones y texto breve para comunicar información de forma rápida y atractiva.
Dato o conjunto de datos que, al organizarse o interpretarse dentro de un contexto, adquiere significado y resulta útil para quien lo recibe.
Una de las plataformas comerciales de integración de datos más establecidas históricamente, ampliamente usada en grandes organizaciones para procesos complejos de ETL y gestión de datos.
Práctica de definir y gestionar la infraestructura tecnológica —servidores, redes, bases de datos— mediante archivos de configuración versionados, en lugar de configurarla manualmente.
Modelo de computación en la nube que ofrece servidores virtuales, almacenamiento y redes bajo demanda, dejando al usuario la responsabilidad de administrar el sistema operativo y el software instalado sobre ellos.
Práctica de diseñar y gestionar toda la información (instrucciones, documentos, historial) que se le entrega a un modelo de lenguaje, más allá del prompt puntual.
Disciplina de la ingeniería de software dedicada a diseñar, construir y mantener los sistemas y pipelines que recolectan, transportan y almacenan los datos de una organización.
Profesional responsable de diseñar, construir y mantener la infraestructura y los pipelines que permiten recolectar, almacenar y procesar datos de forma confiable.
Profesional que se especializa en llevar modelos de machine learning desde su desarrollo experimental hasta su despliegue confiable y escalable en producción.
Proceso de recolectar y transportar datos desde sus fuentes originales hacia un sistema de almacenamiento o procesamiento, como primer paso de cualquier pipeline de datos.
Elección de los valores iniciales de los parámetros de una red neuronal antes de comenzar el entrenamiento, con un impacto significativo en qué tan bien y rápido converge.
Técnica de IA generativa que rellena o reconstruye una parte específica de una imagen, de forma coherente con el resto de la escena.
Grado en que los datos se mantienen exactos, completos y sin alteraciones no autorizadas o accidentales a lo largo de su ciclo de vida.
Regla que garantiza que las relaciones entre tablas, definidas mediante claves foráneas, permanezcan siempre consistentes y válidas.
Campo de la informática dedicado a crear sistemas capaces de realizar tareas que, tradicionalmente, requerían inteligencia humana: razonar, aprender, percibir o tomar decisiones.
Forma hipotética de IA capaz de entender, aprender y aplicar conocimiento en cualquier tarea intelectual, con una flexibilidad comparable a la humana.
Capacidad de una visualización de responder a las acciones de quien la consulta, permitiendo explorar los datos más allá de lo que muestra la vista inicial estática.
Red de dispositivos físicos equipados con sensores y conectividad, que recolectan y transmiten datos sobre su entorno o funcionamiento a través de internet.
Campo de investigación que busca entender, a nivel de sus componentes internos, cómo y por qué una red neuronal produce un resultado específico.
Rango de valores, calculado a partir de una muestra, que probablemente contiene el verdadero valor de un parámetro poblacional.
Rango de valores dentro del cual se espera que caiga una futura observación individual, con un nivel de confianza determinado.
Período histórico de menor financiamiento e interés en la investigación de inteligencia artificial, tras expectativas iniciales que no se cumplieron en los plazos prometidos.
Técnica de ataque que manipula las instrucciones de un sistema basado en IA insertando texto malicioso, para que ignore sus instrucciones originales o revele información no autorizada.
Vulnerabilidad de seguridad que permite a un atacante insertar código SQL malicioso a través de una entrada de usuario mal validada, para manipular o robar datos de una base de datos.
Técnica que busca eludir las restricciones de seguridad de un modelo de IA, mediante prompts diseñados para hacer que genere contenido que normalmente rechazaría producir.
Organización deliberada de los elementos de un diseño, de forma que los más importantes capten la atención primero, guiando el recorrido visual de quien observa la pieza.
Operación de SQL que combina filas de dos o más tablas relacionadas, a partir de una columna en común.
Entorno interactivo que combina código ejecutable, texto explicativo y visualizaciones en un mismo documento, ampliamente usado en ciencia de datos.
Algoritmo de clustering que agrupa observaciones en un número determinado de grupos (K), según su cercanía a un centro calculado para cada grupo.
Algoritmo que clasifica o predice el valor de una observación nueva basándose en los valores de sus K observaciones más similares del conjunto de entrenamiento.
Interfaz de alto nivel para construir redes neuronales de forma simple y legible, ejecutándose sobre frameworks como TensorFlow.
Métrica cuantificable que se usa para evaluar qué tan bien una organización, equipo o proceso está alcanzando un objetivo específico.
Plataforma de orquestación que automatiza el despliegue, escalado y gestión de aplicaciones empaquetadas en contenedores, a través de un cluster de servidores.
Arquitectura de datos que combina la flexibilidad de almacenamiento de un data lake con las garantías de estructura y calidad de un data warehouse.
Marco conceptual que describe las características que definen al Big Data: volumen, velocidad, variedad, veracidad y valor.
Tiempo de respuesta correspondiente a las solicitudes más lentas de un sistema, generalmente medido con percentiles altos como P95 o P99, más relevante para la experiencia real que el promedio.
Tiempo que tarda un modelo de IA en generar una respuesta después de recibir una entrada.
Técnica de preprocesamiento de texto que reduce cada palabra a su forma base o de diccionario (lema), considerando su contexto gramatical.
Subconjunto de SQL usado para gestionar los permisos y privilegios de acceso de los usuarios sobre una base de datos.
Subconjunto de SQL usado para definir y modificar la estructura de una base de datos, como crear, modificar o eliminar tablas.
Subconjunto de SQL usado para insertar, actualizar, eliminar y consultar los datos almacenados dentro de las tablas de una base de datos.
Principio estadístico que establece que, a medida que se repite un experimento aleatorio muchas veces, el promedio de los resultados observados tiende a acercarse cada vez más al valor esperado teórico.
Observación empírica que sugiere que, en muchos fenómenos, aproximadamente el 80% de los efectos provienen de aproximadamente el 20% de las causas.
Elemento de un gráfico que explica qué representa cada color, símbolo o patrón utilizado, permitiendo interpretar correctamente la información codificada visualmente.
Implementación de Gradient Boosting desarrollada por Microsoft, optimizada para entrenar de forma muy rápida sobre conjuntos de datos grandes.
Técnica de interpretabilidad que explica una predicción individual de un modelo complejo, aproximándola localmente con un modelo mucho más simple e interpretable.
Nivel de detalle del linaje de datos que rastrea el origen y las transformaciones de cada columna individual, en lugar de solo a nivel de tabla completa.
Registro de todo el recorrido de un dato: de dónde proviene, qué transformaciones sufrió y en qué reportes o modelos termina siendo usado.
Línea agregada a un gráfico de dispersión o de líneas que resume visualmente la dirección general de los datos, generalmente calculada mediante una regresión.
Visualización que ordena eventos discretos a lo largo de un eje temporal, mostrando cuándo ocurrió cada uno en relación con los demás.
Registro secuencial de todos los cambios realizados en una base de datos, escrito antes de aplicar esos cambios directamente a los datos, usado para garantizar durabilidad y permitir recuperación ante fallas.
Métrica de evaluación para clasificadores probabilísticos que penaliza fuertemente las predicciones de alta confianza que resultan incorrectas.
Sistema de razonamiento que permite representar grados de verdad intermedios, en lugar de únicamente valores absolutos de verdadero o falso.
Plataforma de business intelligence que define métricas y lógica de negocio de forma centralizada mediante un lenguaje de modelado propio, en lugar de que cada analista las calcule por separado.
Variante de red neuronal recurrente diseñada para recordar información relevante durante secuencias largas, superando una limitación clave de las RNN tradicionales.
Herramienta de orquestación de pipelines de datos de código abierto, desarrollada originalmente por Spotify, que fue pionera en el modelo de definir pipelines como código Python.
Extensión del ANOVA que analiza simultáneamente diferencias entre grupos considerando múltiples variables dependientes a la vez, en lugar de una sola.
