© 2016–2026 santa marta crea | N.I.T. 700173312-4
formación gratuita · módulo 02
Nadie le escribió a un computador las reglas para reconocer tu cara o recomendarte la próxima serie: las dedujo de miles de ejemplos. En este módulo vas a entrenar tu propia máquina — una de juguete — y vas a entender, de una vez por todas, qué significa que una máquina aprenda.
La programación clásica y el machine learning resuelven problemas de formas opuestas. En la programación clásica, una persona escribe las reglas paso a paso y el computador se limita a ejecutarlas. En el machine learning (aprendizaje automático), nadie escribe las reglas: se le muestran a la máquina muchos ejemplos ya resueltos y ella deduce los patrones por su cuenta. Ese es el ciclo básico: datos de entrenamiento, patrones detectados y, con ellos, predicciones sobre casos nuevos. Existen tres grandes formas de entrenar: el aprendizaje supervisado (con ejemplos etiquetados, como un profesor que da las respuestas), el no supervisado (la máquina agrupa lo parecido sin etiquetas) y el aprendizaje por refuerzo (ensayo y error guiado por premios y castigos). Un modelo se equivoca, sobre todo, cuando sus datos de entrenamiento son pocos, viejos o sesgados: aprende exactamente lo que le enseñan, con virtudes y defectos incluidos.
Toda la informática que conocías funciona igual: una persona piensa las reglas y el computador las ejecuta. El machine learning — la técnica detrás de casi toda la IA moderna — le da la vuelta: tú pones los ejemplos y la máquina deduce las reglas. Míralo con algo bien nuestro: saber si un mango está maduro.
"Si la cáscara está amarilla y cede un poco al apretarla, el mango está maduro." Alguien pensó esa regla y la escribió. El computador no entiende de mangos: solo ejecuta la lista de instrucciones, paso a paso, siempre igual.
Le enseñas 500 fotos de mangos — "estos estaban maduros, estos no" — y la máquina deduce sola en qué fijarse: el color, las manchas, el brillo. La regla la construye ella, y puede encontrar señales que a ti no se te habrían ocurrido.
¿Cuándo conviene cada camino? Piénsalo con estos tres retos — toca cada ficha para ver la respuesta:
Todo el machine learning — del filtro de spam de tu correo a los chats de IA — repite el mismo ciclo de tres pasos. Míralo primero en frío, que enseguida lo vas a hacer tú con tus propias manos.
El punto de partida: muchos casos con su respuesta conocida. Correos que ya sabes si son spam, ventas de casas con su precio final, fotos de mangos etiquetadas.
Del montón de ejemplos extrae regularidades: "los correos con GRATIS casi siempre eran spam". Eso es entrenar: convertir ejemplos en reglas propias.
Llega un caso que nunca vio y el modelo apuesta: ¿spam o no?, ¿cuánto vale esta casa? Acierta si el caso nuevo se parece a lo que ya conoció.
Marca los asuntos que te parezcan spam (tócalos) y entrena el detector con tus ejemplos. Después va a clasificar, él solo, 3 correos que nunca ha visto.
Un detector real no memoriza palabras sueltas: convierte cada correo en números y pondera miles de señales a la vez, con matemáticas más finas. Esta demo simplifica el mecanismo para que lo veas en acción, pero el principio es exactamente este: ejemplos etiquetados → patrones → predicción.
No todo se aprende igual. Según el problema — y según los datos que haya — el machine learning toma uno de tres caminos. Con analogías se entienden solos:
Aprende de ejemplos que ya traen la respuesta correcta, como un estudiante con exámenes resueltos. Tu detector de spam aprendió así — y el profesor eras tú. Es el tipo más común.
Nadie da respuestas: la máquina recibe los datos sueltos y encuentra grupos por su cuenta. Como ordenar un cajón de fotos viejas sin que nadie te diga las categorías.
Prueba, se equivoca, recibe premios o castigos y ajusta la jugada. Como entrenar una mascota — o como aprendiste tú a montar bicicleta. Así se entrenaron las IA campeonas de ajedrez y de Go.
Tres situaciones reales. Asigna a cada una su tipo de aprendizaje:
Situación 1. Predecir el precio de una casa a partir de miles de ventas pasadas, cada una con su precio final.
# Correcto: los ejemplos traen la respuesta incluida (el precio). Eso es aprendizaje supervisado — el profesor que da las soluciones.
Situación 2. Agrupar a los clientes de una tienda por parecido, sin decirle las categorías de antemano.
# Correcto: no hay etiquetas ni respuestas, solo datos sueltos. La máquina encuentra los grupos por su cuenta: no supervisado.
Situación 3. Aprender a jugar un videojuego probando movimientos: suma puntos cuando avanza, los pierde cuando choca.
# Correcto: ensayo y error guiado por premios y castigos. Aprendizaje por refuerzo, de manual.
3 de 3 emparejados
Ya distingues los tres tipos. Los vas a ver en acción durante el resto del curso.
En la vida real se combinan: los chats de IA modernos usan varios de estos caminos a la vez en su entrenamiento. De cómo se arma uno de esos hablamos en el módulo 4.
Si un modelo solo sabe lo que había en sus ejemplos, sus errores dejan de ser un misterio: casi siempre el problema está en los datos. Tres causas explican la mayoría de los fallos:
Lo comprobaste con el detector: entrenado con 2 correos, no conoció señales clave y falló. Con los casos raros pasa igual: si el modelo vio pocos ejemplos parecidos al tuyo, sus predicciones cojean.
Un modelo entrenado con datos de hace años se quedó viviendo en ese pasado: precios viejos, spam viejo, normas viejas. No es que mienta: es que nadie le contó lo nuevo.
Si los ejemplos venían cargados hacia un lado, el modelo hereda esa inclinación y la repite con total seguridad. Aprende exactamente lo que le enseñan — virtudes y defectos incluidos.
Y de ahí salen tres hábitos que puedes aplicar hoy mismo, en cualquier chat de IA:
Antes de fiarte de una respuesta importante, piensa: ¿de qué datos pudo aprender esto?, ¿eran muchos, recientes, confiables? Esa sola pregunta te salva de tragarte muchos errores.
¿Tu situación es muy nueva, muy local o poco común? Entonces el modelo tuvo pocos ejemplos parecidos. Verifica el doble: normas recientes, temas de tu ciudad, productos de nicho.
¿Quieres que la IA escriba con tu estilo? Pégale 2 o 3 ejemplos tuyos en el chat. Es la versión exprés de todo este módulo: a más ejemplos buenos le des, mejor responde.
5 preguntas sobre lo que acabas de ver. Con 4 aciertos completas el módulo. Puedes repetirlo las veces que quieras.