Glosario de la API

A

Alucinación

Una alucinación es la salida de un modelo de IA (especialmente un modelo de lenguaje grande) que es falsa, inventada o carente de fundamento, pero que se presenta de manera fluida y con confianza como si fuera verdadera. («Carente de fundamento» en este caso significa que la salida no está respaldada por los datos de entrenamiento del modelo ni por las fuentes que se le proporcionaron.) Las alucinaciones van desde citas inventadas y estadísticas falsas hasta detalles que suenan plausibles pero que ninguna fuente respalda en realidad, y también pueden surgir cuando un modelo interpreta mal, atribuye erróneamente o generaliza en exceso a partir de fuentes desactualizadas o parciales.

Anclaje en la web

El anclaje en la web es la práctica de basar las respuestas de un modelo de lenguaje en contenido web en vivo recuperado en el momento de la consulta, de modo que sus respuestas reflejen fuentes actuales y verificables en lugar de solo lo que aprendió durante el entrenamiento. Un modelo anclado busca en la web una consulta, extrae las páginas relevantes y genera su respuesta a partir de ese contenido recuperado, a menudo citando las fuentes que utilizó.

API de búsqueda web

Una API de búsqueda web es un servicio que permite al software consultar el índice de la web de un motor de búsqueda y recibir los resultados como datos estructurados, en lugar de hacerlo a través de un navegador o extrayendo una página de resultados de búsqueda. Un programa emite una solicitud que contiene una consulta y parámetros, y recibe resultados legibles por máquina (normalmente URL, títulos y snippets de texto, junto con noticias, imágenes, videos y contenido más rico) listos para usarse en una aplicación de IA.

Atribución de fuentes

La atribución de fuentes es la práctica de identificar y dar crédito a las fuentes originales detrás de una información, de modo que el lector pueda ver dónde se originó una afirmación. En el Buscador con IA y los motores de respuestas, significa emparejar las respuestas generadas con citas (enlaces o referencias a las páginas y pasajes específicos en los que se basa la respuesta) en lugar de presentar conclusiones sin un origen rastreable.

B

Base de datos vectorial

Una base de datos vectorial es una base de datos creada para almacenar y buscar incrustaciones: los vectores numéricos de alta dimensión que representan el significado de texto, imágenes u otros datos. En lugar de coincidir con registros por valores exactos como una base de datos tradicional, una base de datos vectorial encuentra los registros cuyos vectores son más similares a una consulta, que es lo que hace posible la búsqueda basada en el significado (semántica) a gran escala.

Búsqueda agéntica

La búsqueda agéntica es un enfoque de recuperación en el que un agente de IA (por lo general impulsado por un modelo de lenguaje grande) planifica y ejecuta activamente un proceso de búsqueda de varios pasos en lugar de realizar una única consulta estática. El agente descompone una consulta, decide qué fuentes o herramientas consultar, emite múltiples búsquedas, evalúa lo que encuentra y refina su enfoque en un bucle hasta que ha reunido suficiente información para responder.

Búsqueda conversacional

La búsqueda conversacional es un enfoque de recuperación de información en el que una persona encuentra información a través de un diálogo de ida y vuelta en lenguaje natural, en lugar de una sola consulta por palabras clave. El sistema interpreta cada solicitud en el contexto de la conversación hasta el momento, recordando turnos anteriores, resolviendo preguntas de seguimiento y refinando los resultados a medida que continúa el intercambio. Esto permite que las personas busquen como si estuvieran hablando con un humano bien informado.

Búsqueda híbrida

La búsqueda híbrida es un enfoque de recuperación que combina la búsqueda por palabras clave (léxica) y la búsqueda semántica (vectorial) como dos métodos complementarios, cuyos resultados se fusionan en una única lista clasificada. Al ejecutar ambas a la vez, la búsqueda híbrida combina las coincidencias de términos exactos (en las que destaca la búsqueda por palabras clave) con las coincidencias basadas en el significado (en las que destaca la búsqueda semántica). En cargas de trabajo con consultas mixtas, esto suele mejorar la robustez de la recuperación en comparación con el uso de cualquiera de los métodos por separado.

