Machine learning (aprendizaje automático) es la parte de la inteligencia artificial en la que un programa aprende patrones a partir de ejemplos, en lugar de seguir reglas escritas a mano. Con esos patrones hace predicciones sobre casos nuevos: cuánto tarda un pedido, si una foto muestra un gato o qué palabra sigue en una frase.
Una pregunta de la app. Elige una respuesta.
¿Cómo aprendió sus patrones un modelo de lenguaje?
Aprendió patrones de ejemplos, algunos escritos por personas. No tiene cada respuesta programada.
Se entrenó con enormes cantidades de texto. De ahí salen los patrones que usa.
El entrenamiento ajusta el modelo. Consultar fuentes al responder es otro proceso.
Imagina una app de delivery que quiere decirte cuánto tarda tu pedido. Nadie escribe una regla para cada calle. En su lugar, se le dan, por ejemplo, 50.000 pedidos pasados con la distancia, la hora, si llovía y cuántos minutos tardaron de verdad. Durante el entrenamiento, el programa ajusta sus números internos hasta que sus predicciones se acercan a esos tiempos reales.
El resultado de ese proceso es un modelo. Cuando entra un pedido nuevo, el modelo no busca uno igual en la lista: usa los patrones que aprendió (más lejos y con lluvia, más minutos) para estimar un número.
Supervisado: cada ejemplo viene con la respuesta correcta. Fotos de aguacates (paltas) marcadas como «madura» o «verde», y el modelo aprende a distinguirlas. No supervisado: los ejemplos vienen sin respuesta y el modelo busca grupos por su cuenta, como un supermercado que descubre tipos de clientes según lo que compran. Por refuerzo: el programa prueba acciones y recibe un premio o un castigo, como quien aprende un videojuego a fuerza de partidas.
Los modelos de lenguaje como ChatGPT también son machine learning: se entrenaron con muchísimo texto aprendiendo a predecir el pedazo que sigue, y después se ajustaron con ejemplos y valoraciones de personas.
Un modelo aprende patrones de sus ejemplos y los usa con casos nuevos; si esos casos no se parecen a los ejemplos, puede fallar. Si un reconocedor de voz se entrenó sobre todo con acentos de un país, suele entender peor a quien habla con otro acento. Si el modelo del delivery solo vio pedidos de una ciudad plana y sin tráfico, va a fallar en una ciudad con cerros y embotellamientos.
Otro problema clásico es memorizar en lugar de aprender: el modelo acierta casi todo con los ejemplos de entrenamiento y falla con los nuevos, como quien estudia de memoria las respuestas de un examen viejo. Por eso siempre se prueba con ejemplos que el modelo nunca vio.
«Machine learning e inteligencia artificial son lo mismo.» Machine learning es una parte de la IA, hoy la más usada. «Aprende de todo lo que le digo.» Muchos modelos quedan fijos después del entrenamiento: no cambian mientras los usas, salvo que alguien los vuelva a entrenar. «Más datos siempre es mejor.» Más datos malos o repetidos enseñan más errores.