Aplicación de machine learning que predice cuándo es probable que una máquina o equipo falle, permitiendo programar su mantenimiento antes de que ocurra una avería.
Mapa que colorea distintas regiones geográficas según el valor de una variable, permitiendo visualizar patrones geográficos de un vistazo.
Visualización que usa colores para representar la magnitud de valores en una matriz de dos dimensiones, facilitando detectar patrones de un vistazo.
Visualización que colorea cada día de un calendario según el valor de una métrica en esa fecha, revelando patrones de actividad a lo largo de semanas, meses o años.
Mapa que representa el movimiento de personas, mercancías o información entre distintas ubicaciones geográficas, usando líneas cuyo grosor indica la magnitud de ese flujo.
Mapa que representa la ubicación de eventos u observaciones individuales mediante puntos, permitiendo visualizar patrones de densidad y distribución geográfica.
Mapa que coloca un símbolo, generalmente un círculo, en cada ubicación geográfica relevante, con un tamaño proporcional al valor que representa.
Mapa que agrupa observaciones geográficas cercanas dentro de celdas hexagonales, coloreando cada celda según la cantidad de observaciones que contiene.
Modelo de programación para procesar grandes volúmenes de datos en paralelo, dividiendo el trabajo en una etapa de mapeo y otra de reducción.
Algoritmo de clasificación que busca la frontera de separación que mantenga el mayor margen posible entre las distintas categorías de datos.
Sistema de gestión de bases de datos relacional de código abierto, creado como una bifurcación de MySQL para garantizar que el proyecto siguiera siendo completamente libre y dirigido por la comunidad.
Biblioteca fundamental de Python para crear gráficos estáticos, siendo la base sobre la que se construyeron muchas otras herramientas de visualización del ecosistema de ciencia de datos en Python.
Tabla que resume el desempeño de un modelo de clasificación, mostrando cuántas predicciones fueron correctas e incorrectas para cada clase.
Cuadrícula de gráficos de dispersión que muestra la relación entre cada par posible de variables dentro de un conjunto de datos con múltiples dimensiones.
Método de estimación estadística que elige los valores de los parámetros de un modelo que hacen más probable haber observado los datos que efectivamente se observaron.
Componente de una red neuronal que le permite ponderar la importancia relativa de distintas partes de la entrada al procesar cada elemento.
Medida de tendencia central que se obtiene sumando todos los valores de un conjunto de datos y dividiendo por la cantidad de observaciones.
Medida de tendencia central calculada como el recíproco del promedio de los recíprocos de un conjunto de valores, apropiada para promediar tasas o velocidades.
Medida de tendencia central que se calcula multiplicando todos los valores de un conjunto de datos y tomando la raíz enésima de ese producto, apropiada para promediar tasas de crecimiento.
Valor que ocupa la posición central de un conjunto de datos ordenado, dejando la mitad de las observaciones por debajo y la mitad por arriba.
Herramienta de código abierto para construir pipelines de datos ELT, basada en el estándar abierto de conectores Singer, orientada a equipos que prefieren gestionar sus integraciones como código.
Capacidad de un agente de IA de recordar información relevante de interacciones pasadas, más allá de lo que entra en una única ventana de contexto.
Fenómeno en el que un modelo de IA reproduce, de forma casi textual, fragmentos específicos de los datos con los que fue entrenado, en lugar de generalizar a partir de ellos.
Técnica estadística que combina los resultados de múltiples estudios independientes sobre una misma pregunta, para obtener una estimación más precisa y confiable del efecto general.
Enfoque en el que un modelo aprende, a partir de múltiples tareas relacionadas, una estrategia general que le permite adaptarse muy rápido a tareas nuevas con pocos ejemplos.
Datos que describen otros datos: su origen, estructura, significado o forma de uso, sin ser parte del contenido en sí.
Distinción entre la información técnica sobre cómo están estructurados los datos (tipo de columna, tamaño de tabla) y la información sobre su significado e importancia para el negocio.
Marco de trabajo estándar de la industria para proyectos de ciencia de datos, que estructura el proceso en fases iterativas desde la comprensión del negocio hasta el despliegue del modelo.
Enfoque de diseño de data warehouses, propuesto por Bill Inmon, que construye primero un modelo de datos normalizado y centralizado de toda la organización, del cual luego se derivan data marts específicos.
Enfoque de diseño de data warehouses, propuesto por Ralph Kimball, que construye la arquitectura de datos incrementalmente a partir de data marts departamentales basados en modelado dimensional.
Medida cuantitativa, calculada a partir de datos, que se usa para evaluar el estado, el rendimiento o la evolución de algo.
Sistema de gestión de bases de datos relacional desarrollado por Microsoft, ampliamente integrado con su ecosistema de herramientas empresariales.
Proceso de mover datos y estructura de una base de datos desde un sistema origen hacia un sistema destino, ya sea por un cambio de motor, de versión, o de infraestructura.
Proceso de descubrir patrones, relaciones y anomalías no evidentes dentro de grandes volúmenes de datos, combinando estadística, bases de datos y machine learning.
Principio que establece que una organización debería recolectar únicamente los datos personales estrictamente necesarios para el propósito específico que persigue.
Arquitectura de red neuronal que divide el modelo en varios subcomponentes especializados ('expertos'), activando solo algunos de ellos según la entrada.
Conjunto de prácticas que aplican principios de ingeniería de software al ciclo de vida completo de los modelos de machine learning: entrenamiento, despliegue, monitoreo y actualización.
Valor que aparece con mayor frecuencia dentro de un conjunto de datos.
Fenómeno en el que el desempeño de un modelo en producción se degrada progresivamente con el tiempo, porque las condiciones del mundo real cambiaron respecto a cuando fue entrenado.
Repositorio centralizado que almacena, versiona y documenta los distintos modelos entrenados de una organización, junto con su historial y metadatos relevantes.
Infraestructura y procesos que exponen un modelo de machine learning ya entrenado, para que otras aplicaciones puedan consultarlo y obtener predicciones en tiempo real.
Enfoque de diseño de bases de datos analíticas que organiza los datos en tablas de hechos y dimensiones, optimizado específicamente para facilitar el análisis y los reportes de negocio.
Representación matemática entrenada a partir de datos que captura patrones y se usa para hacer predicciones o tomar decisiones sobre datos nuevos.
Modelo estadístico clásico para pronóstico de series de tiempo, que combina componentes autorregresivos, de diferenciación y de promedio móvil.
Modelo que genera una secuencia prediciendo cada elemento nuevo basándose únicamente en los elementos anteriores ya generados.
Modelo simple, usado como punto de referencia mínimo, contra el cual se compara el desempeño de modelos más sofisticados para verificar que realmente aportan una mejora.
Conjunto de garantías que un sistema distribuido de datos ofrece sobre cuándo y cómo los cambios realizados en un nodo se reflejan de forma visible en los demás nodos del sistema.
Representación abstracta que define cómo se organizan los datos de un sistema: sus entidades, atributos y las relaciones entre ellas.
Tipo de modelo generativo que aprende a crear contenido revirtiendo gradualmente un proceso de agregado de ruido aleatorio.
Modelo estadístico para datos de panel que asume que las diferencias entre unidades de análisis son aleatorias y no están correlacionadas con las variables explicativas del modelo.
Modelo estadístico para datos de panel que controla por características de cada unidad de análisis que no cambian con el tiempo, aislando mejor el efecto de las variables que sí varían.
Sistema de IA entrenado con grandes volúmenes de texto para predecir y generar lenguaje de forma coherente.
Modelo de lenguaje entrenado específicamente, o mayormente, sobre código fuente en lugar de texto en lenguaje natural general.
Modelo entrenado para predecir palabras ocultas dentro de un texto, usando el contexto que las rodea por ambos lados.
Modelo de lenguaje con considerablemente menos parámetros que los modelos más grandes, diseñado para ejecutarse de forma más rápida y económica, incluso en dispositivos con recursos limitados.
