Glosario de IA Models & Architecture
¿Qué es el machine learning (aprendizaje automático)?
Machine Learning (ML)
← Todos los términos del glosarioRama de la IA en la que los sistemas aprenden patrones a partir de datos para predecir o decidir, en lugar de seguir reglas escritas a mano.
Explicación
El machine learning (ML), o aprendizaje automático, es la parte de la inteligencia artificial en la que un sistema mejora en una tarea aprendiendo de ejemplos, no de una programación explícita. Un modelo se entrena con datos, ajusta sus parámetros internos para equivocarse menos y luego se usa para predecir o clasificar casos nuevos: si una transacción es fraude, cuánta demanda habrá o qué producto puede querer un cliente. Las grandes familias son el aprendizaje supervisado, el no supervisado y el aprendizaje por refuerzo. El ML es la base de la IA actual, incluido el deep learning que hay detrás de los grandes modelos de lenguaje.
Tipos principales de machine learning
- Aprendizaje supervisado: el modelo aprende de ejemplos etiquetados (entradas con la respuesta correcta) para predecir o clasificar casos nuevos.
- Aprendizaje no supervisado: el modelo encuentra estructura en datos sin etiquetar, como segmentos de clientes o anomalías.
- Aprendizaje por refuerzo: un agente aprende por ensayo y error, con recompensas o penalizaciones por sus acciones.
- Aprendizaje autosupervisado: el modelo crea su propia señal de entrenamiento a partir de los datos, por ejemplo prediciendo la siguiente palabra; así se preentrenan los modelos de lenguaje.
ML, deep learning e IA generativa
La inteligencia artificial es el campo amplio. El machine learning es el enfoque que aprende de los datos. El deep learning es un tipo de ML que usa redes neuronales de muchas capas y mueve el reconocimiento de imágenes, la voz y los modelos de lenguaje. La IA generativa es un uso del deep learning que produce contenido nuevo: texto, imágenes, código o audio.
En la empresa conviven el ML clásico (previsión, scoring, clasificación sobre datos tabulares) y la IA generativa, cada uno donde encaja mejor.
Qué hace falta en producción
- Datos relevantes, suficientes y representativos de los casos que verá el modelo.
- Una métrica clara ligada a la decisión de negocio, no solo a la precisión del modelo.
- Monitorización, porque el rendimiento cae cuando la realidad se aleja de los datos de entrenamiento.
- Reentrenamiento, versionado y gobierno, que se suelen organizar como MLOps.
Preguntas frecuentes
¿Qué diferencia hay entre IA y machine learning?
La IA es el objetivo amplio de que las máquinas hagan tareas que piden inteligencia. El machine learning es una forma de lograrlo, aprendiendo de los datos. Casi todos los sistemas de IA actuales, incluidos los grandes modelos de lenguaje, se construyen con machine learning.
¿Qué es un ejemplo de machine learning?
Un filtro de spam que aprende de los correos marcados como spam es un ejemplo clásico. Otros son el scoring de crédito, la previsión de demanda, las recomendaciones de producto y el mantenimiento predictivo.
¿Qué diferencia hay entre machine learning y deep learning?
El deep learning es un subconjunto del machine learning que usa redes neuronales de muchas capas. Funciona especialmente bien con imágenes, audio y texto, pero suele necesitar más datos y más capacidad de cálculo que otros métodos de ML.
¿Un gran modelo de lenguaje es machine learning?
Sí. Un gran modelo de lenguaje es un modelo de deep learning entrenado, sobre todo con aprendizaje autosupervisado, con grandes cantidades de texto. Es uno de los resultados más visibles del machine learning hoy.
¿Necesito muchos datos para hacer machine learning?
Depende del problema y del método. Los modelos sencillos sobre datos estructurados pueden funcionar con conjuntos modestos, mientras que entrenar deep learning desde cero pide muchos más. Partir de un modelo preentrenado y adaptarlo reduce los datos que necesitas.
Cómo llevarlo a la práctica
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- ISO/IEC · ISO/IEC 22989:2022, Artificial intelligence concepts and terminology, tienda de IEC (en inglés)
- Google for Developers · Anuncio del Machine Learning Crash Course (en inglés)
- Samuel · Some Studies in Machine Learning Using the Game of Checkers (IBM Journal of Research and Development, 1959) (en inglés)
Actualizado: 2026-10-21