<aside> 🎯

El Gran Porqué — Contexto de Negocio y Tecnológico

La Inteligencia Artificial Generativa no consiste únicamente en chatear con un modelo para obtener texto. En la nube de AWS, cada palabra que un modelo procesa o genera cuesta dinero y consume tiempo (latencia).

</aside>

Como especialista en IA, tu trabajo no es solo escribir instrucciones bonitas (prompts), sino diseñar arquitecturas eficientes que transformen la información en datos que los modelos puedan procesar, seleccionando la arquitectura adecuada (texto, imagen, multimodal) y controlando los costos operativos de la organización. Entender cómo se representan los datos internamente (tokens, embeddings y vectores) te permitirá decidir cómo construir sistemas de búsqueda semántica (RAG), cómo gestionar la memoria del sistema y cómo proteger tus aplicaciones contra ataques maliciosos que intenten evadir los controles de seguridad.

🔑 Conceptos Clave

EL FLUJO DE IA GENERATIVA

📄 Documento ──► ✂️ Chunking ──► 🔤 Tokens ──► 🧠 Embedding ──► 📐 Vector
                                                                    │
🤖 Respuesta ◄── 🧠 Foundation Model ◄── 📝 Context Engineering ◄──┘

🔤 Los Ladrillos de la Representación — Tokens, Chunking, Embeddings y Vectores

🧠 Lo que debes entender realmente: Los modelos de lenguaje no leen palabras como los humanos. Para procesar la información, la convierten en representaciones numéricas mediante un flujo estructurado:

• Tokens: Es la unidad mínima de texto que procesa un modelo (puede ser una palabra completa, una sílaba o un carácter). La cantidad de tokens determina directamente el costo de la factura y la latencia de respuesta.
• Chunking: Es el proceso de fragmentar documentos grandes en porciones más pequeñas (chunks). Si el fragmento es demasiado grande, mezcla temas diferentes; si es demasiado pequeño, pierde el contexto necesario para entender la idea.
• Embeddings: Es la traducción de un fragmento de texto a una representación numérica que captura su significado semántico. La clave matemática es: textos con significados similares tendrán representaciones numéricas cercanas en el espacio geométrico.
• Vectores: Es la lista ordenada de números que compone el embedding. Se almacenan en bases de datos vectoriales para comparar distancias y realizar búsquedas por significado en lugar de coincidencias exactas de palabras.

💡 Analogía — El Mapamundi de Conceptos

Imagina un mapa geográfico multidimensional. Si colocas "Madrid" y "París", el sistema los ubica muy cerca porque ambos vectores comparten el significado semántico de "capital europea". Si buscas "olvidé mi clave", el sistema calcula la distancia vectorial y encuentra que está pegado al documento "restablecer contraseña", aunque no compartan las mismas palabras exactas.

<aside> ⚠️

Error común de confusión: Pensar que 1 token equivale siempre a 1 palabra completa (las palabras largas o raras se dividen en múltiples tokens), o asumir que una búsqueda vectorial es igual a presionar Ctrl + F para buscar palabras clave idénticas.

</aside>

🏗️ Arquitecturas de Modelos — LLMs, Transformers, Foundation Models, Multimodales y Difusión

🧠 Lo que debes entender realmente: Existe una distinción técnica crítica sobre qué puede hacer cada arquitectura:

• Transformers y Atención: Es la arquitectura base de los LLMs modernos. Su mecanismo de atención analiza todo el contexto y determina qué partes son las más relevantes para interpretar o generar la siguiente palabra.
• Foundation Models (FMs): Son modelos masivos preentrenados que sirven como base versátil para múltiples tareas.
• LLM vs. Foundation Model: Todo LLM es un Foundation Model, pero no todo Foundation Model es un LLM. Los LLM trabajan con lenguaje de texto, mientras que existen FMs para imágenes o audio.
• Modelos Multimodales: Pueden procesar y/o generar diferentes modalidades de datos de forma simultánea (texto, imagen, audio, video).
• Modelos de Difusión: Arquitectura especializada en generar imágenes mediante un proceso que aprende a eliminar gradualmente ruido hasta producir una imagen limpia guiada por un prompt.