Marco de referencia que describe distintas etapas progresivas por las que atraviesa una organización en su capacidad de gestionar y aprovechar efectivamente sus datos.
Modelo probabilístico que describe un sistema que cambia de estado a lo largo del tiempo, asumiendo que el próximo estado depende únicamente del estado actual, sin importar la historia previa.
Modelo probabilístico que asume que los datos provienen de una combinación de varias distribuciones normales distintas, usado frecuentemente para clustering.
Representación interna que un sistema de IA construye sobre cómo funciona su entorno, permitiéndole predecir las consecuencias de distintas acciones antes de ejecutarlas.
Modelo de lenguaje diseñado o entrenado específicamente para dedicar más pasos de procesamiento interno antes de responder, mejorando su desempeño en problemas que requieren varios pasos lógicos.
Modelo entrenado para predecir qué tan buena, según preferencias humanas, es una respuesta generada por otro modelo de IA.
Modelo de IA entrenado para distinguir o clasificar entre categorías, sin necesariamente aprender a generar nuevos ejemplos de esos datos.
Forma de representar visualmente la estructura de una base de datos, mostrando las entidades principales, sus atributos, y las relaciones entre ellas.
Modelo de IA de gran escala, entrenado sobre datos muy amplios y diversos, que sirve como base para adaptarse a muchas tareas distintas.
Modelo de IA entrenado para aprender la distribución de un conjunto de datos, de forma que pueda generar ejemplos nuevos y plausibles similares a los originales.
Marco estadístico que extiende la regresión lineal tradicional para modelar variables dependientes que no siguen una distribución normal, como conteos o proporciones.
Modelo de IA capaz de procesar y combinar distintos tipos de datos, como texto, imágenes, audio o video, dentro de un mismo sistema.
Distinción entre modelos de IA cuyos parámetros son públicos y pueden descargarse y modificarse libremente, y modelos cuyo acceso está restringido a través de una API controlada por su creador.
Distinción entre modelos cuyo funcionamiento interno es fácilmente interpretable por una persona (caja blanca) y modelos demasiado complejos para explicarse de forma directa (caja negra).
Distinción entre modelos que asumen una forma matemática fija con un número determinado de parámetros, y modelos cuya complejidad puede crecer con la cantidad de datos disponibles.
Técnica que acelera el descenso de gradiente incorporando parte de la dirección de los pasos anteriores, ayudando a atravesar zonas planas y evitar oscilaciones.
Base de datos NoSQL orientada a documentos, que almacena la información en un formato flexible similar a JSON, sin requerir un esquema rígido predefinido.
Componente interno de un sistema de base de datos responsable de cómo se guardan, leen y organizan físicamente los datos en el disco.
Base de datos analítica diseñada para responder consultas agregadas complejas casi instantáneamente sobre datos que se actualizan de forma continua, en lugar de solo sobre datos históricos ya consolidados.
Subconjunto de individuos u observaciones seleccionado de una población más grande, usado para hacer inferencias sobre esa población.
Método de muestreo en el que cada elemento de la población tiene exactamente la misma probabilidad de ser seleccionado para la muestra.
Método de muestreo que divide a la población en subgrupos (estratos) según alguna característica relevante, y selecciona muestras aleatorias dentro de cada estrato por separado.
Método de muestreo que divide a la población en grupos naturales (conglomerados), selecciona algunos de esos grupos al azar, y estudia a todos los elementos dentro de los grupos seleccionados.
Método de muestreo que selecciona elementos de una población a intervalos regulares y fijos, a partir de un punto de inicio elegido al azar.
Estrategia que utiliza servicios de más de un proveedor de computación en la nube simultáneamente, en lugar de depender exclusivamente de uno solo.
Arquitectura de software en la que una única instancia de una aplicación y su base de datos sirve simultáneamente a múltiples clientes distintos, manteniendo sus datos lógicamente separados.
Situación en la que dos o más variables independientes de un modelo de regresión están fuertemente correlacionadas entre sí, dificultando estimar el efecto individual de cada una.
Operación matemática fundamental que combina dos matrices para producir una tercera, siendo la base computacional de prácticamente todo el entrenamiento de redes neuronales.
Sistema de gestión de bases de datos relacional de código abierto, ampliamente utilizado en aplicaciones web por su simplicidad y buen rendimiento.
Secuencia de N elementos consecutivos (generalmente palabras o caracteres) extraída de un texto, usada para capturar algo de contexto local en representaciones simples de lenguaje.
Algoritmo de clasificación basado en el teorema de Bayes, que asume —de forma simplificada— que todas las variables de entrada son independientes entre sí.
Base de datos orientada a grafos, diseñada específicamente para almacenar y consultar de forma eficiente datos con relaciones complejas entre entidades.
Categoría de sistemas de bases de datos que buscan combinar la escalabilidad distribuida típica de NoSQL con las garantías transaccionales ACID tradicionales de las bases de datos relacionales.
Configuración que determina qué tanto pueden ver las transacciones concurrentes los cambios parciales realizados por otras transacciones que todavía no se completaron.
Umbral de probabilidad, elegido de antemano, por debajo del cual se considera que un resultado es lo suficientemente improbable bajo la hipótesis nula como para rechazarla.
Estrategia que clasifica los datos según qué tan frecuentemente se accede a ellos, almacenándolos en distintos niveles de costo y velocidad según esa frecuencia de uso.
Patrón de organización de un cluster distribuido donde uno o pocos nodos maestros coordinan y distribuyen tareas entre muchos nodos trabajadores, que ejecutan el procesamiento real.
Medida que cuantifica la magnitud o longitud de un vector, usada frecuentemente en machine learning para medir distancias y en técnicas de regularización.
Proceso de organizar las tablas de una base de datos para reducir la redundancia de información y evitar inconsistencias.
Técnica de preprocesamiento que reescala los datos para que queden dentro de un rango fijo, típicamente entre 0 y 1.
Técnica que estandariza las activaciones internas de una red neuronal durante el entrenamiento, acelerando y estabilizando el proceso.
Familia de bases de datos que no siguen el modelo relacional tradicional de tablas, pensadas para datos flexibles o de gran escala.
Biblioteca de Python fundamental para el cómputo numérico, que ofrece estructuras de arreglos multidimensionales y operaciones matemáticas altamente optimizadas.
Capacidad de monitorear continuamente la salud de los datos y los pipelines de una organización, detectando problemas antes de que afecten decisiones de negocio.
Tecnología que convierte imágenes de texto (como una foto de un documento escaneado) en texto digital editable y procesable.
Medida que compara la probabilidad relativa de que ocurra un evento entre dos grupos distintos, muy usada en regresión logística y estudios epidemiológicos.
Tipo de sistema de base de datos optimizado para realizar consultas analíticas complejas sobre grandes volúmenes de datos históricos, como resúmenes y comparaciones multidimensionales.
Tipo de sistema de base de datos optimizado para manejar un gran volumen de transacciones simples y rápidas, como las operaciones cotidianas de un negocio.
Fenómeno en el que una red neuronal pierde abruptamente su capacidad de resolver tareas aprendidas anteriormente, al ser entrenada con información nueva.
Técnica de ajuste de hiperparámetros que usa los resultados de evaluaciones anteriores para decidir de forma más inteligente qué combinación probar a continuación.
Rama de la optimización matemática que estudia problemas donde la función a minimizar tiene una única solución óptima global, sin mínimos locales que puedan confundir al algoritmo.
Técnica de optimización inspirada en el comportamiento colectivo de bandadas de aves o bancos de peces, donde múltiples soluciones candidatas se mueven coordinadamente buscando la mejor respuesta.
Algoritmo de optimización muy utilizado en deep learning que ajusta automáticamente la tasa de aprendizaje de cada parámetro individual durante el entrenamiento.
Componente de un motor de base de datos que analiza una consulta SQL y decide automáticamente la forma más eficiente de ejecutarla.
