El machine learning (aprendizaje automático) es la rama de la inteligencia artificial que permite a los sistemas aprender patrones a partir de datos, en lugar de seguir reglas programadas a mano. En vez de que un humano escriba instrucciones explícitas para cada caso, el modelo ajusta sus parámetros internos analizando muchos ejemplos hasta poder hacer predicciones o decisiones sobre datos nuevos.
En la práctica se distinguen tres enfoques principales: el aprendizaje supervisado (con ejemplos etiquetados, como fotos marcadas «gato» o «perro»), el no supervisado (que busca estructura sin etiquetas) y el aprendizaje por refuerzo (que aprende por ensayo y error con recompensas). Es la base de la mayoría de la IA actual.
Los grandes modelos de lenguaje como ChatGPT, Claude o Gemini son una aplicación del machine learning a escala masiva: se entrenan con enormes cantidades de texto para predecir la siguiente palabra y, de ese proceso, emerge la capacidad de conversar, resumir y programar.
Noticias relacionadas
Preguntas frecuentes
¿En qué se diferencia el machine learning de la inteligencia artificial?
La inteligencia artificial es el campo amplio que busca que las máquinas realicen tareas que requieren inteligencia. El machine learning es un subconjunto de la IA: la técnica concreta de aprender a partir de datos. Toda solución de machine learning es IA, pero no toda IA usa machine learning.
¿El machine learning necesita muchos datos?
En general, cuantos más datos de calidad, mejor aprende el modelo, sobre todo en deep learning. Existen técnicas como el aprendizaje por transferencia o el few-shot learning que reducen los datos necesarios al reutilizar conocimiento de modelos ya entrenados.
