Fundamentosinteligencia artificial
Inteligencia artificial y machine learning: diferencias
Entiende la relación entre inteligencia artificial y machine learning con un ejemplo de clasificación y preguntas útiles para evaluar un proyecto.
- Autor: humAIns
- 8 min de lectura
índice · 5 apartados
IA y machine learning: relación de conjunto y subconjunto
La inteligencia artificial (IA) es el campo que estudia y desarrolla sistemas capaces de realizar tareas que asociamos con capacidades como percibir, clasificar, predecir, planificar o generar contenido. El machine learning (ML), llamado aprendizaje automático, es una parte de ese campo: en vez de escribir a mano todas las instrucciones, se ajusta un modelo utilizando ejemplos o datos.
La relación no significa que toda IA aprenda ni que todo aprendizaje automático use redes neuronales. Una lista de reglas creada por personas puede automatizar decisiones sin aprender de datos. Y un modelo de ML puede ser estadístico y relativamente sencillo, sin redes neuronales ni generación de texto. El curso de Machine Learning de Google organiza el aprendizaje en torno a modelos, datos, entrenamiento, generalización y evaluación, conceptos útiles para entender este segundo enfoque.
Una forma práctica de recordar los términos:
- IA: el paraguas amplio de técnicas y sistemas.
- Aprendizaje automático o ML: técnicas que ajustan modelos a partir de datos para hacer predicciones o tomar decisiones.
- Aprendizaje profundo (deep learning): subconjunto de ML que emplea redes neuronales con múltiples capas.
- IA generativa: sistemas diseñados para producir contenido, como texto, imágenes o audio. Muchos utilizan aprendizaje profundo, pero «generativa» describe el tipo de tarea, no todo el campo de IA.
- Sistemas basados en reglas: instrucciones explícitas del tipo «si ocurre A, entonces ejecuta B». No se entrenan necesariamente con ejemplos.
Por tanto, «machine learning» no es una alternativa a la IA: es una forma de construir sistemas de IA. Una red neuronal tampoco es sinónimo de IA; es una familia de modelos. Puedes profundizar en redes neuronales en IA, en otros modelos de IA y en qué es la IA generativa.
Un mismo problema, dos enfoques: clasificar consultas
Imagina que un equipo de atención al cliente quiere asignar cada consulta entrante a una categoría: facturación, acceso o devolución. El ejemplo es ficticio y sirve para comparar métodos; no describe resultados medidos de un sistema real.
Enfoque de reglas explícitas
El equipo puede definir condiciones: si el mensaje contiene «factura», «cobro» o «IVA», asignarlo a facturación; si contiene «contraseña» o «no puedo entrar», asignarlo a acceso. Las reglas son fáciles de inspeccionar y cambiar. Funcionan bien cuando las categorías son estables, las expresiones previsibles y los casos cubribles con instrucciones claras.
Pero el lenguaje varía. «Me han cobrado dos veces» y «veo un cargo duplicado» pueden tener el mismo sentido sin compartir una palabra exacta. Para cubrir excepciones, las reglas pueden crecer y entrar en conflicto. Además, alguien tiene que mantenerlas y decidir qué hacer ante un mensaje que no encaja.
Enfoque de aprendizaje automático
Con ML, el equipo prepara ejemplos representativos de consultas, etiquetados con la categoría correcta. Un proceso de entrenamiento usa una parte de esos ejemplos para ajustar el modelo. Otra parte se reserva como conjunto de prueba: el modelo no debe haberla usado para aprender, y sirve para comprobar cómo responde ante casos distintos de los vistos durante el entrenamiento.
Después, durante la inferencia, el modelo recibe una consulta nueva y devuelve una predicción —por ejemplo, una categoría y una puntuación de confianza, si el sistema la ofrece—. Esa salida no es una garantía de acierto. Si los ejemplos están desequilibrados, desactualizados o mal etiquetados, el modelo puede fallar de forma sistemática. Tampoco basta con medirlo una sola vez: los mensajes y las necesidades cambian.
No hace falta inventar una tasa de acierto para elegir. Antes de contratar, solicita al proveedor la definición de las categorías, el método de evaluación, ejemplos de errores y las condiciones bajo las que se midió el rendimiento. Comprueba que la prueba represente el uso previsto y que se haya mantenido fuera del entrenamiento.