Sistema de gestión de bases de datos relacional comercial, ampliamente utilizado en grandes empresas por sus capacidades avanzadas de rendimiento, seguridad y soporte transaccional.
Herramienta que permite interactuar con una base de datos relacional usando objetos y código de un lenguaje de programación, en lugar de SQL directo.
Automatización de la gestión de un gran número de contenedores en ejecución, coordinando su despliegue, escalado, red y recuperación ante fallas.
Coordinación automatizada del orden, el momento y las dependencias en que se ejecutan las distintas tareas de un pipeline de datos.
Observación que se aleja significativamente del resto de los datos de un conjunto, ya sea por un valor inusualmente alto o bajo.
Cuando un modelo aprende el ruido de los datos de entrenamiento en vez del patrón general, y falla al generalizar sobre datos nuevos.
Conjunto de colores claramente diferenciables entre sí, sin ningún orden implícito, usado para distinguir categorías distintas sin relación de magnitud entre ellas.
Escala de colores que usa dos tonos distintos que se alejan de un punto central neutro, útil para representar valores que se desvían por encima o por debajo de un punto de referencia.
Escala de colores que progresa de forma ordenada de un tono más claro a uno más oscuro (o viceversa), usada para representar valores que van de menor a mayor.
Biblioteca de Python especializada en la manipulación y análisis de datos tabulares, con una estructura central llamada DataFrame.
Fenómeno estadístico en el que una tendencia observada en varios grupos separados desaparece, o incluso se invierte, al combinar esos grupos en un solo análisis conjunto.
Distinción entre dividir una tabla separando sus columnas (partición vertical) o separando sus filas (partición horizontal), como estrategias distintas para escalar o reorganizar los datos.
Técnica que divide un conjunto de datos en partes más manejables, según un criterio como fecha o categoría, para mejorar el rendimiento de las consultas.
Técnica que divide físicamente una tabla de base de datos en secciones más pequeñas y manejables, mejorando el rendimiento de consultas sobre subconjuntos específicos de los datos.
Patrón de comunicación en el que los productores de información (publicadores) envían mensajes sin conocer directamente a los receptores, y los consumidores interesados (suscriptores) se registran para recibir los mensajes que les interesan.
Medida que indica el valor por debajo del cual cae un determinado porcentaje de las observaciones de un conjunto de datos.
Modelo matemático simple que imita el funcionamiento de una neurona biológica, y que sentó las bases históricas de las redes neuronales.
Arquitectura de red neuronal formada por varias capas de neuronas totalmente conectadas entre sí, siendo una de las arquitecturas más básicas de deep learning.
Métrica que mide qué tan bien un modelo de lenguaje predice un texto, indicando qué tan 'sorprendido' queda ante la secuencia real de palabras.
Visualización que usa íconos repetidos, cada uno representando una cantidad fija, para comunicar magnitudes de forma visual e intuitiva.
Conjunto de herramientas cloud-native, generalmente modulares y especializadas, que juntas conforman la infraestructura de datos típica de una organización actual: ingesta, almacenamiento, transformación y visualización.
Secuencia automatizada de pasos que mueve y transforma datos desde sus fuentes de origen hasta su destino final, listos para ser usados.
Secuencia estructurada de pasos —preprocesamiento, entrenamiento, evaluación— que transforma datos crudos en las predicciones de un modelo, de forma reproducible y automatizada.
Visualización especializada que muestra la distribución de una población por edad y género, usando dos gráficos de barras horizontales espejados.
Descripción detallada de los pasos exactos que un motor de base de datos seguirá para ejecutar una consulta específica.
Rama de la inteligencia artificial que diseña automáticamente una secuencia de acciones para alcanzar un objetivo específico, a partir de un estado inicial y un conjunto de acciones posibles.
Modelo de computación en la nube que ofrece un entorno completo y gestionado para desarrollar y desplegar aplicaciones, sin necesitar administrar directamente los servidores subyacentes.
Biblioteca de visualización que permite crear gráficos interactivos, tanto en Python como en otros lenguajes, fáciles de integrar en aplicaciones web y dashboards.
Conjunto completo de individuos, elementos o eventos sobre los que se quiere sacar una conclusión en un estudio estadístico.
Técnica que reduce el tamaño de un árbol de decisión eliminando ramas que aportan poco valor predictivo, para evitar que memorice detalles específicos de los datos de entrenamiento.
Técnica de optimización que evita leer particiones completas de una tabla que no son relevantes para una consulta específica, a partir del criterio de particionamiento usado.
Ajuste que corrige la representación de una muestra, dando más o menos peso a ciertas observaciones, para que la muestra refleje mejor la composición real de la población.
Sistema de gestión de bases de datos relacional de código abierto, reconocido por su solidez, extensibilidad y cumplimiento riguroso de los estándares SQL.
Probabilidad de que una prueba estadística detecte correctamente un efecto real, cuando ese efecto efectivamente existe.
Plataforma de business intelligence de Microsoft, ampliamente adoptada por su integración con el ecosistema de herramientas de Microsoft y su modelo de precios accesible.
Características visuales, como el color o el tamaño, que el cerebro humano procesa casi instantáneamente y sin esfuerzo consciente, antes incluso de prestar atención deliberada.
Dimensión de calidad de datos que mide qué tan fielmente los valores registrados reflejan la realidad que intentan representar.
Par de métricas complementarias que evalúan la calidad de un modelo de clasificación: qué tan confiables son sus predicciones positivas y qué proporción de los casos reales logra detectar.
Herramienta de orquestación de pipelines de datos de código abierto, diseñada con énfasis en la simplicidad de uso y un manejo robusto de fallas y reintentos.
Motor de consultas SQL distribuido, diseñado para consultar grandes volúmenes de datos almacenados en múltiples fuentes distintas de forma rápida e interactiva.
Conjunto de buenas prácticas para organizar y presentar múltiples visualizaciones en un panel único, priorizando claridad y relevancia sobre la cantidad de información mostrada.
Conjunto de principios de percepción visual, provenientes de la psicología, que explican cómo el cerebro humano agrupa naturalmente elementos visuales relacionados.
Principio y conjunto de prácticas orientadas a que la información personal se recolecte, use y comparta respetando el control y el consentimiento de las personas a las que pertenece.
Técnica matemática que agrega ruido controlado a los datos o resultados de un análisis, para proteger la privacidad individual sin perder demasiada utilidad estadística agregada.
Medida numérica, entre 0 y 1, que cuantifica qué tan posible es que ocurra un evento específico.
En estadística bayesiana, la probabilidad actualizada de una hipótesis después de haber incorporado la evidencia de nuevos datos observados.
En estadística bayesiana, la probabilidad asignada a una hipótesis antes de considerar la evidencia proveniente de nuevos datos observados.
Probabilidad de que ocurra un evento, dado que se sabe que otro evento relacionado ya ocurrió.
Situación en la que un sistema de almacenamiento distribuido acumula una cantidad excesiva de archivos diminutos, degradando el rendimiento debido a la sobrecarga de gestionar cada uno individualmente.
Dificultad de entrenamiento en la que el gradiente crece de forma descontrolada durante la retropropagación, provocando actualizaciones de los pesos extremadamente grandes e inestables.
Dificultad de entrenamiento en redes neuronales profundas, donde el gradiente se vuelve extremadamente pequeño al propagarse hacia las primeras capas, impidiendo que aprendan de forma efectiva.
Conjunto de instrucciones SQL guardadas y ejecutables dentro del propio motor de base de datos, como si fuera una función reutilizable.
Distinción fundamental entre procesar datos acumulados en bloques periódicos y procesarlos de forma continua a medida que se generan.
Técnica que analiza flujos continuos de eventos en tiempo real, buscando identificar patrones significativos que emergen de la combinación de múltiples eventos individuales.
Área de la inteligencia artificial dedicada a que las máquinas comprendan, interpreten y generen lenguaje humano.
