Fundamentoscomo hacer una inteligencia artificial
Cómo hacer una inteligencia artificial: primer modelo
Aprende cómo hacer una inteligencia artificial con un clasificador de imágenes sin código: prepara ejemplos, prueba casos nuevos y analiza sus errores.
- Autor: humAIns
- 9 min de lectura
índice · 6 apartados
Hacer una inteligencia artificial para aprender cómo funciona no exige empezar por una aplicación compleja ni escribir código. Puedes entrenar un clasificador pequeño con ejemplos, comprobarlo con imágenes que no haya visto y observar sus fallos. En esta guía recorrerás ese proceso con una herramienta visual y un conjunto de categorías inocuas; el ejercicio sirve para entender los fundamentos, no para prometer un sistema listo para tomar decisiones reales.
La idea clave es separar tres actividades que suelen confundirse: entrenar un modelo con ejemplos, usar un modelo ya entrenado para obtener una predicción y crear un agente que siga instrucciones y pueda llamar a herramientas. Si buscas una definición de las familias de modelos, consulta también esta guía sobre modelos de IA. Aquí nos centraremos en entrenar un clasificador sencillo, no en configurar otro asistente.
Qué significa construir una inteligencia artificial
Empieza por concretar la tarea. Un modelo no aprende una intención vaga como «ser inteligente»: recibe una entrada y produce una salida según los patrones que ha podido aprender de los datos. En un clasificador de imágenes, la entrada es una imagen y la salida es una etiqueta elegida entre las categorías que definiste.
El proceso básico tiene cuatro piezas:
- Tarea: qué quieres distinguir y para qué propósito limitado.
- Ejemplos: imágenes representativas de cada categoría, asociadas a su etiqueta.
- Entrenamiento: el sistema ajusta su modelo a partir de esos ejemplos.
- Predicción y evaluación: se le presentan imágenes y se comprueba si asigna la categoría esperada.
Por ejemplo, una persona que trabaja en una productora podría explorar si un conjunto de imágenes de utilería de oficina y de material de exterior se puede separar en dos clases. Es una demostración didáctica: no implica que el resultado vaya a ser fiable para catalogar un archivo profesional. El fondo, la iluminación, el encuadre o los objetos que aparezcan alrededor pueden influir en la predicción.
Entrenar tampoco es lo mismo que utilizar un sistema terminado. Cuando presentas al modelo una imagen nueva después del entrenamiento, estás usando el modelo para inferir una etiqueta. Y crear un agente es otra tarea: un agente puede recibir instrucciones y coordinar acciones con herramientas. Para profundizar en esa diferencia, puedes leer la guía para crear agentes de IA y el artículo sobre cómo funciona la inteligencia artificial.
Prepara un clasificador sin programar con Teachable Machine
Teachable Machine es una herramienta web para crear modelos de aprendizaje automático con ejemplos de imágenes, sonidos o poses. El repositorio público del proyecto explica que se pueden entrenar esos modelos sin escribir código de aprendizaje automático y luego utilizarlos en proyectos propios. El ejercicio de este artículo se limita a imágenes y dos categorías sencillas.
Antes de abrir la herramienta, define dos clases fáciles de distinguir visualmente y que no impliquen datos personales; por ejemplo, una tarjeta de papel azul y una tarjeta de papel amarilla. Fotografía objetos propios, con variaciones razonables de distancia y orientación. Evita usar rostros, documentos, pantallas con información, material de clientes o cualquier imagen que no tengas derecho a utilizar.
Prepara dos grupos separados:
- Ejemplos de entrenamiento: varias imágenes de cada categoría que usarás para enseñar al modelo.
- Ejemplos de prueba: otras imágenes de los mismos objetos, tomadas aparte y reservadas para el final.
No dupliques una misma foto entre ambos grupos. Si el modelo ve durante el entrenamiento una imagen casi idéntica a la de prueba, la evaluación deja de ser una comprobación útil de cómo respondería ante un caso nuevo. Tampoco hace falta reunir cientos de imágenes para comprender el flujo: empieza con una colección pequeña, equilibrada y variada, y anota cómo la preparaste.
En la página de Teachable Machine, elige un proyecto de imagen y crea las dos clases con nombres descriptivos. Añade a cada clase las imágenes de entrenamiento que has preparado y sigue los controles que ofrece la interfaz para entrenar. Los nombres exactos de botones o la disposición visual pueden cambiar; si la página se actualiza, busca las opciones de proyecto de imagen, clases y entrenamiento en la propia herramienta en vez de asumir que la interfaz no ha cambiado.
Cuando termine, prueba primero imágenes del conjunto reservado. Después puedes explorar la opción de exportación que ofrece la herramienta: la guía comunitaria oficial describe el uso de los modelos exportados en proyectos, sitios y aplicaciones. Exportar no convierte por sí solo el prototipo en un producto validado; antes de compartirlo, comprueba el formato disponible, las instrucciones vigentes y las condiciones aplicables en la interfaz y en la documentación comunitaria de Teachable Machine.
