Autoevaluación del módulo

Respondé con tus palabras y después compará con las respuestas razonadas. Si fallás más de tres, volvé a las unidades indicadas antes de seguir al Módulo 2.

Preguntas

1. ¿Cuál es la diferencia entre IA e IA generativa? (U1–U2)
2. ¿Qué diferencia existe entre entrenamiento e inferencia? (U4)
3. ¿Qué es un LLM? (U3)
4. ¿Por qué un LLM no debe tratarse como una base de datos de hechos? (U6)
5. ¿Qué diferencia hay entre prompt y contexto? (U5)
6. ¿Qué es una alucinación? (U6)
7. ¿Para qué sirve RAG? (U8)
8. ¿Qué diferencia conceptual hay entre una tool y una skill? (U7)
9. ¿Qué problema intenta resolver MCP? (U7)
10. ¿Por qué un agente necesita límites y permisos? (U9)
11. ¿Qué significa human-in-the-loop? (U9)
12. ¿Por qué es necesario evaluar una solución de IA antes de usarla en producción? (U10)

Respuestas razonadas

1. IA es el campo completo; IA generativa es solo la familia que crea

contenido nuevo. Toda generativa es IA; casi toda la IA (reglas, ML clásico) no es generativa.

1. Entrenamiento ajusta parámetros (caro, raro); inferencia usa el modelo

entrenado por consulta (barato, diario). RAG/contexto no es entrenamiento.

1. Modelo de lenguaje grande que predice el próximo token; de esa tarea

simple a gran escala emergen sus capacidades… y sus errores.

1. Porque guarda patrones estadísticos, no hechos verificados; completa lo

probable. Los hechos confiables llegan por contexto, RAG o herramientas.

1. Prompt = tu mensaje/instrucción; contexto = todo lo visible en la

consulta (instrucciones + historial + documentos). El prompt es parte del contexto.

1. Contenido inventado pero convincente; ocurre porque el modelo elige lo

probable, no lo verificado. Se mitiga con contexto, RAG y verificación.

1. Darle al modelo conocimiento externo recuperado en el momento para

responder con fuentes, sin reentrenar. Ideal para datos cambiantes/propios.

1. Tool = acción ejecutable que el modelo puede pedir (buscar, consultar);

skill = saber-hacer reutilizable empaquetado (procedimiento, formato).

1. Estandarizar cómo las apps de IA se conectan a herramientas y contexto

(un protocolo común en vez de integraciones a medida).

1. Porque actúa en varios pasos con efectos reales; sin límites puede usar

herramientas equivocadas, filtrar datos o ejecutar acciones irreversibles.

1. Persona que aprueba pasos críticos antes de ejecutarse. Obligatorio en

pagos, envíos, publicaciones y decisiones sobre personas.

1. Porque las demos muestran los mejores casos; producción exige evidencia en

casos representativos y difíciles, repetible ante cada cambio.

Fuentes

Las fuentes conceptuales se encuentran en los capítulos indicados junto a cada pregunta y en las guías enlazadas del Módulo 1.

Seguir aprendiendo

• Volvé al mapa conceptual (Unidad 11) para fijar el panorama.
• Más adelante: Módulo 2 — Cómo funciona y cómo pensar un LLM.