Lección 9 — Cómo Aprende una Inteligencia Artificial: Datos, Patrones y Entrenamiento

Para comprender cómo aprende la IA, primero necesitamos aclarar qué significa realmente “aprender” cuando hablamos de una máquina. Una inteligencia artificial no estudia, comprende ni adquiere experiencia exactamente como una persona. En machine learning, el aprendizaje ocurre cuando un algoritmo utiliza datos durante un proceso de entrenamiento para ajustar un modelo y encontrar patrones que le permitan producir resultados útiles ante casos nuevos.

Esta idea introduce una diferencia fundamental: aprender no consiste simplemente en memorizar los datos de entrenamiento. El verdadero objetivo es encontrar regularidades que puedan utilizarse más allá de los ejemplos originales.

Podemos representar inicialmente el proceso así:

Datos → Entrenamiento → Patrones aprendidos → Modelo → Casos nuevos

En esta lección abriremos paso a paso ese proceso para entender qué significa que una máquina “aprenda”.

🎯 Qué Aprenderás en Esta Lección

Al finalizar esta lección podrás:

• explicar de manera conceptual cómo aprende una inteligencia artificial;
• comprender qué papel desempeñan los datos durante el aprendizaje;
• distinguir entre datos, patrones y entrenamiento;
• entender que entrenar implica ajustar un modelo;
• diferenciar aprendizaje de simple memorización;
• comprender qué significa generalizar ante casos nuevos;
• reconocer por qué los datos de entrenamiento influyen en lo que aprende un sistema;
• identificar cómo pueden aparecer errores y patrones no deseados;
• comprender por qué necesitamos evaluar el aprendizaje con datos que el modelo no utilizó simplemente para ajustarse;
• analizar un proceso de aprendizaje sin necesidad de conocer todavía sus matemáticas internas.

La capacidad práctica que buscamos desarrollar es:

observar un proceso de machine learning e identificar qué datos utiliza, qué patrones intenta aprender, qué resultado espera producir y cómo comprobaríamos si lo aprendido funciona ante casos nuevos.

🧩 Primero: ¿Qué Significa que una Máquina “Aprenda”?

En la vida cotidiana utilizamos la palabra aprender para describir procesos humanos muy diversos.

Una persona puede aprender:

• mediante explicaciones;
• practicando;
• observando;
• equivocándose;
• relacionando experiencias;
• reflexionando sobre lo ocurrido.

Cuando hablamos de machine learning, utilizamos la misma palabra en un sentido más específico.

Una máquina no necesita “comprender” los ejemplos de la misma manera que nosotros.

En términos generales, durante el entrenamiento ocurre algo como esto:

1. Proporcionamos datos.

2. Un algoritmo procesa esos datos.

3. El sistema ajusta determinados valores internos.

4. Esos ajustes permiten representar patrones encontrados en los datos.

5. El resultado del proceso es un modelo capaz de trabajar con nuevos casos.

Por tanto, cuando decimos:

“La IA aprendió”

una interpretación más precisa sería:

El proceso de entrenamiento ajustó un modelo utilizando datos para que pudiera realizar mejor una determinada tarea.

📊 Los Datos Son la Materia Prima del Aprendizaje

Imaginemos que queremos enseñar a un sistema a distinguir fotografías de manzanas y naranjas.

Necesitamos ejemplos.

Podríamos proporcionar:

• fotografías de manzanas;
• fotografías de naranjas;
• información que indique qué representa cada fotografía.

Esos ejemplos forman parte de los datos de entrenamiento.

El sistema puede encontrar regularidades relacionadas con características presentes en las imágenes.

Pero aquí aparece algo fundamental:

el sistema solamente puede aprender a partir de la información a la que tiene acceso durante el proceso de aprendizaje.

Si nuestros datos contienen problemas, esos problemas pueden afectar al modelo.

Por ejemplo, imaginemos que todas nuestras fotografías de manzanas fueron tomadas:

sobre una mesa blanca

y todas las fotografías de naranjas:

sobre una mesa negra.

¿Qué queremos que aprenda el sistema?

Manzanas vs. naranjas.

¿Qué podría aprender accidentalmente?

Fondo blanco vs. fondo negro.

El modelo podría obtener buenos resultados con los datos disponibles y, sin embargo, haber aprendido el patrón equivocado.

Ésta es una de las razones por las que trabajar con datos exige mucho más que simplemente reunir grandes cantidades de información.

🔍 ¿Qué Es un Patrón?

Un patrón es una regularidad o relación que puede encontrarse en los datos.

Pensemos en algunos ejemplos sencillos.

Una empresa observa que determinadas características de una transacción aparecen con mayor frecuencia en operaciones que requieren revisión.

Un sistema de correo encuentra combinaciones de características asociadas con mensajes no deseados.

Un modelo de vivienda encuentra relaciones entre:

• superficie;
• ubicación;
• antigüedad;
• número de habitaciones;

y los precios históricos.

Un sistema de visión encuentra características visuales relacionadas con diferentes objetos.

Los patrones pueden ser simples o extremadamente complejos.

Y existe una diferencia importante respecto de las reglas escritas manualmente.