Entrena y prueba con imágenes que el modelo no ha visto
Haz una prueba ordenada, no una demostración escogiendo solo los ejemplos que parecen funcionar. Presenta una por una las imágenes reservadas, registra la categoría esperada y la predicción, y apunta el tipo de error. No hace falta atribuir porcentajes de precisión a un conjunto pequeño: el valor del ejercicio está en detectar límites y aprender a diseñar una evaluación mejor.
| Imagen de prueba | Etiqueta esperada | Predicción | Observación |
|---|---|---|---|
| Tarjeta azul, cerca | Azul | Anota la salida real | ¿Influyó la distancia? |
| Tarjeta amarilla, inclinada | Amarillo | Anota la salida real | ¿Cambió el ángulo? |
| Objeto parcialmente tapado | Su categoría | Anota la salida real | ¿El caso era ambiguo? |
Completa la tabla con tus resultados reales, no con valores previstos. Luego mira los errores con preguntas concretas:
- ¿Una clase tiene más imágenes o más variedad que la otra?
- ¿El fondo identifica indirectamente la categoría?
- ¿Las fotos de prueba son distintas de las de entrenamiento?
- ¿Hay condiciones de luz, ángulos o distancias que no estén representadas?
- ¿Una imagen ambigua debería tener una etiqueta distinta o quedar fuera de la tarea?
Si el clasificador confunde una tarjeta porque las fotos de una categoría se hicieron siempre sobre una mesa y las de otra sobre el suelo, quizá ha aprendido el contexto de la foto en vez de la característica que querías distinguir. Reúne ejemplos más diversos, vuelve a entrenar y repite la prueba con un conjunto reservado nuevo. Conserva un registro de qué cambiaste para no confundir una mejora aparente con una comparación equivalente.
La muestra condiciona lo que puede aprender el sistema. Un grupo de ejemplos pequeño, sesgado o poco parecido a las situaciones reales no permite concluir cómo se comportará con otras imágenes. Por eso, una predicción o una puntuación que muestre una interfaz no equivale a una garantía. En usos con consecuencias para personas, dinero, seguridad o acceso a servicios, este ejercicio no es suficiente para justificar una decisión automatizada.
Si quieres programar el modelo
El mismo principio se puede estudiar con código. La guía oficial de inicio de scikit-learn presenta la biblioteca y un flujo de aprendizaje automático en Python, con conceptos como ajuste del estimador y predicción. También explica cómo separar datos para evaluar el rendimiento. Es una ruta útil cuando quieres más control, comparar algoritmos o integrar el proceso en un programa, pero no es un requisito para completar el ejercicio visual de este artículo.
En cualquier herramienta, conserva la separación entre entrenamiento y evaluación: ajustar y medir con los mismos ejemplos puede dar una impresión engañosa. Empieza con una pregunta verificable y datos adecuados, y consulta la documentación actual antes de instalar paquetes o copiar código, porque los requisitos y las interfaces pueden variar entre versiones.
Cuándo basta un asistente y cuándo plantear un modelo propio
Para resumir un documento, redactar una primera versión o explorar ideas, puede bastar un asistente existente. No necesitas entrenar un clasificador propio solo porque quieras usar IA: primero define el resultado, revisa las opciones disponibles y comprueba qué ocurre con tus datos.
Un modelo propio puede tener sentido si la tarea está bien delimitada, dispones de ejemplos con etiquetas fiables y puedes evaluar los errores de forma periódica. Aun así, un prototipo entrenado con fotos no basta para decidir sobre la calidad de un proceso profesional. Por ejemplo, un equipo creativo podría experimentar con la organización inicial de imágenes propias; antes de incorporarlo a su archivo tendría que medir los fallos con material representativo, establecer revisión humana y valorar si el ahorro compensa el mantenimiento.
En todos los casos, aplica minimización de datos: trabaja con material propio o autorizado, no subas información confidencial sin revisar las condiciones de la herramienta y no uses el ejercicio para identificar personas. Si un resultado afecta a alguien, no delegues la decisión en la etiqueta de un prototipo. La supervisión y la evaluación deben corresponder al riesgo real de la aplicación.
Si tu objetivo profesional es aplicar IA a la producción de imagen, vídeo y audio, descubre la formación práctica de IA para audiovisual. El programa se centra en pipelines creativos audiovisuales; no se presenta aquí como formación para entrenar este clasificador. Y si quieres identificar qué habilidades te conviene reforzar, puedes hacer el test gratuito ¿Cuánto te queda?.
Preguntas frecuentes
¿Se puede crear una IA sin programar?
Sí. Teachable Machine permite experimentar desde el navegador con modelos que clasifican imágenes, sonidos o poses sin escribir código de aprendizaje automático. Es una forma de entender el ciclo con un prototipo pequeño; no demuestra que un modelo sea apto para producción ni elimina la necesidad de evaluar errores y privacidad.
¿Qué datos necesito para entrenar un modelo?
Para este clasificador necesitas ejemplos de cada categoría y una etiqueta correcta asociada a cada imagen. Incluye variaciones relevantes y separa desde el principio imágenes de entrenamiento y de prueba. No emplees rostros ni fotografías de clientes en el ejercicio.
¿Cómo compruebo si funciona con casos nuevos?
Reserva imágenes que no utilices al entrenar, presenta cada una al modelo y registra la salida junto con la etiqueta esperada. Analiza qué casos falla y por qué. Una prueba reducida sirve para aprender, pero no permite afirmar una precisión general ni anticipar el rendimiento en datos diferentes.
¿Entrenar un modelo es lo mismo que crear un agente?
No. Entrenar consiste en ajustar un modelo a partir de ejemplos para una tarea, como clasificar imágenes. Un agente integra un modelo con instrucciones y herramientas para completar pasos en un flujo de trabajo. Si lo que quieres es automatizar acciones, revisa primero las necesidades y límites de un agente; si quieres aprender clasificación, sigue el ejercicio de este artículo.
Sigue leyendo en humAIns