Data Science e IA
9 términos en esta categoría.
- A2A (Agent2Agent): qué es y cómo coordina agentes de IAA2A es el protocolo abierto que permite a agentes de IA descubrirse, comunicarse y delegar tareas. Definición, arquitectura, casos de uso y diferencias con MCP.
- Embeddings: qué son y por qué importan en IA y búsqueda semánticaLos embeddings son representaciones numéricas (vectores) de texto, imágenes o datos que capturan su significado. Qué son, cómo funcionan y para qué sirven en IA y RAG.
- Feature store: qué es y por qué lo usan los equipos de ML en producciónQué es un feature store: repositorio centralizado de características para modelos de machine learning. Evita duplicidades y acelera la puesta en producción.
- Fine-tuning: qué es y cuándo ajustar un modelo de IAEl fine-tuning reentrena un modelo de IA ya existente con datos propios para especializarlo en una tarea. Qué es, cómo funciona y cuándo conviene frente a RAG.
- Grafo de conocimiento: qué es y para qué sirveUn grafo de conocimiento representa entidades y sus relaciones como una red de nodos y aristas para conectar datos. Qué es, para qué sirve y su papel en la IA.
- MCP (Model Context Protocol): qué es y cómo funcionaMCP es el protocolo abierto que estandariza cómo los modelos de IA acceden a datos y herramientas externas. Definición, arquitectura, casos de uso y adopción en 2026.
- MLOps: qué es y por qué los modelos en producción necesitan disciplinaMLOps es la disciplina que aplica DevOps al ciclo de vida de modelos de Machine Learning: versionado, despliegue, monitorización y reentrenamiento controlado.
- RAG (Retrieval Augmented Generation): qué es y cómo funcionaRAG combina recuperación de información con LLMs para responder preguntas sobre datos propios sin reentrenar el modelo. Arquitectura, casos de uso y limitaciones.
- Vector database: qué es y por qué es clave en IA generativaQué es una base de datos vectorial: sistema optimizado para almacenar y consultar embeddings. Pieza central de las arquitecturas RAG con LLMs.