Fundamentos de los LLM

Antes de hablar de recuperación, precios o agentes, hay que entender qué cambia cuando el software usa IA, qué es un LLM y cómo procesa lo que le escribes.

Del software determinista al ecosistema de IA

1. Determinismo y probabilismo — Por qué un modelo no es una función predecible.
2. LLM — El modelo mental: predecir el siguiente token una y otra vez.
3. Proveedor — Quién crea los modelos: OpenAI, Anthropic, Google, Microsoft, Amazon.
4. Modelos fundacionales — Qué es un modelo: modalidades, y modelos generales, especializados, cerrados y abiertos.
5. Plataforma — Cómo accedes al modelo: API directa, Azure Foundry, Bedrock, Vertex o despliegue propio.
6. Mapa del ecosistema — Cómo encajan IA, ML, deep learning, IA generativa, modelos, proveedores, plataformas y agentes.
7. Entrenamiento y fine-tuning — Qué fija el entrenamiento y qué añade el fine-tuning; fine-tuning vs. RAG.

La unidad de trabajo del modelo

8. Tokens — La unidad en la que el modelo lee, escribe y te cobra.
9. Ventana de contexto — El límite que explica por qué “se olvida”.
10. Inferencia y sampling — Temperatura, top-p y los parámetros que gobiernan cada token.
11. Alucinaciones y límites — Respuestas plausibles pero falsas, y por qué necesitas verificación.

El mapa aparece después de sus piezas a propósito: funciona como síntesis, no como una lista de siglas que tengas que memorizar antes de entenderlas. Al terminar tendrás el vocabulario para el resto de la ruta.