Inferencia

Fase en la que un modelo ya entrenado procesa entradas y genera una salida. Es el uso operativo del modelo, distinto de su entrenamiento. «Inferencia» pertenece al funcionamiento o diseño de sistemas de IA y no debe interpretarse como una garantía de exactitud, autonomía o seguridad por sí misma. Su comportamiento real depende del modelo, los datos, el contexto, las instrucciones, las herramientas disponibles y los controles que rodean a la aplicación. Por eso debe evaluarse en la tarea concreta y no solo por la etiqueta tecnológica.

En una aplicación de IA, inferencia se configura y prueba sobre casos reales. La práctica adecuada es observar cómo afecta a la calidad de la salida, registrar los fallos relevantes y combinarlo con límites, evaluaciones y revisión cuando la tarea lo requiera.

Importa al diseñar, evaluar o depurar una funcionalidad basada en modelos, especialmente cuando la calidad varía entre casos o el sistema puede ejecutar acciones. Entender inferencia permite decidir qué debe medirse, limitarse o revisarse.

No debe utilizarse como sinónimo de «Aprendizaje automático». Este último se refiere a enfoque de IA en el que un modelo aprende patrones a partir de datos para realizar predicciones, clasificaciones u otras tareas sin depender solo de reglas escritas manualmente. «Inferencia» tiene un alcance distinto y debe conservarse como concepto propio para evitar decisiones o búsquedas ambiguas.

La aplicación envía un prompt y contexto a un modelo desplegado y obtiene una salida: esa ejecución concreta es una inferencia.