Búsqueda semántica

La búsqueda semántica es un enfoque de búsqueda que hace coincidir los resultados por significado e intención, no solo por la coincidencia exacta de palabras clave. En los sistemas modernos, esto se implementa comúnmente representando las consultas y el contenido como incrustaciones (vectores numéricos que capturan relaciones semánticas), y luego recuperando los elementos con los vectores más similares. Eso permite que una consulta como “mejor vino para mariscos” coincida con contenido como “bueno con pescado”, incluso cuando los términos exactos difieren.

Búsqueda sin clics

La búsqueda sin clics es una sesión de búsqueda que finaliza sin que el usuario haga clic en un resultado externo. Esto puede suceder porque la página de resultados proporciona suficiente información directamente, porque el usuario abandona la consulta o porque la reformula y busca de nuevo.

C

Clasificación de intenciones

La clasificación de intenciones es la tarea de procesamiento de lenguaje natural que consiste en determinar qué está tratando de lograr un usuario a partir de su entrada, asignando una consulta o mensaje a una de un conjunto de categorías de intención predefinidas. Responde a la pregunta “¿qué quiere esta persona?” (por ejemplo, si una consulta del Buscador es informativa, de navegación o transaccional, o si un mensaje de un chatbot es un saludo, una queja o una solicitud para hacer una reservación).

E

Extracción de entidades

La extracción de entidades es la tarea de procesamiento del lenguaje natural (NLP) que consiste en identificar automáticamente elementos significativos mencionados en un texto y etiquetar cada uno según su tipo. Estos elementos pueden incluir personas, organizaciones, lugares, fechas, productos y otras entidades relevantes para el dominio. En muchos sistemas, el reconocimiento de entidades nombradas (NER) es una parte central de la extracción de entidades, pero la extracción de entidades también puede ser más amplia según el esquema y el caso de uso.

Extractor web

Un extractor web es un programa que extrae datos automáticamente de sitios web (incluidas las páginas de resultados del motor de búsqueda), por lo general descargando sus páginas y analizando el HTML escrito para navegadores humanos; los extractores web pueden convertir contenido pensado para la lectura humana en datos estructurados que un programa informático puede almacenar y reutilizar. Los extractores web tienen muchos usos legítimos (como comparación de precios, investigación, archivado y monitoreo de sistemas), pero según qué se extraiga y cómo, pueden generar problemas legales, técnicos y de políticas. En el contexto de la búsqueda, un extractor web obtiene resultados cargando y analizando las páginas de resultados de un motor de búsqueda, un enfoque que muchos proveedores importantes restringen o prohíben mediante términos de servicio y políticas contra la automatización.

F

Fragmentación

La fragmentación es el proceso de dividir un documento grande o un cuerpo de texto en segmentos más pequeños y autónomos (llamados “fragmentos”) para que puedan incrustarse, indexarse y recuperarse de forma individual. En la generación aumentada por recuperación (RAG) y la búsqueda semántica, la fragmentación determina la unidad de texto que un sistema almacena y luego recupera como contexto. Esto, a su vez, define directamente qué tan relevantes y completos son los resultados recuperados.

Funciones de la SERP

Las funciones de la SERP son módulos enriquecidos en una página de resultados del buscador que van más allá de una lista estándar de enlaces orgánicos. Algunos ejemplos comunes incluyen featured snippets, paneles de conocimiento, cuadros de “La gente también pregunta”, carruseles de imágenes y videos, paquetes de mapas locales, bloques de noticias destacadas, módulos de compras y resúmenes generados por IA.

G

Generación aumentada por recuperación (RAG)

La generación aumentada por recuperación (RAG) es una técnica que mejora las respuestas de un modelo de lenguaje al recuperar información relevante de una fuente externa, y proporcionar esta información al modelo como contexto antes de que genere una respuesta. En lugar de depender exclusivamente de lo que aprendió durante el entrenamiento, el modelo responde usando documentos obtenidos en el momento de la consulta, por lo que su resultado puede ser actual, específico y estar fundamentado en fuentes reales.

Grafo de conocimiento

Un grafo de conocimiento es una representación estructurada del conocimiento como una red de entidades (por ejemplo, personas, lugares, productos o conceptos) y las relaciones que las conectan. En lugar de almacenar información como texto aislado, un grafo de conocimiento registra los hechos como nodos (las entidades) unidos por edges (las relaciones), a menudo con tipos y atributos asociados. Esto permite que tanto las máquinas como las personas comprendan más fácilmente cómo se relacionan las cosas entre sí.

