Referencia del curso
Glosario del curso
Todos los términos del curso reunidos en un solo lugar, cada uno definido en una frase. Escribe en el buscador para filtrar por palabra; funciona sin importar acentos ni mayúsculas.
Buscador
Glosario del curso
A/B test — comparación entre grupos aleatorios, control frente a chatbot, para medir el efecto causal del bot.
Ahorro por deflexión — casos genuinamente desviados al bot multiplicados por la diferencia de costo entre atención humana y bot.
AHT (tiempo medio de gestión) — duración promedio de atender un contacto; se lee siempre junto al FCR, nunca solo.
Alucinación — afirmación falsa pero plausible que el modelo genera con aparente seguridad.
Anonimización — transformar un dato para que sea irreversiblemente no identificable.
ANN (vecinos aproximados) — búsqueda casi exacta pero mucho más rápida de los vectores más cercanos a uno dado.
Answer relevance — grado en que la respuesta realmente contesta la pregunta que se hizo.
Arquitectura conceptual — plano de alto nivel del chatbot, en cajas y flechas y sin código, que un equipo de negocio puede dibujar y defender.
Ask (el pedido) — lo concreto que se pide al final de un pitch, por ejemplo aprobar un piloto.
Automatización parcial — descargar lo repetitivo y de bajo valor al bot, dejando lo complejo y sensible al humano.
Base de conocimiento (KB) — corpus organizado, estructurado, fechado y mantenido; un corpus maduro.
BLUF (bottom line up front) — decir la conclusión primero y el porqué después.
Buena respuesta — la que es correcta, fundamentada y citada, completa, con buen tono y con escalación cuando corresponde.
Búsqueda densa, léxica e híbrida — por significado (embeddings), por palabras exactas (BM25) o la combinación de ambas.
Capa del tablero — agrupación de KPIs por la pregunta que responden: operativo, experiencia, modelo o negocio.
Caso de uso — descripción estructurada de un problema de servicio que un chatbot RAG resolvería: problema, usuario, proceso, fuentes, valor y métrica.
CES (esfuerzo del cliente) — cuánto esfuerzo le costó al cliente resolver; la métrica de experiencia más reveladora para un autoservicio.
Chunk / chunking — fragmento recuperable de un documento, y el acto de partir un documento largo en esos fragmentos.
Citación — mostrar de qué documento o sección proviene cada afirmación, a partir de los metadatos.
Cobertura — porcentaje de las preguntas reales que el corpus es capaz de responder.
Coevaluación — evaluación de un equipo por sus pares con criterios explícitos.
Consentimiento informado — permiso previo, libre, expreso, informado y revocable para tratar datos personales.
Context precision / recall — calidad, en limpieza y cobertura, del contexto que recibió el generador.
Corpus — conjunto de documentos de conocimiento en lenguaje natural que alimenta el RAG.
Costo por contacto — costo total de un canal dividido entre el número de contactos que atendió.
Criterio bloqueante — umbral cuyo incumplimiento detiene el piloto por sí solo, por ejemplo el groundedness.
CSAT (satisfacción del cliente) — porcentaje de respuestas satisfactorias sobre una interacción concreta.
Dataset card / model card — fichas de documentación del corpus y del modelo.
Dato sensible — subclase de dato personal con protección reforzada (salud, biometría) que suele exigir consentimiento expreso.
Datos sintéticos — preguntas o respuestas generadas por un LLM; útiles para probar, peligrosos si se usan sin validar.
Datos transaccionales — registros operativos que viven en bases de datos o APIs y cambian constantemente, como un saldo o un pedido.
Deduplicación — eliminar del corpus documentos o fragmentos repetidos o casi idénticos.
Deflexión / contención — porcentaje de consultas que el bot resuelve sin pasar a un humano; genuina solo si además quedan bien resueltas.
Dimensión (del embedding) — cuántos números tiene el vector, por ejemplo 384, 768 o 1536.
Disparador de escalación — condición que activa el fallback: baja confianza, fuera de alcance, tema sensible, sentimiento negativo o petición explícita.
Eficiencia operativa — cara de la calidad que mide cuánto cuesta y cuán rápido es el servicio (AHT, contención, costo por contacto).
Embedding — vector numérico que representa el significado de un texto; textos parecidos dan vectores cercanos.
Escalación / fallback humano — derivar la conversación a una persona cuando el caso es sensible, está fuera de alcance o no tiene fundamento.
Experiencia percibida — cara de la calidad que mide cómo se sintió el cliente (CSAT, NPS, CES).
Factibilidad (matriz) — cuán realista es construir bien y pronto el chatbot: corpus, estabilidad, riesgo y simplicidad técnica.
FAQ — par de pregunta y respuesta corto y autocontenido; el material más fácil de recuperar y citar.
FCR (resolución en el primer contacto) — porcentaje de casos resueltos en el primer intento, sin recontacto.
Fine-tuning (ajuste fino) — reentrenar el modelo ajustando sus pesos con ejemplos para cambiar su comportamiento.
Frescura — grado de vigencia o actualización del corpus.
FRT (tiempo de primera respuesta) — cuánto tarda el cliente en recibir la primera contestación; casi cero en un autoservicio.
Fuga de datos (leakage) — que el bot revele a un usuario información que no debía; en evaluación, contaminar la prueba usándola también para afinar el sistema.
Go / no-go — criterios definidos de antemano y atados a los SLAs que deciden expandir, iterar o cancelar el piloto.
Gold set (conjunto de prueba) — preguntas representativas con su respuesta correcta o sus chunks relevantes etiquetados; el patrón oro contra el que se mide.
Granularidad — tamaño de cada unidad de conocimiento, ni un bloque gigante ni una frase suelta.
