Servicios Cómo funciona Resultados Blog Cursos Mapa de la IA Contacto FAQ Acceso de clientes Reservar una demo
EN ES
Educativo

El mundo de la IA.

La inteligencia artificial no es una sola cosa — es un conjunto de disciplinas, cada una resolviendo un tipo distinto de problema. Este es un mapa interactivo de cómo encajan entre sí.

Una nota sobre el alcance: este mapa es puramente educativo. No es una descripción del producto o la pila tecnológica propia de Radundant.ai — consulta lo que realmente usamos en nuestra página de Servicios.
Inteligencia Artificial
Desplaza o pellizca para hacer zoom · arrastra para mover · pasa el cursor sobre un término para explorar

Aprendizaje supervisado — aprende a partir de ejemplos etiquetados para predecir resultados en datos nuevos. Incluye regresión lineal y logística, árboles de decisión, bosques aleatorios, máquinas de vectores de soporte, naive Bayes, k vecinos más cercanos, y gradient boosting (p. ej. XGBoost).
Aprendizaje no supervisado — encuentra estructura en datos sin etiquetar. Incluye k-means y clustering jerárquico, DBSCAN, análisis de componentes principales (PCA), t-SNE, y minería de reglas de asociación (Apriori).
Aprendizaje por refuerzo — aprende mediante prueba, error y recompensa. Incluye Q-learning, redes Q profundas, métodos de gradiente de política (PPO), métodos actor-crítico, y búsqueda de árboles de Monte Carlo.
Aprendizaje semi- y auto-supervisado — combina un pequeño conjunto etiquetado con uno grande sin etiquetar. Incluye co-training, self-training, y aprendizaje contrastivo.
Aprendizaje profundo / redes neuronales — redes en capas que aprenden representaciones jerárquicas. Incluye CNN (visión), RNN y LSTM (secuencias), transformers (lenguaje), autoencoders, y redes generativas antagónicas (GAN).
Métodos evolutivos y bioinspirados — optimización inspirada en procesos naturales, incluyendo algoritmos genéticos y optimización por enjambre de partículas.
Series temporales y pronóstico — modelado de datos que cambian con el tiempo, desde métodos clásicos como ARIMA hasta modelos modernos de pronóstico basados en secuencias.

Comprensión del lenguaje — extraer significado del texto: reconocimiento de entidades nombradas, extracción de información, análisis de sentimiento, y clasificación de intención.
Voz — conversión entre voz y texto, incluyendo reconocimiento de voz (ASR), texto a voz (TTS), e identificación de hablante.
Traducción automática — traducción automática entre idiomas, desde los primeros métodos estadísticos hasta la traducción neuronal moderna basada en transformers.
Modelos de lenguaje de gran escala — modelos entrenados en corpus de texto masivos para generación, razonamiento y diálogo.
Generación y resumen de texto — producir texto nuevo coherente o condensar documentos extensos en sus puntos clave.
Sistemas de diálogo — agentes conversacionales que gestionan la interacción de múltiples turnos y el contexto.

Clasificación de imágenes — identificar qué contiene una imagen, la base de la mayoría de los sistemas de reconocimiento de objetos.
Detección y segmentación de objetos — localizar y delimitar objetos individuales dentro de una escena.
Reconstrucción 3D — construir modelos 3D a partir de imágenes 2D usando análisis de movimiento, sombreado y contorno.
Reconocimiento facial y biometría — identificar o verificar individuos a partir de datos faciales o biométricos.
Reconocimiento óptico de caracteres (OCR) — leer texto impreso o manuscrito a partir de imágenes.
Comprensión de vídeo — reconocer acciones y rastrear objetos a través de los fotogramas de vídeo a lo largo del tiempo.

Percepción — detectar e interpretar el entorno mediante cámaras, LiDAR y otros sensores.
Localización y mapeo (SLAM) — determinar la posición de un robot mientras se construye simultáneamente un mapa de su entorno.
Planificación y control de movimiento — planificar rutas libres de colisiones y ejecutar movimientos precisos y coordinados.
Actuación — convertir decisiones en acción física mediante motores y efectores mecánicos.
Interacción humano-robot — diseñar una colaboración segura e intuitiva entre robots y personas.

Razonamiento probabilístico — razonar bajo incertidumbre usando teoría de la probabilidad en lugar de lógica estricta.
Redes bayesianas — modelos gráficos que representan relaciones probabilísticas entre variables.
Razonamiento temporal — razonar sobre cómo cambian los hechos y estados a lo largo del tiempo.
Cuantificación de la incertidumbre — medir cuán segura debería estar un modelo de sus propias predicciones.
Lógica difusa — razonar con grados de verdad en lugar de un verdadero/falso estricto.
Razonamiento basado en casos — resolver nuevos problemas adaptando soluciones de problemas pasados similares.

Sistemas basados en lógica — reglas formales para derivar conclusiones a partir de hechos conocidos.
Ingeniería del conocimiento — estructurar el conocimiento experto de un dominio en una forma que un sistema pueda usar.
Planificación y programación automatizadas — generar una secuencia de acciones que lleve de un estado inicial a un objetivo.
Planificación en el mundo real — planificar bajo restricciones reales como tiempo, coste y recursos limitados.
Teoría de juegos — modelar la toma de decisiones estratégicas entre múltiples agentes racionales.