I

Incrustaciones vectoriales

Una incrustación vectorial (o simplemente una incrustación) es una lista de números que representa el significado de un fragmento de datos (como texto, imagen o audio) como un punto en un espacio de alta dimensión. Un modelo de incrustación produce estos vectores de modo que los elementos con significados similares queden cerca entre sí, lo que permite que el software compare significados midiendo la distancia entre vectores en lugar de coincidir palabras.

L

Latencia

La latencia es el retraso entre una solicitud y su respuesta: básicamente, cuánto tiempo espera un usuario o sistema para obtener resultados. En las aplicaciones de búsqueda con IA y de modelos de lenguaje, generalmente se refiere al tiempo que transcurre desde el envío de una consulta hasta la recepción de una respuesta, y es una medida fundamental de qué tan receptivo y utilizable se siente un sistema.

Limitación de tasa

La limitación de tasa es la práctica de establecer un límite en la cantidad de solicitudes que un cliente (a menudo una aplicación en una computadora o dispositivo móvil) puede realizar a un servicio dentro de un período de tiempo determinado. Cuando un cliente excede el límite, el servicio rechaza o retrasa las solicitudes adicionales (por lo general devolviendo una respuesta HTTP 429 Too Many Requests) hasta que se reinicia la ventana. La limitación de tasa protege a un servicio de la sobrecarga, garantiza el acceso equitativo entre los usuarios y aplica los niveles de uso que venden muchas API.

Límite de conocimiento

Un límite de conocimiento es el momento a partir del cual un modelo de lenguaje no tiene datos de entrenamiento y, por lo tanto, no tiene conciencia incorporada de eventos, hechos o cambios que ocurrieron después. Debido a que el conocimiento de un modelo está efectivamente congelado en el momento del entrenamiento, cualquier cosa que haya ocurrido después de su límite no forma parte de su conocimiento incorporado, a menos que se proporcione información más reciente en tiempo de ejecución a través de contexto externo, recuperación o herramientas.

Llamada a funciones

La llamada a funciones es una capacidad que permite a un modelo de lenguaje grande (LLM) solicitar el uso de una herramienta externa, una API o un fragmento de código produciendo una llamada estructurada y legible por máquina en lugar de una respuesta en texto plano. El modelo no ejecuta el código por sí mismo; decide qué función invocar y con qué argumentos, mientras que la aplicación luego ejecuta esa función, y el resultado se devuelve al modelo para incorporarlo en su respuesta final. La llamada a funciones suele usarse indistintamente con “uso de herramientas” o llamada a herramientas, aunque, en sentido estricto, se refiere a funciones definidas por el desarrollador, un subconjunto del patrón más amplio de llamada a herramientas.

Llamada a herramientas

La llamada a herramientas es la capacidad que permite a un modelo de lenguaje grande (LLM) usar herramientas externas como API, funciones, bases de datos o servicios. Al producir una solicitud estructurada para invocar una herramienta, una aplicación o el proveedor del modelo puede entonces ejecutar una tarea y devolver un resultado al modelo. Así es como un modelo va más allá de generar texto para obtener datos en tiempo real y realizar acciones.

M

Modelo de lenguaje grande (LLM)

Un modelo de lenguaje grande (LLM) es un modelo de inteligencia artificial entrenado con grandes cantidades de texto para comprender y generar lenguaje humano. Aprende los patrones estadísticos del lenguaje para poder predecir y producir la siguiente parte del texto en una secuencia, lo que (a una escala suficiente) le permite responder preguntas, resumir, traducir, escribir código y mantener una conversación.

Motor de búsqueda programable

Un motor de búsqueda programable es un motor de búsqueda que los desarrolladores configuran y consultan a través de código en lugar de únicamente a través de un sitio web de consumo. Esto permite a los desarrolladores integrar el Buscador directamente en sus propias aplicaciones, controlar su comportamiento y recibir resultados en un formato estructurado y legible por máquinas. El término “motor de búsqueda programable” describe de manera más amplia cualquier motor de búsqueda expuesto para uso programático, normalmente a través de una API de búsqueda.