Ground truth (verdad de referencia) — la respuesta o los documentos que se consideran correctos para una pregunta.
Grounding / groundedness — anclar cada afirmación de la respuesta en una fuente recuperada y verificable, con cita.
Grupo control — grupo sin el chatbot que sirve de espejo para medir su efecto.
Guardrail — validación automática de la entrada o la salida que protege seguridad, privacidad y calidad.
Hit rate — porcentaje de preguntas con al menos un chunk relevante en el top-k.
Human-in-the-loop (humano en el lazo) — persona que aprueba o supervisa la salida del bot en puntos clave del proceso.
Impacto (matriz) — cuánto valor, de servicio o de costo, genera resolver un caso.
Indexación / ingesta — fase offline que prepara los documentos: carga, limpieza, chunking, embeddings e indexado.
In-scope / out-of-scope — lo que el bot sí atiende y con qué fuentes, frente a lo que queda fuera y se deriva en vez de improvisar.
Jailbreak — lograr que el modelo ignore sus salvaguardas.
Knowledge cutoff — fecha hasta la cual el modelo sabe; después de ella, ignora lo ocurrido.
KPI — indicador clave de desempeño; una métrica con meta y dueño que guía una decisión.
KPIs emparejados — indicadores de eficiencia y de experiencia medidos juntos para evitar incentivos perversos.
Ley N° 29733 — ley peruana de protección de datos personales; su autoridad es la ANPD.
Limitación de propósito — no reutilizar los datos para fines distintos del que se declaró.
LLM — modelo entrenado para predecir el siguiente token; así genera lenguaje.
LLM-as-a-judge — usar otro LLM como evaluador automático de las respuestas, a escala.
Logging / auditoría — registro persistente de cada interacción para auditar, mejorar y medir.
Manejo de "no sé" — diseñar la respuesta honesta para cuando la recuperación no trae nada relevante.
Mapa de proceso de atención — secuencia de pasos que recorre una consulta, con volumen, tiempo y responsable de cada paso.
Metadatos — datos sobre el documento (id, fuente, fecha, versión, etiquetas) que permiten recuperar, citar y auditar.
Minimización — recoger y conservar solo los datos necesarios para la finalidad.
MRR — promedio de 1 dividido por la posición del primer relevante; premia poner el acierto arriba.
nDCG — métrica de ranking que admite grados de relevancia y descuenta según la posición.
Normalización — unificar formato, codificación y vocabulario del corpus.
NPS (Net Promoter Score) — lealtad a la marca como porcentaje de promotores menos detractores; es un número de −100 a +100, no un porcentaje.
Número ancla — la única cifra que la audiencia del pitch debe recordar.
Overlap (solapamiento) — texto repetido entre chunks consecutivos para no cortar ideas a la mitad.
PII (dato personal) — información que identifica o hace identificable a una persona y debe eliminarse antes de indexar.
Piloto — prueba acotada y con red de seguridad antes del despliegue total.
Pitch ejecutivo — presentación breve orientada a que un decisor apruebe algo.
Precision@k — fracción de relevantes entre los k fragmentos recuperados; mide cuán limpio es el resultado.
Prompt — la instrucción o entrada que le das al modelo.
Prompt injection — colar instrucciones maliciosas, a menudo dentro de los datos, para secuestrar al bot.
RAG — recuperar fragmentos de un corpus propio e inyectarlos al LLM para fundamentar la respuesta.
RAG-friendly — documento estructurado, autocontenido, fechado y sin ambigüedad que el RAG recupera y cita bien.
Recall@k — fracción de los relevantes existentes que sí entraron en el top-k; mide cuán completo es el resultado.
Reidentificación — volver a ligar datos anónimos a una persona, normalmente por cruce de fuentes.
Relevante — un chunk que contiene la información necesaria para responder la pregunta, no solo que toca el tema.
Re-ranking — reordenar los candidatos recuperados con un modelo más fino para mejorar la precisión.
ROI — retorno de inversión: beneficios menos costos, dividido entre los costos, en un horizonte de tiempo.
Rúbrica — matriz de criterios por niveles de desempeño que se usa para calificar.
Seudonimización — reemplazar identificadores por claves reversibles; sigue siendo dato personal.
Shadow mode — el bot responde en silencio, sin que el cliente lo vea, para validar su calidad sin riesgo.
Similitud coseno — parecido entre dos vectores medido por el ángulo entre ellos; va de −1 a 1, donde 1 es la misma dirección.
SLA (acuerdo de nivel de servicio) — compromiso medible que convierte una métrica en una meta con consecuencia, por ejemplo "FCR ≥ 75%".
Storyline — la secuencia narrativa de una presentación, del problema al pedido.
Tablero / dashboard — vista periódica y compartida de unos pocos KPIs ligados a metas y decisiones.
Tasa de abandono — porcentaje de clientes que dejan la cola o la conversación antes de ser atendidos.
Temperatura — nivel de aleatoriedad en la generación del modelo.
Token — trozo de texto, alrededor de tres cuartos de palabra, que el modelo procesa; unidad de costo y de límite.
Top-k — número de fragmentos que se recuperan por cada consulta.
Trazabilidad — capacidad de reconstruir qué hizo el sistema y por qué, a partir de logs y citas.
Trazabilidad de decisiones — que cada elección técnica del proyecto se justifique por el problema que resuelve.
Umbral de similitud — valor mínimo de relevancia que un fragmento debe superar para usarse; una perilla de negocio.
Vector store (base vectorial) — sistema que guarda vectores y encuentra los más cercanos a uno dado.
Ventana de contexto — cantidad de texto que el modelo puede ver a la vez.