Técnica que divide una tarea de cómputo entre múltiples máquinas que trabajan en paralelo, permitiendo procesar volúmenes de datos que una sola máquina no podría manejar.
Procesamiento de datos que se ejecuta sobre un conjunto acumulado de información, de forma periódica, en lugar de procesarla evento por evento.
Enfoque de procesamiento de streaming donde cada evento se procesa de forma completamente independiente, sin necesitar recordar información de eventos anteriores.
Marco matemático que formaliza problemas de toma de decisiones secuenciales, donde cada acción afecta tanto una recompensa inmediata como el estado futuro del sistema.
Modelo matemático que describe la ocurrencia de eventos aleatorios a lo largo del tiempo o del espacio, donde los eventos suceden de forma independiente a una tasa promedio constante.
Técnica probabilística que modela una función desconocida completa, en lugar de un único valor, permitiendo estimar tanto una predicción como su incertidumbre asociada.
Resultado de combinar cada fila de una tabla con cada fila de otra tabla, sin ninguna condición de relación entre ellas, generando todas las combinaciones posibles.
Conjunto de datos tratado explícitamente como un producto, con un dueño responsable, documentación clara, garantías de calidad y una interfaz de consumo bien definida para otros equipos.
Operación matemática entre dos vectores que combina sus componentes en un único número, usada constantemente para calcular similitudes y combinaciones en machine learning.
Estrategia que ajusta la tasa de aprendizaje de un modelo a lo largo del entrenamiento, en lugar de mantenerla fija de principio a fin.
Instrucción inicial, generalmente invisible para el usuario final, que define el comportamiento, el rol y las restricciones de un modelo de lenguaje en una aplicación.
Práctica de diseñar y ajustar las instrucciones que se le dan a un modelo de lenguaje para obtener mejores resultados.
Tarea de predecir valores futuros de una variable a partir de su comportamiento histórico observado a lo largo del tiempo.
Técnica estadística que busca estimar el efecto causal de una intervención, emparejando observaciones similares que sí y que no recibieron esa intervención.
Marco legal y técnico de obligaciones que regula cómo las organizaciones deben recolectar, procesar y resguardar datos personales.
Formato de serialización binaria de datos, desarrollado por Google, diseñado para ser más compacto y rápido de procesar que formatos de texto como JSON.
Prueba estadística que evalúa si existe una relación significativa entre dos variables categóricas, comparando las frecuencias observadas contra las esperadas.
Prueba estadística no paramétrica que compara si tres o más grupos independientes provienen de poblaciones con distribuciones similares.
Prueba estadística que evalúa si dos o más grupos tienen varianzas estadísticamente similares entre sí, un supuesto que requieren otras pruebas como el ANOVA.
Prueba estadística no paramétrica que compara si dos grupos independientes provienen de poblaciones con distribuciones similares, sin asumir que los datos siguen una distribución normal.
Distinción en una prueba de hipótesis según si se busca detectar una diferencia en una dirección específica, o una diferencia en cualquier dirección posible.
Prueba estadística no paramétrica que compara dos mediciones relacionadas, como antes y después de una intervención, sobre el mismo grupo de sujetos.
Prueba estadística que evalúa si existe una diferencia significativa entre las medias de dos grupos.
Verificaciones automatizadas que comprueban que los datos cumplen con expectativas específicas de calidad, formato o consistencia, antes de que se usen para análisis o decisiones.
Verificaciones que comprueban que distintos componentes de un pipeline de datos funcionan correctamente en conjunto, incluyendo sus conexiones reales con sistemas externos.
Verificaciones automatizadas que comprueban que una transformación individual dentro de un pipeline de datos produce el resultado esperado, de forma aislada del resto del sistema.
Medida que indica a cuántas desviaciones estándar se encuentra un valor específico respecto a la media de su distribución.
Técnica de optimización que traslada las condiciones de filtrado de una consulta hacia la etapa más temprana posible del procesamiento, evitando leer datos innecesarios.
Framework de código abierto para deep learning, desarrollado originalmente por Meta, muy popular en investigación por su flexibilidad y facilidad de depuración.
Algoritmo de aprendizaje por refuerzo que aprende el valor esperado de tomar cada acción posible en cada situación, sin necesitar un modelo previo del entorno.
Tarea de procesamiento de lenguaje natural en la que un sistema responde preguntas formuladas en lenguaje natural, ya sea a partir de un texto dado o de su conocimiento general.
Sistema de colas de mensajes de código abierto, ampliamente usado para comunicar de forma confiable distintos componentes de una aplicación mediante el envío y recepción de mensajes.
Técnica que combina un modelo de lenguaje con un sistema de búsqueda de información, para que sus respuestas se basen en fuentes reales y actualizadas.
Algoritmo de machine learning que combina las predicciones de muchos árboles de decisión entrenados de forma ligeramente distinta, para mejorar la precisión y reducir el overfitting.
Medida de dispersión que representa el rango donde se concentra el 50% central de un conjunto de datos, calculada como la diferencia entre el tercer y el primer cuartil.
Proceso mediante el cual un sistema distribuido redistribuye automáticamente sus particiones de datos entre los nodos disponibles, tras agregar o quitar servidores del cluster.
Tarea de procesamiento de lenguaje natural que identifica y clasifica nombres de personas, lugares, organizaciones y otras entidades dentro de un texto.
Tecnología de IA que convierte lenguaje hablado en texto escrito.
Tecnología de visión por computadora que identifica o verifica la identidad de una persona a partir de las características de su rostro.
Capacidad de restaurar una base de datos exactamente al estado en que se encontraba en un momento específico del pasado, en lugar de solo al momento de la última copia de seguridad completa.
Conjunto de estrategias y procedimientos diseñados para restaurar el funcionamiento de un sistema de datos después de una falla catastrófica, minimizando la pérdida de datos y el tiempo de inactividad.
Tipo de red neuronal que usa funciones de activación basadas en la distancia a ciertos puntos de referencia, útil especialmente para problemas de aproximación de funciones e interpolación.
Arquitectura de IA generativa donde dos redes neuronales compiten entre sí: una genera contenido falso y otra intenta distinguirlo del real.
Modelo computacional inspirado en el cerebro, formado por capas de nodos interconectados que aprenden patrones a partir de datos.
Tipo de red neuronal especializada en procesar datos con estructura de grilla, como imágenes, detectando patrones visuales locales.
Tipo de red neuronal diseñada para procesar datos estructurados como grafos, donde la información relevante está en las relaciones entre elementos, no solo en cada elemento individual.
Tipo más básico de red neuronal, en la que la información fluye en una sola dirección, desde la entrada hasta la salida, sin ciclos ni retroalimentación.
Tipo de red neuronal diseñada para procesar secuencias de datos, manteniendo una memoria interna de lo que procesó anteriormente.
Arquitectura formada por dos (o más) redes idénticas que comparten los mismos parámetros, usada para medir qué tan similares son dos entradas.
Base de datos en memoria de tipo clave-valor, extremadamente rápida, usada frecuentemente como sistema de caché y para almacenar datos temporales de alta demanda.
Conjunto de técnicas que transforman datos con muchas variables en una representación con menos dimensiones, conservando la mayor parte de la información relevante posible.
Proceso de actualizar un modelo de machine learning ya en producción, usando datos más recientes, para que refleje mejor las condiciones actuales.
Área geográfica específica donde un proveedor de nube opera un conjunto de centros de datos, ofreciendo a los clientes la posibilidad de elegir dónde alojar físicamente sus datos y aplicaciones.
Servicio centralizado que almacena y gestiona las distintas versiones de los esquemas de datos usados en un sistema de mensajería, garantizando compatibilidad entre productores y consumidores.
Fenómeno estadístico en el que una medición extrema tiende a estar seguida por una medición más cercana al promedio, simplemente por variación aleatoria, sin que exista necesariamente una causa real detrás de ese cambio.
Técnica de regresión que, en lugar de predecir el valor promedio esperado, predice un percentil específico de la distribución de la variable objetivo.
