Aprendizaje automático

En lugar de programar las reglas, se dan al ordenador muchos ejemplos y un modelo ajusta sus parámetros hasta acertar. Así funcionan los filtros de spam, el reconocimiento de caras o las recomendaciones.

Hay aprendizaje supervisado (con respuestas correctas), no supervisado (busca patrones), por refuerzo (prueba y error) y la IA generativa, que crea contenido nuevo.

Un ejemplo

Un filtro de spam aprende a reconocer el correo basura después de ver miles de mensajes que los usuarios han marcado como spam.

Por qué importa

El aprendizaje automático permite resolver problemas para los que escribir reglas a mano sería inviable: reconocer voz, detectar fraude, traducir o recomendar contenido. Está presente en muchas aplicaciones que usas a diario, aunque no lo veas.

Entender su funcionamiento ayuda a juzgar sus resultados con criterio. Un modelo solo es tan bueno como los datos con los que se entrena: si los ejemplos están sesgados, incompletos o desfasados, sus respuestas también lo estarán. Además, suele ser difícil explicar por qué tomó una decisión concreta, algo importante en ámbitos como la salud o los créditos.

Confusiones frecuentes

Se mezcla a menudo con la inteligencia artificial en general. El aprendizaje automático es una parte: hay sistemas de IA basados en reglas que no aprenden de datos. Tampoco aprende como una persona ni «entiende» lo que hace: ajusta números para encontrar patrones estadísticos. Y no necesita siempre cantidades enormes de datos; depende de la tarea.

Preguntas frecuentes

¿Qué necesito para empezar con aprendizaje automático?

Bases de programación, normalmente en Python, algo de estadística y un conjunto de datos pequeño con el que practicar. Después irás ampliando con bibliotecas específicas.

¿Por qué un modelo falla con datos nuevos?

Puede haberse ajustado demasiado a los ejemplos de entrenamiento (sobreajuste) o los datos nuevos son distintos de los que vio. Por eso se evalúa con datos que no ha visto antes.