En programación tradicional podríamos decir:

Si ocurre A y B, entonces haz C.

En machine learning intentamos que el proceso de entrenamiento encuentre relaciones útiles a partir de los datos.

🧪 Descubre Tú Mismo un Patrón

Observa estos ejemplos:

2 → 4

3 → 6

5 → 10

Ahora intenta responder:

8 → ?

Probablemente respondiste:

16

¿Por qué?

Porque inferiste una posible relación:

salida = entrada × 2

Acabas de hacer algo conceptualmente parecido a buscar un patrón a partir de ejemplos y aplicarlo a un caso que no aparecía entre ellos.

Pero ahora viene la parte interesante.

¿Los tres ejemplos demuestran que ×2 es la única regla posible?

No.

Podrían existir otras reglas matemáticas capaces de coincidir exactamente con esos tres ejemplos y producir otro resultado para 8.

Esto nos enseña algo fundamental:

los datos disponibles pueden ser compatibles con más de un patrón.

Por eso aprender no consiste únicamente en encontrar cualquier regla que funcione con los ejemplos conocidos.

Necesitamos encontrar patrones que también funcionen razonablemente bien ante nuevos casos.

🏋️ ¿Qué Ocurre Durante el Entrenamiento?

En la lección anterior representamos el entrenamiento de forma muy sencilla:

Datos → Entrenamiento → Modelo

Ahora podemos abrir un poco esa caja.

De manera conceptual, el proceso puede incluir:

Datos → Predicción inicial → Comparación con el resultado esperado → Medición del error → Ajuste → Nueva predicción

Este proceso puede repetirse muchas veces.

La idea general es que el sistema va ajustando determinados parámetros del modelo para reducir el error según el criterio utilizado durante el entrenamiento.

Podemos imaginarlo así:

Intentar → Comparar → Ajustar → Volver a intentar

Pero debemos tener cuidado con la analogía.

La máquina no necesariamente está pensando:

“Me equivoqué; ahora entiendo mejor.”

Lo que ocurre es un proceso computacional de optimización mediante el cual determinados valores del modelo son ajustados.

Más adelante estudiaremos con mayor profundidad los modelos y su entrenamiento.

Por ahora necesitamos conservar esta idea:

entrenar significa utilizar datos para ajustar un modelo con el objetivo de mejorar su desempeño en una tarea determinada.

🎯 ¿Cómo Sabe el Sistema que Está Mejorando?

Para ajustar un modelo necesitamos alguna manera de medir qué tan lejos está su resultado de lo que buscamos.

Imaginemos que queremos estimar el precio de una vivienda.

El valor real fue:

$2,000,000

El modelo predice:

$1,600,000

Existe una diferencia entre ambos valores.

El entrenamiento puede utilizar una función matemática para representar ese error y ajustar el modelo buscando reducirlo.

En un problema de clasificación podríamos tener:

Resultado real: naranja

Predicción: manzana

Nuevamente necesitamos una forma de medir el desempeño y utilizar esa información durante el aprendizaje.

Los mecanismos exactos dependen del tipo de modelo y problema.

No necesitamos estudiarlos todavía.

Lo importante es comprender el principio:

para aprender necesitamos alguna forma de evaluar el resultado y orientar los ajustes.

🔄 Aprender Es Ajustar

Esta idea merece quedar especialmente clara.

Un modelo comienza con determinados valores internos.

Durante el entrenamiento:

• recibe información;
• produce resultados;
• esos resultados se evalúan;
• sus parámetros pueden modificarse;
• el proceso continúa.

Después de muchos ajustes, esperamos obtener un modelo que haya capturado patrones útiles.

Así podemos ampliar nuestro esquema:

Datos de entrenamiento

↓

Modelo produce resultados

↓

Medimos el error

↓

Ajustamos parámetros

↓

Repetimos

↓

Modelo entrenado

No todos los sistemas de aprendizaje funcionan exactamente de la misma manera, pero este esquema nos proporciona una base conceptual excelente para comprender muchos modelos modernos.

🧠 El Modelo No Guarda Simplemente una Lista de Respuestas

Supongamos que queremos clasificar imágenes.

Si el sistema únicamente almacenara:

Imagen 1 → gato

Imagen 2 → perro

Imagen 3 → gato

y después solo pudiera reconocer esas mismas imágenes, no tendríamos una solución muy útil.

Queremos algo diferente.

Cuando aparezca:

Imagen 10,437 → nunca vista anteriormente

queremos que el modelo pueda producir una clasificación razonable.

Eso requiere que haya aprendido algo que pueda aplicarse más allá de los ejemplos originales.

Aquí aparece uno de los conceptos más importantes de machine learning:

generalización.

🌱 Generalizar: Utilizar lo Aprendido en Casos Nuevos

La generalización es la capacidad de un modelo para funcionar adecuadamente con datos que no utilizó simplemente para ajustarse durante el entrenamiento.

Pensemos en un estudiante.

Si memoriza:

7 × 8 = 56

puede responder correctamente esa pregunta.

Pero si comprende cómo funciona la multiplicación, puede resolver:

17 × 8 = ?

aunque nunca haya memorizado exactamente esa operación.