Modelo de regresión especializado para predecir variables que representan conteos de eventos, como la cantidad de llamadas recibidas o accidentes ocurridos.
Técnica estadística que modela la relación entre una variable dependiente y una o más variables independientes mediante una línea recta.
Algoritmo de clasificación que estima la probabilidad de que una observación pertenezca a una categoría, a partir de una combinación lineal de sus variables.
Extensión de la regresión lineal que modela la relación entre una variable dependiente y dos o más variables independientes simultáneamente.
Modelo de regresión que representa la relación entre variables mediante una función que no es una línea recta, como una curva exponencial o polinómica.
Técnica de regularización que penaliza la suma de los valores absolutos de los coeficientes de un modelo, favoreciendo que muchos de ellos se reduzcan exactamente a cero.
Técnica de regularización que penaliza la suma de los cuadrados de los coeficientes de un modelo, reduciendo su magnitud sin llevarlos necesariamente a cero.
Mecanismo que hace que un sistema vuelva a intentar automáticamente una operación que falló, generalmente esperando un intervalo antes de cada nuevo intento, antes de reportar un error definitivo.
Proporción entre el ancho y el alto de un gráfico, una decisión de diseño que influye significativamente en cómo se percibe la pendiente y la forma de las tendencias representadas.
Conjunto de técnicas que generan repetidamente nuevas muestras a partir de un conjunto de datos existente, para estimar la variabilidad de un resultado sin depender de supuestos teóricos estrictos.
Copia de una base de datos, sincronizada continuamente con la base de datos principal, usada exclusivamente para atender consultas de lectura y aliviar la carga sobre el servidor principal.
Técnica que mantiene copias sincronizadas de una base de datos en distintos servidores, para mejorar disponibilidad y rendimiento.
Distinción sobre si un sistema espera la confirmación de todas las réplicas antes de considerar completada una escritura (síncrona), o si confirma la escritura antes de que las réplicas se actualicen (asíncrona).
Capacidad de volver a procesar datos históricos ya almacenados, generalmente para corregir un error en la lógica de procesamiento original o incorporar una nueva forma de análisis.
Paso adicional en un sistema de búsqueda que reordena un conjunto inicial de resultados según su relevancia real para una consulta específica.
Regla definida a nivel de base de datos que limita qué valores son válidos para una columna o tabla, garantizando la consistencia de los datos almacenados.
Tarea de procesamiento de lenguaje natural que condensa un texto extenso en una versión más corta, conservando su información más relevante.
Conjunto de cinco valores estadísticos —mínimo, primer cuartil, mediana, tercer cuartil y máximo— que resumen de forma compacta la distribución de un conjunto de datos, base de un diagrama de caja.
Algoritmo que calcula cómo ajustar los pesos de una red neuronal propagando el error de la predicción hacia atrás, capa por capa.
Método riguroso y transparente para identificar, evaluar y sintetizar toda la evidencia científica disponible sobre una pregunta específica de investigación.
Reglamento europeo que establece derechos y obligaciones sobre cómo las organizaciones pueden recolectar, usar y proteger datos personales.
Visualización que apila varias distribuciones parcialmente superpuestas, una encima de otra, facilitando comparar la forma de muchas distribuciones a la vez.
Medida que compara la probabilidad de que ocurra un evento entre un grupo expuesto a un factor y un grupo no expuesto a ese mismo factor.
Variante de RLHF donde las evaluaciones de calidad de las respuestas las genera otro modelo de IA, en lugar de evaluadores humanos.
Técnica de entrenamiento que ajusta un modelo de lenguaje usando las preferencias de evaluadores humanos, para que sus respuestas sean más útiles y seguras.
Capacidad de un modelo de IA de mantener su desempeño incluso ante entradas diseñadas deliberadamente para engañarlo.
Presencia de etiquetas incorrectas o inconsistentes dentro de un conjunto de datos de entrenamiento, generalmente producto de errores humanos o de procesos de anotación imperfectos.
Proceso de validar y limpiar los datos ingresados por un usuario antes de procesarlos, para prevenir ataques de seguridad y errores derivados de datos mal formados.
Biblioteca de Python de código abierto que ofrece implementaciones listas para usar de la mayoría de los algoritmos clásicos de machine learning.
Tarea de visión por computadora que clasifica cada píxel individual de una imagen según la categoría de objeto a la que pertenece.
Mecanismo que restringe qué filas específicas de una tabla puede ver o modificar cada usuario, según reglas definidas a nivel de la propia base de datos.
Conjunto de prácticas y controles técnicos que protegen los datos contra el acceso no autorizado, la alteración o la pérdida.
Proceso de elegir el subconjunto de variables más relevantes para entrenar un modelo, descartando las que aportan poca información o son redundantes.
Proceso de comparar y elegir, entre distintos algoritmos y configuraciones posibles, cuál ofrece el mejor desempeño para un problema específico.
Variante del mecanismo de atención en la que cada elemento de una secuencia se relaciona con todos los demás elementos de esa misma secuencia.
Garantías que un sistema de mensajería ofrece sobre cuántas veces, y bajo qué condiciones, un mensaje será efectivamente entregado a su destinatario.
Principio de arquitectura que permite escalar de forma independiente la capacidad de almacenamiento de datos y la capacidad de procesamiento usada para consultarlos.
Proceso de convertir una estructura de datos en memoria a un formato que puede almacenarse en disco o transmitirse por una red, y luego reconstruirse.
Conjunto de observaciones de una variable, registradas de forma secuencial y ordenada a lo largo del tiempo.
Distorsión sistemática en las decisiones de un modelo que produce resultados injustos hacia ciertos grupos, generalmente heredada de los datos de entrenamiento.
Distorsión que ocurre cuando la muestra seleccionada no representa adecuadamente a la población que se quiere estudiar.
Distorsión que ocurre cuando el proceso mediante el cual se seleccionan los sujetos o datos de un estudio no es representativo de la población que se busca estudiar.
Error de razonamiento que ocurre al sacar conclusiones observando únicamente los casos que sobrevivieron un proceso de selección, ignorando a los que no lo lograron.
Conjunto de supuestos incorporados en el diseño de un modelo, que lo predisponen a preferir ciertos tipos de patrones sobre otros al aprender de los datos.
Técnica que reemplaza datos que identifican directamente a una persona por un identificador artificial, manteniendo la posibilidad de revertir el proceso bajo condiciones controladas.
Técnica de interpretabilidad que asigna a cada variable de una predicción individual una contribución numérica, basada en conceptos de teoría de juegos.
Técnica que divide una base de datos en partes más pequeñas (shards), distribuidas entre distintos servidores, para escalar su capacidad total.
Conjunto de datos aislado, controlado por un área o sistema puntual, que no se integra ni se comparte fácilmente con el resto de la organización.
Técnica que estima resultados numéricos complejos o inciertos, generando repetidamente muestras aleatorias según ciertos supuestos y observando la distribución de los resultados obtenidos.
Concepto hipotético que describe un punto futuro en el que la inteligencia artificial superaría a la humana y comenzaría a mejorarse a sí misma a un ritmo acelerado e impredecible.
Tecnología de IA que convierte texto escrito en habla generada artificialmente, con entonación y ritmo naturales.
Sistema de almacenamiento que presenta archivos repartidos físicamente entre múltiples servidores, como si fueran parte de un único sistema de archivos coherente.
Software que permite crear, administrar, consultar y proteger una base de datos, actuando como intermediario entre los datos almacenados y las aplicaciones que los utilizan.
Arquitectura de IA donde varios agentes especializados colaboran, cada uno con un rol distinto, para resolver una tarea compleja de forma conjunta.
Sistemas de IA que sugieren contenido, productos o acciones a un usuario, basándose en sus preferencias pasadas o en las de usuarios similares.
Programas de inteligencia artificial que usan un conjunto de reglas explícitas, definidas por especialistas humanos, para tomar decisiones dentro de un dominio específico.
