Resumen visual y mapa conceptual

El mapa completo en una mirada

Inteligencia Artificial
        │
        ├── Machine Learning
        │       └── Deep Learning
        │               └── Modelos generativos
        │
        └── Aplicaciones de IA
                │
                ├── Modelo / LLM
                ├── Contexto
                ├── Conocimiento externo / RAG
                ├── Tools / MCP
                ├── Memoria
                ├── Workflows / Agentes
                └── Evaluación + supervisión

El diagrama simplifica relaciones complejas; no es una taxonomía universal completa. Sirve como mapa mental, no como definición formal.

Cómo leerlo

• La rama izquierda es cómo se construye (familias, Unidad 2).
• La rama derecha es cómo se usa en sistemas reales (Unidades 3–10).
• Todo sistema serio combina varias cajas de la derecha; ninguna funciona sola.
• Dos transversales sostienen el conjunto: contexto relevante (Unidades 5 y 8)

y evaluación + supervisión humana (Unidades 6 y 10).

Las 10 ideas que te llevás

1. IA = tecnologías que resuelven tareas asociadas a la inteligencia; toda la actual es especializada.
2. Reglas → ML → Deep Learning → Generativa (Unidad 2).
3. Modelo ≠ producto ≠ aplicación (Unidad 3).
4. Entrenar es caro; inferir es el uso diario (Unidad 4).
5. Prompt + contexto relevante, no contexto máximo (Unidad 5).
6. Plausible ≠ verdadero: verificar siempre (Unidad 6).
7. Las herramientas convierten un chatbot en sistema (Unidad 7).
8. El conocimiento cambiante vive fuera del modelo (Unidad 8).
9. Autonomía con límites, permisos y humanos en pasos críticos (Unidad 9).
10. Sin evals no hay producción confiable (Unidad 10).

Fuentes

Las fuentes conceptuales de las Unidades 1 a 10 se conservan en cada capítulo correspondiente. Este resumen no reemplaza esas fuentes.

Seguir aprendiendo

• Unidad 12: autoevaluación del módulo.
• Más adelante: Módulo 2 (cómo funciona y cómo pensar un LLM).