La analogía no es perfecta —el aprendizaje humano y el aprendizaje automático son diferentes—, pero nos ayuda a entender la diferencia entre:

memorizar ejemplos

y

capturar una relación que pueda utilizarse en nuevos casos.

En machine learning queremos que el modelo no sea bueno solamente con los datos que ya conoce.

Queremos que pueda trabajar razonablemente bien con situaciones nuevas relacionadas con el problema para el que fue entrenado.

⚠️ Cuando el Modelo Memoriza Demasiado

Imaginemos un estudiante que recibe exactamente las preguntas que aparecerán en el examen.

Memoriza:

• pregunta;
• respuesta;
• pregunta;
• respuesta.

Obtiene 100 %.

Después le hacemos preguntas nuevas sobre los mismos conceptos.

No sabe responder.

Algo conceptualmente parecido puede ocurrir con un modelo.

Puede ajustarse demasiado a los datos utilizados durante el entrenamiento y capturar incluso detalles accidentales o ruido que no resultan útiles para nuevos casos.

Este problema se conoce como sobreajuste (overfitting).

De forma simplificada:

Excelente desempeño en datos conocidos + mal desempeño en casos nuevos = posible sobreajuste

No necesitamos aprender todavía las técnicas para combatirlo.

Pero desde ahora debemos comprender una consecuencia práctica:

evaluar un modelo únicamente con los mismos datos utilizados para ajustarlo puede producir una impresión engañosa de su capacidad real.

🧪 Datos de Entrenamiento y Datos de Prueba

¿Cómo podemos saber si el modelo aprendió patrones útiles en lugar de simplemente adaptarse demasiado a los ejemplos conocidos?

Una estrategia fundamental consiste en reservar datos que no se utilicen para ajustar el modelo.

Podemos pensar inicialmente en dos grupos:

🏋️ Datos de entrenamiento

Se utilizan para que el modelo aprenda y ajuste sus parámetros.

🧪 Datos de prueba

Se utilizan posteriormente para evaluar cómo funciona ante ejemplos que no utilizó para aprender.

Simplificando:

Datos disponibles

↙　　　　　　　　　↘

Entrenamiento　　　Prueba

↓　　　　　　　　　　↓

Aprender　　　　　Evaluar

En proyectos reales pueden existir divisiones adicionales, como conjuntos de validación, y procedimientos de evaluación más sofisticados.

Los estudiaremos cuando corresponda.

Por ahora conserva el principio:

no debemos evaluar la capacidad de generalización utilizando únicamente los ejemplos con los que el modelo fue ajustado.

🗂️ Los Datos de Entrenamiento Determinan Qué Puede Aprender

Regresemos al ejemplo de manzanas y naranjas.

Imaginemos que tenemos 10,000 fotografías.

Eso suena impresionante.

Pero resulta que:

• todas fueron tomadas durante el día;
• todas tienen fondo blanco;
• todas muestran la fruta completa;
• ninguna contiene varias frutas;
• ninguna presenta iluminación difícil.

Después utilizamos el modelo en una tienda real donde aparecen:

• diferentes fondos;
• sombras;
• frutas parcialmente ocultas;
• cajas;
• bolsas;
• diferentes cámaras.

El problema no necesariamente está en que el modelo sea “malo”.

Puede existir una diferencia importante entre:

los datos con los que aprendió

y

el mundo donde queremos utilizarlo.

Por eso una pregunta profesional fundamental es:

¿Los datos de entrenamiento representan suficientemente bien las situaciones reales que encontrará el sistema?

⚖️ Cantidad de Datos No Es Igual a Calidad de Datos

Supongamos que tenemos dos conjuntos.

Conjunto A

10 millones de ejemplos, pero:

• muchos están duplicados;
• contienen errores;
• representan muy pocos tipos de casos;
• incluyen información irrelevante.

Conjunto B

500,000 ejemplos, pero:

• fueron cuidadosamente seleccionados;
• representan una variedad adecuada;
• tienen buena calidad;
• contienen información relevante para la tarea.

No podemos concluir automáticamente que A sea mejor simplemente porque contiene más datos.

La utilidad depende de factores como:

• calidad;
• diversidad;
• representatividad;
• relevancia;
• cobertura;
• precisión de las etiquetas, cuando existan.

Por eso:

más datos pueden ayudar, pero “más” no sustituye automáticamente a “mejores”.

🚨 Un Modelo También Puede Aprender Patrones que No Queríamos

Ésta es una consecuencia especialmente importante.

Imaginemos que queremos construir un sistema para identificar determinado tipo de producto defectuoso.

Todas las fotografías de productos defectuosos fueron tomadas con una cámara diferente a la utilizada para fotografiar productos correctos.

El modelo podría aprender:

tipo de cámara → categoría

en lugar de:

características del defecto → categoría

Obtendríamos aparentemente buenos resultados durante determinadas pruebas, pero habríamos construido un sistema frágil.

Esto nos enseña que no basta con preguntar:

“¿Aprendió?”

Necesitamos preguntar:

“¿Qué aprendió realmente?”

y:

“¿Funcionará ese patrón cuando cambien las condiciones?”