Acuerdo formal que define el nivel de servicio garantizado por un proveedor, incluyendo métricas concretas como disponibilidad, tiempo de respuesta o tiempo máximo de resolución ante incidentes.
Compromiso formal sobre la calidad, actualidad o disponibilidad de un conjunto de datos específico, acordado entre el equipo que lo produce y quienes lo consumen.
Técnica que permite a un robot construir un mapa de un entorno desconocido mientras, al mismo tiempo, determina su propia posición dentro de ese mapa.
Visualización minimalista que compara el cambio de valor de varias categorías entre exactamente dos momentos, usando líneas rectas que conectan ambos puntos.
Técnica de visualización que repite el mismo tipo de gráfico varias veces, una por cada categoría o período, para facilitar comparaciones.
Técnica que genera ejemplos sintéticos de la clase minoritaria en un problema de clasificación desbalanceado, para equilibrar la representación de cada categoría durante el entrenamiento.
Plataforma de data warehouse en la nube, que separa completamente el almacenamiento del cómputo, permitiendo escalar cada uno de forma independiente según la necesidad.
Técnica que aumenta la cantidad de ejemplos de la clase minoritaria en un problema desbalanceado, duplicándolos o generando ejemplos sintéticos.
Modelo de distribución de software en el que una aplicación completa se ofrece lista para usar a través de internet, generalmente mediante suscripción, sin necesitar instalación local.
Gráfico de línea minúsculo, sin ejes ni etiquetas, diseñado para mostrar una tendencia general dentro de un espacio muy reducido, como una celda de tabla.
Lenguaje estándar para consultar, insertar, actualizar y administrar datos en bases de datos relacionales.
Motor de base de datos relacional liviano que almacena toda la base de datos en un único archivo, sin necesitar un servidor independiente.
Técnica de ensamble que combina las predicciones de varios modelos distintos, usando otro modelo adicional que aprende la mejor forma de combinarlas.
Técnica de preprocesamiento de texto que reduce las palabras a su raíz aproximada, eliminando sufijos y prefijos, para tratar variantes de una misma palabra como equivalentes.
Práctica de comunicar hallazgos a partir de datos usando una narrativa clara, combinando visualizaciones, contexto y un mensaje central.
Variante de gráfico de área apilada donde las series se distribuyen simétricamente alrededor de un eje central, en lugar de partir de una línea base fija, creando una forma orgánica similar a un río.
Procesamiento de datos de forma continua, a medida que se generan, en lugar de acumularlos para procesarlos en bloques periódicos.
Técnica de pronóstico de series de tiempo que calcula un promedio ponderado de observaciones pasadas, dando más peso a las más recientes.
Consulta SQL anidada dentro de otra consulta, usada para calcular un resultado intermedio que la consulta principal utiliza.
Técnica que reduce la cantidad de ejemplos de la clase mayoritaria en un problema desbalanceado, para equilibrar su proporción frente a la clase minoritaria.
Cálculo que suma las diferencias al cuadrado entre valores observados y un valor de referencia, usado como base en muchas técnicas estadísticas, como la varianza y la regresión.
Técnica de IA que aumenta la resolución de una imagen, generando detalles adicionales plausibles que no estaban presentes en la versión original de menor calidad.
Comparación entre dos tecnologías web para dibujar gráficos: SVG representa cada elemento como un objeto individual manipulable, mientras que Canvas dibuja una imagen de píxeles sin mantener esa estructura.
Técnica de reducción de dimensionalidad especialmente diseñada para visualizar datos de alta dimensión en dos o tres dimensiones, preservando la estructura de grupos cercanos.
Tabla que resume la frecuencia de combinaciones entre dos o más variables categóricas, usada frecuentemente como base para pruebas de independencia.
Presentación de datos organizados en filas y columnas, que sigue siendo la forma más precisa de comunicar valores exactos, aunque menos efectiva que un gráfico para mostrar patrones generales.
Tabla de un data warehouse que describe los atributos de contexto —como producto, cliente o tiempo— usados para analizar y filtrar los datos de una tabla de hechos.
Tabla central de un data warehouse que almacena las métricas numéricas de interés, junto con referencias a las tablas de dimensiones relacionadas.
Plataforma comercial de visualización de datos y business intelligence, reconocida por su interfaz de arrastrar y soltar que permite crear dashboards interactivos sin necesidad de programar.
Plataforma comercial de integración de datos, con una larga trayectoria en el mercado, que ofrece herramientas para ETL, calidad de datos y gobernanza dentro de un mismo ecosistema.
Medida que cuantifica la magnitud real de una diferencia o relación observada, más allá de si es estadísticamente significativa o no.
Elemento de dashboard que muestra un único número destacado, generalmente acompañado de contexto adicional como la comparación con un período anterior.
Hiperparámetro que controla qué tan grandes son los ajustes que se realizan a los parámetros de un modelo en cada paso del entrenamiento.
Recolección automática y remota de datos de medición sobre el funcionamiento de un sistema, dispositivo o proceso, generalmente transmitidos en tiempo real para su monitoreo.
Parámetro que controla qué tan aleatoria o predecible es la salida de un modelo generativo: valores bajos producen respuestas más conservadoras, valores altos, más variadas y creativas.
Framework de código abierto desarrollado por Google para construir y entrenar modelos de deep learning a gran escala.
Principio que establece que un sistema distribuido de almacenamiento de datos solo puede garantizar completamente dos de tres propiedades: consistencia, disponibilidad y tolerancia a particiones.
Fórmula matemática que describe cómo actualizar la probabilidad de una hipótesis, a partir de una nueva evidencia observada.
Principio estadístico que establece que el promedio de muestras suficientemente grandes tiende a distribuirse de forma normal, sin importar la distribución original de los datos.
Experimento controlado que compara dos versiones distintas de un producto, modelo o característica, para determinar cuál produce mejores resultados según una métrica definida.
Prueba estadística que compara la distribución acumulada de una muestra de datos contra una distribución teórica específica, o contra otra muestra.
Prueba estadística que evalúa si un conjunto de datos es compatible con provenir de una distribución normal.
Prueba estadística ampliamente usada para evaluar específicamente si una muestra de datos proviene de una distribución normal.
Prueba propuesta por Alan Turing en 1950 para evaluar si una máquina puede exhibir un comportamiento conversacional indistinguible del de un humano.
Prueba estadística que evalúa la asociación entre dos variables categóricas en tablas de contingencia pequeñas, calculando probabilidades exactas en lugar de aproximaciones.
Técnica de representación de texto que pondera cada palabra según su frecuencia en un documento específico, mientras penaliza las palabras que aparecen en casi todos los documentos de una colección.
Distinción entre dos métricas de rendimiento distintas: la cantidad total de datos que un sistema puede procesar por unidad de tiempo, y el tiempo que tarda en procesar una única solicitud individual.
Distinción entre el momento en que un evento realmente ocurrió (tiempo de evento) y el momento en que el sistema efectivamente lo procesa (tiempo de procesamiento), que pueden diferir considerablemente en sistemas distribuidos.
Proceso de dividir un texto en unidades más pequeñas (tokens), como palabras o fragmentos de palabras, para que un modelo de lenguaje pueda procesarlo.
Capacidad de un sistema distribuido de seguir funcionando correctamente, incluso cuando uno o más de sus componentes individuales fallan.
Elemento interactivo que muestra información adicional y detallada sobre un punto de datos específico, apenas el usuario coloca el cursor sobre él.
Técnica de generación de texto que restringe la elección de la siguiente palabra a únicamente las k opciones más probables según el modelo.
Técnica de generación de texto que elige la siguiente palabra entre el conjunto más pequeño de opciones cuya probabilidad acumulada supera un umbral definido.
Chip diseñado específicamente por Google para acelerar el entrenamiento y la ejecución de modelos de machine learning, especialmente redes neuronales.
Enfoque de traducción automática que usa redes neuronales para traducir texto de un idioma a otro, aprendiendo patrones directamente de grandes volúmenes de texto bilingüe.