Algoritmos de búsqueda — explorar posibilidades sistemáticamente para encontrar una solución, p. ej. búsqueda en anchura, en profundidad, y A*.
Búsqueda heurística — usar reglas prácticas para buscar de forma más eficiente que explorando cada posibilidad.
Satisfacción de restricciones — resolver problemas definidos por un conjunto de restricciones que deben cumplirse todas.
Búsqueda adversaria — buscar en entornos competitivos contra un oponente, como minimax y árboles de juego.
Optimización — encontrar la mejor solución entre muchas opciones factibles.

Qué es — sistemas con múltiples agentes autónomos que interactúan entre sí y con su entorno, aprendiendo y adaptando su comportamiento con el tiempo para lograr un objetivo común.
Coordinación y comunicación — cómo los agentes comparten información, negocian y dividen el trabajo.
Comportamiento emergente — comportamiento grupal complejo que surge de reglas individuales simples de cada agente.
Resolución distribuida de problemas — dividir una tarea entre muchos agentes que cooperan en lugar de un único solucionador central.

Modelos de lenguaje de gran escala — generar texto, código y razonamiento a partir de un preentrenamiento masivo en lenguaje.
Generación de imagen y vídeo — modelos de difusión y GAN que producen contenido visual novedoso a partir de un prompt.
Generación de audio y música — modelos que componen voz, efectos de sonido o música.
Generación aumentada por recuperación (RAG) — anclar la salida de un modelo en fuentes de conocimiento externas y actualizadas.

Ontologías y redes semánticas — representaciones estructuradas de conceptos y las relaciones entre ellos.
Sistemas expertos basados en reglas — codificar el conocimiento de expertos humanos como reglas si-entonces para automatizar decisiones especializadas.
Grafos de conocimiento — conectar entidades y hechos en una estructura de grafo consultable.
IA neurosimbólica — combinar el reconocimiento de patrones de las redes neuronales con el rigor lógico del razonamiento simbólico.

Algoritmos genéticos — evolucionar soluciones candidatas mediante selección, cruce y mutación a través de generaciones.
Inteligencia de enjambre — sistemas descentralizados inspirados en colonias de hormigas, bandadas de aves y otros comportamientos animales colectivos.
Optimización por enjambre de partículas — optimizar moviendo conjuntamente una población de soluciones candidatas a través de un espacio de búsqueda.

Equidad y mitigación de sesgos — identificar y reducir el comportamiento injusto o discriminatorio de un modelo.
Robustez adversaria — defender a los modelos frente a entradas diseñadas deliberadamente para engañarlos.
IA explicable (XAI) — hacer que las decisiones de un modelo sean interpretables para las personas que dependen de ellas.
Alineación y seguridad de la IA — asegurar que los sistemas de IA persigan de forma fiable los objetivos previstos para ellos.
Gobernanza y regulación — los marcos políticos y legales que dan forma al uso responsable de la IA.

Reconocimiento de emociones — detectar la emoción humana a partir de la voz, la expresión facial o el texto.
Minería de sentimiento y opinión — extraer actitudes y opiniones expresadas en el texto.
Diseño de IA centrado en el humano — construir sistemas que respondan apropiadamente al estado emocional de una persona.

Filtrado colaborativo — recomendar basándose en patrones de las preferencias de muchos usuarios, no solo en el historial de una persona.
Filtrado basado en contenido — recomendar elementos con atributos similares a lo que a un usuario ya le gusta.
Factorización de matrices — descomponer las interacciones usuario-elemento para descubrir preferencias latentes, el enfoque que ganó el Netflix Prize.
Sistemas híbridos y basados en aprendizaje profundo — combinar múltiples señales, incluidos embeddings aprendidos, para personalización a gran escala.

Optimización de hiperparámetros — buscar automáticamente los mejores ajustes de un modelo en lugar de afinarlos a mano.
Búsqueda de arquitectura neuronal (NAS) — diseñar automáticamente arquitecturas de redes neuronales en lugar de crearlas a mano.
Meta-aprendizaje — entrenar modelos que aprenden a aprender, adaptándose rápidamente a nuevas tareas con muy pocos datos.
Aprendizaje few-shot y por transferencia — reutilizar conocimiento de una tarea, o de un modelo preentrenado, para resolver una nueva con datos adicionales mínimos.

Aprendizaje federado — entrenar un modelo compartido en muchos dispositivos o servidores sin mover nunca los datos en bruto fuera de ellos.
Privacidad diferencial — añadir ruido calibrado para que un modelo no pueda filtrar información sobre ningún individuo concreto de sus datos de entrenamiento.
Computación segura multiparte — varias partes calculan conjuntamente un resultado sin revelarse mutuamente sus entradas privadas.
Cifrado homomórfico — calcular directamente sobre datos cifrados sin necesidad de descifrarlos nunca.

¿Curioso por saber cómo esto se convierte en un motor de negocio y marketing?

Este mapa cubre la IA de forma amplia. Radundant.ai aplica una porción específica de ella — generación de contenido, modelado de marca y optimización de circuito cerrado — para gestionar tu marketing de forma autónoma.

Reservar una demo →