Glosario básico Inteligencia Artificial

Rama de la computación que incluye las metodologías para modelar y simular en el ámbito digital las habilidades humanas que caracterizan la inteligencia. Se centra en crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje, la resolución de problemas y la toma de decisiones.

Se refiere a la interconexión de dispositivos físicos, objetos y sistemas a través de Internet, permitiéndoles recopilar y compartir datos, comunicarse entre sí y realizar acciones automatizadas sin necesidad de una interacción humana directa. En esencia, el IoT se trata de convertir objetos cotidianos en «inteligentes» al dotarlos de la capacidad de comunicarse y colaborar con otros dispositivos y sistemas a través de la red.

Capacidad o habilidad de un individuo, organización o sistema para operar y funcionar de manera efectiva en el entorno digital o tecnológico. Es una construcción cultural que deriva de la suma de conocimientos y hallazgos técnicos que permitieron la digitalización de actividades cotidianas de la vida de las personas y que no está exento de riesgos por minimizar la preponderancia de lo analógico-real en contraposición a lo digital-virtual.

Subcampo de la IA que implica la construcción de algoritmos que permiten a las computadoras aprender de datos y mejorar su rendimiento en una tarea específica a medida que se exponen a más información.

Modelos matemáticos inspirados en la estructura y función del cerebro humano, utilizados para el procesamiento de información y el análisis de datos complejos.

Es el proceso de transformar la información y los elementos de un conjunto de datos en un formato que sea adecuado y eficiente para que los algoritmos y modelos de inteligencia artificial puedan comprender, procesar y extraer patrones significativos de esos datos. La representación de datos es esencial porque influye en la capacidad de los algoritmos para realizar tareas como clasificación, predicción, agrupación y toma de decisiones.

Conocido en inglés como deep learning, es una subrama del aprendizaje automático (machine learning) y de la inteligencia artificial que se centra en el entrenamiento de modelos computacionales, llamados redes neuronales artificiales, para aprender y representar patrones y características complejas a partir de datos. A diferencia de los métodos tradicionales de aprendizaje automático, el aprendizaje profundo busca construir jerarquías de representaciones en capas sucesivas, permitiendo que los modelos automáticos aprendan abstracciones cada vez más abstractas y significativas a medida que profundizan en las capas.

Es un enfoque en la inteligencia artificial y el aprendizaje automático que se basa en la idea de construir modelos o sistemas complejos mediante la combinación y organización de componentes más simples en múltiples niveles o capas. En este contexto, cada nivel de la jerarquía representa un nivel de abstracción o complejidad creciente, lo que permite la representación y el procesamiento eficiente de información en diferentes niveles de detalle.

En el contexto del aprendizaje profundo y las redes neuronales se refieren a componentes específicos y adaptados que se agregan a una red neuronal para realizar operaciones o cálculos específicos que no están disponibles en las capas estándar proporcionadas por los marcos de trabajo de aprendizaje profundo.

Es una terminología médica estandarizada y un sistema de codificación utilizado en el ámbito de la salud y la medicina. Su objetivo principal es proporcionar una terminología unificada y estandarizada para describir y codificar una amplia gama de conceptos médicos, desde enfermedades y síntomas hasta procedimientos y medicamentos, de manera que sea comprensible y utilizable en todo el mundo.

Es un estándar de interoperabilidad en el ámbito de la salud y la atención médica. Fue desarrollado por la organización Health Level Seven International (HL7) para facilitar el intercambio de información médica entre sistemas y aplicaciones de salud de manera más rápida y eficiente.

Es una técnica de explicabilidad y interpretación en el campo del aprendizaje automático y la inteligencia artificial. Fue desarrollada para ayudar a entender y explicar las decisiones tomadas por modelos de aprendizaje automático, especialmente aquellos que son conocidos como «modelo agnósticos», es decir, que pueden ser cualquier tipo de algoritmo de aprendizaje automático.

Utilización de algoritmos de IA para ayudar a los médicos en la interpretación de imágenes médicas, como radiografías, tomografías computarizadas y resonancias magnéticas.

Campo de la IA que se ocupa de permitir que las computadoras comprendan, interpreten y generen lenguaje humano en formas que sean valiosas y significativas.

Es un programa informático diseñado para simular una conversación humana, generalmente a través de la mensajería instantánea u otras interfaces de chat. Los chatbots utilizan técnicas de Procesamiento de Lenguaje Natural (PLN) y algoritmos de inteligencia artificial para interpretar y responder a los mensajes de los usuarios de una manera que se asemeje a una conversación real.

Registro digital de la información médica de un paciente, que incluye antecedentes médicos, diagnósticos, tratamientos y otros datos relevantes.

Aplicación de técnicas de análisis de datos en conjuntos de información médica para descubrir patrones, tendencias y relaciones que pueden ser útiles para la toma de decisiones clínicas.

Uso de la informática y la IA para analizar y comprender datos genómicos, lo que ayuda a descubrir información valiosa sobre la genética y la predisposición a enfermedades.

Prestación de servicios médicos a distancia, utilizando tecnologías de comunicación y herramientas de IA para diagnosticar, tratar y monitorear a los pacientes.

Uso de simulaciones y modelos computacionales para predecir la interacción de fármacos con sistemas biológicos, acelerando el proceso de desarrollo de medicamentos.

Integración de información digital en el entorno físico, lo que permite a los médicos superponer datos médicos en tiempo real en el campo de visión mientras realizan procedimientos.

Consideraciones sobre cómo se deben abordar los desafíos éticos y de privacidad en la implementación de la IA en la atención médica, incluida la toma de decisiones autónomas por parte de sistemas de IA.

Uso de sistemas de IA para automatizar tareas y flujos de trabajo en entornos médicos, mejorando la eficiencia y reduciendo errores humanos.

Capacidad de sistemas y dispositivos médicos para intercambiar y utilizar datos de manera eficiente y coherente, lo que mejora la coordinación y calidad de la atención médica.

Utilización de la IA para analizar datos genómicos y clínicos con el fin de desarrollar tratamientos y medicamentos específicos para las características individuales de cada paciente.

Ciberseguridad

Es la disciplina basada en la computación que permite proteger nuestros datos y realizar operaciones digitales seguras.  Su objetivo es  evitar riesgos en torno a nuestros activos digitales.