Glosario de Detección de IA
Definiciones de los conceptos esenciales para entender cómo funcionan los detectores de IA.
Preguntas frecuentes
¿Qué es un "falso positivo" en la detección de IA?
Un falso positivo ocurre cuando el detector clasifica un texto escrito por un humano como generado por IA. Esto puede tener consecuencias serias en contextos académicos. En nuestro benchmark, las tasas de falsos positivos variaron entre el 7% y el 17% según la herramienta.
¿Cómo se relaciona la "temperatura" del modelo con la detección?
La temperatura controla la aleatoriedad en la generación de texto. Con temperatura baja (0.1-0.3), el modelo produce texto más predecible y fácil de detectar. Con temperatura alta (0.8-1.0), el texto es más variado y puede imitar mejor los patrones humanos de escritura.
¿Qué significa "token" en el procesamiento de lenguaje natural?
Un token es la unidad mínima que procesa un modelo de lenguaje. Puede ser una palabra completa, una sílaba o incluso un carácter individual. En español, palabras largas como "internacionalmente" se dividen en varios tokens. Los detectores analizan la probabilidad de cada token para calcular la perplejidad.
¿Por qué los expertos hablan de "watermarking" en textos de IA?
El watermarking o marca de agua digital es una técnica donde el modelo introduce patrones estadísticos invisibles al lector pero detectables por algoritmos. Empresas como Google (SynthID) y OpenAI están desarrollando estos sistemas como alternativa a los detectores estadísticos tradicionales.
¿Qué diferencia hay entre un clasificador y un detector?
En la práctica se usan como sinónimos, pero técnicamente un clasificador es el modelo de machine learning que asigna probabilidades, mientras que un detector es el sistema completo que incluye preprocesamiento, clasificación y la interfaz de usuario que presenta el veredicto final.