Qué técnica encaja: datos, uso y límites
| Técnica | Datos necesarios | Cuándo puede encajar | Límites | Supervisión |
|---|---|---|---|---|
| Reglas explícitas | Criterios definidos por especialistas; no requiere ejemplos de entrenamiento | Pocas categorías, proceso estable y trazabilidad directa | Fragilidad ante expresiones nuevas; mantenimiento manual | Personas definen, revisan y actualizan las reglas |
| ML supervisado | Ejemplos etiquetados con la respuesta deseada | Clasificar consultas o estimar una categoría a partir de ejemplos | Depende de la calidad y representatividad de etiquetas; puede cambiar su rendimiento | Revisión de etiquetas, pruebas y errores en producción |
| ML no supervisado | Datos sin etiqueta objetivo, con variables útiles | Explorar agrupaciones o patrones que luego debe interpretar el equipo | Los grupos hallados no equivalen automáticamente a categorías útiles | Especialistas interpretan y validan los patrones |
| Aprendizaje profundo | Con frecuencia, conjuntos de datos amplios y recursos de entrenamiento adecuados; depende de la tarea | Problemas complejos como texto, imagen o audio cuando la solución está justificada | Mayor complejidad y dificultad para explicar; no siempre mejora una solución sencilla | Evaluación técnica y operativa continuada |
| IA generativa | Instrucciones y contexto; según el sistema, puede añadirse información propia | Redactar borradores, resumir o transformar contenido con revisión | Puede producir errores convincentes; no es por sí sola una clasificación fiable | Revisión humana proporcional al impacto y controles de datos |
La tabla es una orientación, no una receta universal: los sistemas reales pueden combinar reglas, modelos y revisión humana. En particular, «más avanzado» no significa «más adecuado». Si una regla simple resuelve el caso con claridad y coste razonable, quizá no haya motivo para entrenar un modelo. Si las consultas son variadas y hay ejemplos válidos suficientes, probar ML puede ser razonable; aun así, debe compararse contra una alternativa sencilla.
Qué preguntar a un proveedor antes de aprobar un proyecto
No es necesario programar para hacer preguntas de control. Pide respuestas concretas y documentación que puedas conservar:
- Datos y permisos: ¿qué datos se recogerán, de qué fuente, con qué base de uso y durante cuánto tiempo? ¿Se incluyen datos personales o confidenciales? ¿Quién puede acceder y cómo se eliminan?
- Etiquetas y representatividad: si el sistema aprende de ejemplos, ¿quién asignó las etiquetas y con qué criterios? ¿Qué grupos, idiomas, tipos de consulta o periodos están infrarrepresentados?
- Evaluación fuera de muestra: ¿qué conjunto se reservó para probar el modelo y cómo se evitó que apareciera en el entrenamiento? Solicita resultados por categoría, ejemplos de errores y comparación con una línea base, como las reglas actuales.
- Errores y sesgos: ¿qué errores son más costosos? ¿Cómo se detectan resultados desiguales entre grupos o tipos de usuario? ¿Qué acción toma el sistema ante una predicción incierta?
- Seguridad y privacidad: ¿cómo se limita el acceso, se protegen los datos y se registran las operaciones? ¿Qué información envía el proveedor a terceros y qué controles contractuales existen?
- Seguimiento y responsables: ¿quién revisa el rendimiento después del despliegue, quién recibe incidencias y quién puede detener o revertir el sistema? Define responsables tanto del proveedor como de tu organización.
El marco de gestión de riesgos de IA de NIST es voluntario y está pensado para ayudar a organizaciones a gestionar riesgos en el diseño, desarrollo, uso y evaluación de sistemas de IA. No certifica por sí mismo un producto ni sustituye las obligaciones legales aplicables. La OCDE también trata la IA desde la perspectiva de sus oportunidades, riesgos y gobernanza. Estas fuentes sirven como referencias para plantear controles; las conclusiones sobre un proveedor deben basarse en la evidencia de ese proyecto.
Ficha breve: reglas o modelo para clasificar consultas
Antes de aprobar el caso ficticio, completa esta ficha con el proveedor y las personas responsables del proceso:
- Objetivo operativo: qué categorías se asignan y qué decisión desencadena cada una.
- Coste del error: qué ocurre si una consulta urgente se clasifica mal o queda sin asignar.
- Alternativa actual: reglas existentes, clasificación manual u otro proceso que sirva de comparación.
- Datos disponibles: cantidad y procedencia de ejemplos, permisos de uso, calidad de etiquetas y datos que no deben incluirse.
- Prueba acordada: ejemplos separados del entrenamiento, criterios de éxito definidos antes de probar y revisión de errores por categoría.
- Operación: quién valida casos inciertos, supervisa cambios, gestiona incidentes y puede volver al proceso anterior.
- Decisión: empezar con reglas, hacer una prueba limitada de ML o no automatizar todavía; anota la evidencia y la fecha para revisar la decisión.
Si no hay suficientes ejemplos fiables o no se puede explicar quién responde cuando falla, no conviertas la falta de información en una promesa de precisión. Puedes empezar definiendo categorías y midiendo el proceso actual, sin introducir datos sensibles en herramientas no autorizadas.
Si aplicas estos criterios a campañas o procesos de marketing, el curso de IA para Marketing trabaja flujos aplicados a esa disciplina; no es una formación de ingeniería para construir modelos. Para identificar tu siguiente paso de aprendizaje, puedes hacer el test gratuito ¿Cuánto te queda?.
Sigue leyendo en humAIns