Práctica de dividir un conjunto de datos en una parte para entrenar el modelo y otra separada para evaluar qué tan bien generaliza.
Conjunto de operaciones sobre una base de datos que se ejecutan como una sola unidad, garantizando que se completen todas o ninguna.
Técnica que reutiliza el conocimiento adquirido por un modelo entrenado en una tarea, para acelerar y mejorar su aprendizaje en una tarea distinta pero relacionada.
Técnica que aplica el estilo visual de una imagen (como una pintura) al contenido de otra imagen distinta, combinando ambas en una nueva composición.
Familia de transformaciones matemáticas que ajustan automáticamente los datos hacia una forma más cercana a la normal, eligiendo el parámetro de transformación más adecuado según los propios datos.
Técnica que aplica la función logaritmo a una variable, usada frecuentemente para reducir asimetría, estabilizar la varianza, o linealizar relaciones exponenciales.
Arquitectura de red neuronal basada en mecanismos de atención, que es la base de los modelos de lenguaje modernos.
Grado en que una organización comunica de forma clara cómo funcionan sus sistemas automatizados y qué factores influyen en sus decisiones.
Visualización que representa datos jerárquicos como un conjunto de rectángulos anidados, cuyo tamaño es proporcional a un valor.
Bloque de código que se ejecuta automáticamente dentro de una base de datos, en respuesta a un evento específico como insertar, actualizar o eliminar una fila.
Técnica matemática que permite a algoritmos como las SVM encontrar fronteras de decisión no lineales, sin calcular explícitamente una transformación a un espacio de mayor dimensión.
Práctica de comenzar el eje de un gráfico en un valor distinto de cero, que puede exagerar visualmente diferencias relativamente pequeñas entre los datos representados.
Técnica de reducción de dimensionalidad similar a t-SNE en su uso para visualización, pero generalmente más rápida y mejor en preservar tanto la estructura local como la global de los datos.
Cuando un modelo es demasiado simple para capturar los patrones reales de los datos, rindiendo mal incluso en el propio entrenamiento.
Dimensión de calidad de datos que mide si cada entidad del mundo real está representada exactamente una vez en un conjunto de datos, sin duplicados no intencionales.
Operador SQL que combina los resultados de dos o más consultas en un único conjunto de resultados, apilando sus filas.
Operación que inserta un registro nuevo si no existe previamente, o lo actualiza si ya existe, combinando en una sola operación la lógica de inserción y actualización.
Técnica que evalúa el rendimiento de un modelo dividiendo los datos en varias particiones, entrenando y probando el modelo múltiples veces para obtener una estimación más confiable.
Técnica de evaluación que combina dos niveles de validación cruzada: uno para ajustar los hiperparámetros de un modelo, y otro externo para evaluar su desempeño final de forma imparcial.
Variante extrema de validación cruzada donde cada observación individual se usa una vez como conjunto de prueba, mientras se entrena con todas las demás.
Estrategia de validación que separa los datos de entrenamiento y de prueba según el orden cronológico en que ocurrieron, en lugar de dividirlos al azar.
Dimensión de calidad de datos que mide si los valores registrados cumplen con el formato, tipo y reglas esperadas para ese campo específico.
Dos criterios distintos para evaluar la calidad de un estudio: qué tan bien se puede confiar en sus conclusiones causales dentro del propio estudio, y qué tan bien esas conclusiones se generalizan a otros contextos.
Probabilidad de observar un resultado tan extremo como el obtenido, o más, si la hipótesis nula fuera cierta.
Característica o atributo que puede tomar distintos valores entre las unidades de observación de un conjunto de datos.
Función que asigna un valor numérico a cada resultado posible de un experimento cuyo resultado depende del azar.
Variable no considerada en un análisis que influye simultáneamente sobre la variable independiente y la dependiente, distorsionando la relación aparente entre ambas.
Medida de dispersión que promedia el cuadrado de las diferencias entre cada valor y la media del conjunto de datos.
Proporción de la variabilidad total de una variable que un modelo o un componente estadístico logra explicar, en contraste con la variabilidad que permanece sin explicar.
Cantidad máxima de texto (medida en tokens) que un modelo de lenguaje puede tener en cuenta al generar una respuesta.
Período de tiempo durante el cual un sistema, especialmente de streaming, conserva los datos históricos antes de eliminarlos automáticamente.
Técnica de feature engineering que crea variables a partir de un rango fijo de observaciones pasadas más recientes, usada frecuentemente en pronóstico y detección de anomalías.
Técnica que agrupa los eventos de un flujo continuo de datos en intervalos de tiempo definidos, para poder aplicar agregaciones y análisis sobre esos grupos.
Medida de qué tan compatibles son unos datos observados con un valor específico de los parámetros de un modelo estadístico.
Práctica de mantener un historial de los distintos estados de un conjunto de datos a lo largo del tiempo, permitiendo volver a una versión anterior si es necesario.
Técnica que permite consultar datos de múltiples fuentes distintas como si estuvieran en un único lugar, sin necesitar moverlos ni copiarlos físicamente a un repositorio centralizado.
Rama de la visión por computadora enfocada en percibir e interpretar la estructura tridimensional de un entorno a partir de imágenes o sensores especializados.
Campo de la IA que permite a las máquinas interpretar y entender contenido visual, como imágenes y video.
Consulta SQL guardada que se comporta como una tabla virtual, mostrando datos calculados o combinados de una o más tablas reales, sin duplicar físicamente la información.
Vista de base de datos cuyo resultado se calcula y almacena físicamente, en lugar de recalcularse cada vez que se consulta, mejorando la velocidad a cambio de datos potencialmente desactualizados.
Representación de datos usando tres dimensiones espaciales, en lugar de las dos dimensiones habituales de la mayoría de los gráficos.
Representación gráfica de datos e información, diseñada para que patrones, tendencias y relaciones se puedan percibir e interpretar rápidamente.
Representación gráfica de un conjunto de entidades y las relaciones entre ellas, mostrando la estructura completa de conexiones de un sistema complejo.
Distinción entre visualizaciones diseñadas para que el propio analista descubra patrones en los datos, y visualizaciones diseñadas para comunicar un hallazgo específico ya identificado a una audiencia.
Diseño de gráficos que se adapta automáticamente a distintos tamaños de pantalla, reorganizando o simplificando su contenido para seguir siendo legible tanto en dispositivos móviles como en pantallas grandes.
Visualización que representa proporciones mediante una cuadrícula de celdas coloreadas, donde cada celda representa una unidad fija del total, ofreciendo una alternativa al gráfico de torta.
Marca de tiempo que indica hasta qué punto un sistema de streaming considera que ya recibió todos los eventos esperados, permitiendo cerrar ventanas de tiempo con confianza razonable.
Técnica que incorpora una marca sutil e imperceptible en el contenido generado por IA, permitiendo identificarlo posteriormente como generado artificialmente.
Mecanismo mediante el cual un sistema notifica automáticamente a otro sistema, enviándole datos en tiempo real cuando ocurre un evento específico, sin necesitar que el segundo sistema pregunte repetidamente por actualizaciones.
Técnica que aprende representaciones vectoriales de palabras a partir de su contexto, capturando relaciones de significado entre ellas.
Implementación optimizada y muy popular del algoritmo de Gradient Boosting, conocida por su velocidad y su desempeño consistentemente alto en competencias de ciencia de datos.
Componente de Hadoop que gestiona y asigna los recursos de cómputo del cluster —memoria y procesamiento— entre las distintas aplicaciones que se ejecutan simultáneamente sobre él.
Capacidad de un modelo de resolver una tarea para la cual nunca recibió ejemplos específicos durante su entrenamiento o ajuste.
Centro de datos físicamente aislado dentro de una región de un proveedor de nube, diseñado para que una falla en una zona no afecte a las demás zonas de esa misma región.
No encontramos términos que coincidan con tu búsqueda.