P

Página de resultados del motor de búsqueda (SERP)

Una página de resultados del buscador (SERP) es la página que un motor de búsqueda devuelve en respuesta a una consulta. En los motores de búsqueda modernos, suele ser una combinación de elementos en lugar de una simple lista: enlaces orgánicos (no pagados) clasificados, anuncios pagados y funciones de la SERP como featured snippets o paneles de conocimiento que responden partes de la consulta directamente. En algunas consultas y motores, también pueden aparecer resúmenes generados por IA, a menudo cerca de la parte superior de la página.

Presupuesto de rastreo

El presupuesto de rastreo es la cantidad de rastreo que un motor de búsqueda o bot realizará en un sitio determinado dentro de un período de tiempo (en efecto, el conjunto de URL que puede y quiere obtener). A menudo, esto implica la combinación de dos factores: la capacidad de rastreo (cuánto puede manejar el servidor de un sitio sin ralentizarse) y la demanda de rastreo (cuánto quiere obtener realmente la araña web, según la popularidad de un sitio y la frecuencia con la que cambia su contenido). Para sitios grandes o que se actualizan con frecuencia, el presupuesto de rastreo determina la rapidez con la que se descubren las páginas nuevas y modificadas.

Puntuación de recuperación

Una puntuación de recuperación es un número que un sistema de búsqueda o recuperación asigna a cada resultado candidato, expresando cuán relevante o similar es el resultado con respecto a la consulta original del usuario. El sistema clasifica los resultados según esta puntuación, colocando primero los elementos con mayor puntuación, y puede usarla para decidir qué resultados son lo suficientemente sólidos como para conservarlos. Según el método, la puntuación puede medir la coincidencia de palabras clave, la similitud semántica o una combinación de ambas.

R

Rastreador web de IA

Un rastreador web de IA es un bot automatizado que obtiene páginas web para que el contenido recuperado pueda servir de apoyo a los sistemas de IA. Entre los usos posteriores más comunes se incluyen el entrenamiento de modelos de lenguaje grandes (LLM), la alimentación de índices de recuperación para motores de respuestas de IA y la actualización del contenido utilizado para responder a las consultas de los usuarios. A diferencia de la definición más estricta de una araña web tradicional del Buscador (centrada en clasificar páginas y generar tráfico de clics), el rastreo orientado a la IA suele abordarse en términos de cómo se reutiliza el contenido obtenido en distintos flujos de trabajo, tanto para modelos como para respuestas.

Reclasificación

La reclasificación es un proceso de segunda etapa que reordena una lista inicial de resultados de búsqueda para colocar primero los más relevantes. Un recuperador rápido de primera etapa extrae un conjunto amplio de resultados candidatos, y luego el reclasificador puntúa cada candidato con mayor cuidado en función de la consulta (usando un modelo más lento pero más preciso) y los ordena según esa puntuación. La reclasificación es el paso de precisión que viene después del paso de exhaustividad.

S

Salida estructurada

La salida estructurada es la salida de un modelo de lenguaje que sigue un formato específico y predefinido (con mayor frecuencia JSON que coincide con un esquema definido) en lugar de texto libre. Al restringir la forma de la respuesta, la salida estructurada hace que la salida del modelo sea más fácil de analizar y procesar por el software sin una lógica de limpieza frágil.

T

Tokenización

La tokenización es el proceso de dividir el texto en unidades más pequeñas llamadas tokens, las piezas que un sistema procesa realmente. Para un modelo de lenguaje, los tokens suelen ser fragmentos de subpalabras que el modelo lee como números en lugar de palabras completas. En la búsqueda clásica, la tokenización divide el texto en los términos que se usan para crear y consultar un índice. De cualquier manera, es el paso que convierte el texto sin procesar en unidades con las que un sistema puede trabajar.

V

Ventana de contexto

Una ventana de contexto es la cantidad máxima de texto (medida en tokens) que un modelo de lenguaje puede considerar a la vez. Abarca todo aquello con lo que el modelo trabaja en una sola conversación: las instrucciones del sistema, el prompt del usuario, el historial de la conversación, cualquier documento recuperado y la respuesta que el modelo está generando. Una vez que el texto combinado supera la ventana, el modelo ya no puede “ver” el excedente, por lo que el material más antiguo o menos relevante debe descartarse, resumirse o recuperarse bajo demanda.