Qué es el aprendizaje automático: guía para principiantes

Aprender de ejemplos en lugar de seguir reglas

¿Qué cambia cuando un programa no recibe las instrucciones paso a paso, sino que las deduce de ejemplos? Todo, o casi. Esa es la idea del aprendizaje automático (machine learning), una técnica dentro de la inteligencia artificial.

Dicho en palabras llanas, y según MIT Technology Review (17 de noviembre de 2018), los algoritmos de aprendizaje automático usan estadística para encontrar patrones en grandes cantidades de datos. Esos datos pueden ser números, palabras, imágenes o clics: todo lo que pueda almacenarse digitalmente.

De las damas de Samuel a la definición de Mitchell

La expresión tiene historia documentada. En julio de 1959, Arthur L. Samuel publicó en el IBM Journal (vol. 3, n.º 3) «Some Studies in Machine Learning Using the Game of Checkers». Vamos al paper: su resumen afirma que se ha trabajado lo suficiente para verificar que un ordenador puede programarse para aprender a jugar a las damas mejor que la persona que escribió el programa.

Según la transcripción de la primera clase de CS229 de Stanford, el programa jugaba contra sí mismo y aprendía qué posiciones del tablero tienden a asociarse con victorias y cuáles con derrotas. La misma transcripción atribuye a Samuel una definición informal: el campo que da a los ordenadores la capacidad de aprender sin ser programados explícitamente. Ojo al matiz: es la definición que le atribuye la clase, no una cita textual del paper.

La transcripción recoge también la definición formal de Tom Mitchell. Traducida: un programa aprende de una experiencia E respecto a una tarea T y una medida de rendimiento P si su rendimiento en T, medido con P, mejora con E.

Un ejemplo propio, distinto del de las damas: un filtro que clasifica correos como spam o no spam. La tarea (T) es clasificar los correos; la experiencia (E) son correos que alguien ya marcó; la medida (P) puede ser el porcentaje de correos bien clasificados. Si ese porcentaje sube a medida que el filtro ve más ejemplos, está aprendiendo en el sentido de Mitchell.

Dicho de otro modo, la definición obliga a preguntar cómo se mide la mejora. Es una idea que conviene no perder de vista: sin P, «aprender» no significa nada.

Los tres modos de aprender: supervisado, no supervisado y por refuerzo

Según MIT Technology Review, el aprendizaje automático (y el aprendizaje profundo, o deep learning) viene en tres variantes.

Supervisado. Los datos están etiquetados para indicar a la máquina qué patrones buscar. Según el artículo, es el más extendido. DeepMind (25 de junio de 2019) precisa que la señal de entrenamiento son las etiquetas correctas, por ejemplo la etiqueta de una imagen.
No supervisado. Los datos no tienen etiquetas y la máquina busca los patrones que encuentre. DeepMind lo presenta como un paradigma en el que el agente aprende de los datos que observa, sin una tarea concreta.
Por refuerzo. Aprende por ensayo y error para lograr un objetivo claro, con recompensas o penalizaciones. Según MIT Technology Review, es la base de AlphaGo, de Google. DeepMind da otro ejemplo: una puntuación alta en un juego de Atari.

Samuel ya distinguía en 1959 dos enfoques generales. Uno, el «enfoque de red neuronal», busca inducir comportamiento aprendido en una red conectada al azar mediante una rutina de recompensa y castigo. El otro, mucho más eficiente según el texto, usa una red muy organizada y diseñada para aprender solo ciertas cosas concretas. La idea de recompensa y castigo ya estaba ahí, aunque las fuentes consultadas no permiten afirmar una filiación directa con el aprendizaje por refuerzo actual.

Qué métodos hay y cómo se comprueba que funcionan

La guía de usuario de scikit-learn (versión 1.9.1; la 1.9.0 se publicó en junio de 2026, según la web del proyecto) ofrece un mapa de métodos.

Supervisados: modelos lineales, máquinas de vectores de soporte, vecinos más próximos, árboles de decisión, Naive Bayes y redes neuronales.
No supervisados: mezclas gaussianas, agrupamiento (clustering) con DBSCAN y otros, reducción de dimensionalidad y detección de valores atípicos.

Las fuentes consultadas no detallan cómo funciona cada familia, así que no las desgrano aquí. Para eso tienes el artículo sobre los tipos de algoritmos de machine learning más comunes.

Lo que sí muestra esa documentación es que el trabajo no es solo elegir un algoritmo. Incluye apartados de preprocesamiento de datos y de evaluación, con métricas de clasificación, regresión y agrupamiento. Preparar los datos y medir forma parte del oficio, y enlaza con Mitchell: la medida P no es un adorno.

Los límites: quién marca lo que la máquina aprende

Según DeepMind, los avances de la última década en reconocimiento de imágenes, conducción autónoma y juegos como el Go se han logrado en gran parte entrenando redes neuronales profundas con aprendizaje supervisado o por refuerzo. Pero el mismo texto señala que ambos paradigmas requieren señales de entrenamiento diseñadas por humanos, de modo que los límites del aprendizaje los marcan quienes entrenan.

Esto significa que las etiquetas, las recompensas y los datos elegidos son decisiones de personas. Lo que el texto no afirma es que con eso baste: presenta el aprendizaje no supervisado como una vía para aprender de lo que se observa sin una tarea concreta.

Lo que todavía no sabemos, al menos con estas fuentes: cuántos datos hacen falta, qué errores típicos aparecen o cómo se miden los sesgos. Las fuentes consultadas no lo detallan, y prefiero no rellenar el hueco con cifras ajenas. Si te interesa la maquinaria que hay detrás de muchos de estos modelos, puedes seguir con cómo funcionan las redes neuronales.

Dónde encaja en la regulación europea

El Reglamento (UE) 2024/1689 de Inteligencia Artificial es, según la AESIA, la primera norma jurídica del mundo sobre IA. Entró en vigor el 1 de agosto de 2024 y busca que los sistemas de IA sean seguros, éticos y fiables, con un elevado nivel de protección de la salud, la seguridad y los derechos fundamentales.

Según la guía práctica de la AESIA, el Reglamento define el sistema de IA como un sistema basado en una máquina, diseñado para funcionar con distintos niveles de autonomía y que puede mostrar capacidad de adaptación tras el despliegue. Para objetivos explícitos o implícitos, infiere de la información de entrada cómo generar salidas (predicciones, contenidos, recomendaciones o decisiones) que pueden influir en entornos físicos o virtuales. La guía toma como referencia la versión publicada por el Consejo de la Unión Europea el 13 de junio de 2024 y indica que la Comisión Europea ha publicado directrices para aclarar esa definición.

Opinión: «inferir a partir de los datos de entrada» recuerda mucho a lo que hace un modelo entrenado. Es una lectura mía, no una equivalencia jurídica: la guía no dice que toda definición de aprendizaje automático coincida con la legal.

Mi lectura y por dónde seguir

Opinión: una definición de aprendizaje automático vale lo que vale su evaluación. Cuando alguien diga que un sistema «aprende», yo preguntaría tres cosas: qué se le dio, qué se midió y quién lo decidió. Con esas tres respuestas se entiende casi todo lo demás.

Si quieres ver cómo funciona por dentro, el siguiente paso natural es la guía sobre qué es el deep learning, donde Mar lo cuenta desde la mecánica.

Fuentes

Imagen: geralt en Pixabay