Por José Ángel Maldonado Guzmán

Cuando una inteligencia artificial «aprende», nadie le explica las reglas. Nadie se sienta a escribir «un gato es un animal con orejas puntiagudas, bigotes y…». En vez de eso, le mostramos el mundo millones de veces y dejamos que ella descubra los patrones. Entender ese proceso — qué entra, qué ajusta y qué sale — es la mejor vacuna contra dos errores comunes: creer que la IA es magia, o creer que es una estafa.

La idea en una frase

Aprender, para una máquina, es ajustar números hasta equivocarse lo menos posible en ejemplos conocidos.

Dentro de un modelo hay millones (a veces miles de millones) de perillas numéricas llamadas parámetros. Al principio están puestas casi al azar, y el modelo responde tonterías. Cada vez que acierta o falla en un ejemplo, un procedimiento matemático — llamado descenso de gradiente — mueve cada perilla un poquitito en la dirección que hubiera reducido el error. Repetido millones de veces, el movimiento acumulativo convierte el azar en comportamiento: el modelo termina reconociendo gatos, traduciendo frases o prediciendo la palabra que sigue.

Los ingredientes

  1. Datos de entrenamiento: los ejemplos. Textos, fotos, audios, registros… con respuesta conocida cuando se trata de aprendizaje supervisado («esta foto es un gato», «este correo es spam»).
  2. La función de error: una regla que califica qué tan lejos estuvo la respuesta del modelo de la correcta. Sin nota, no hay aprendizaje.
  3. Repetición a escala: una pasada completa por todos los ejemplos se llama época, y el entrenamiento hace muchas. Lo que para un humano sería «practicar», para el modelo es ajustar perillas época tras época.
  4. Ejemplos nuevos para examinar: se reservan datos que el modelo nunca vio para entrenar. Si en esos datos también acierta, aprendió el patrón; si solo acierta en los que estudió, memorizó — es el sobreajuste, el equivalente mecánico de aprenderse las respuestas del examen sin entender la materia.

Un ejemplo con las manos: enseñarle «spam»

Imagina entrenar un filtro de correo. Le damos 100,000 correos ya etiquetados como «spam» o «no spam». El modelo empieza adivinando y falla mucho. Con cada correo, el error le dice cómo ajustar sus perillas: pesan más las palabras «GRATIS», «premio» y «haz clic aquí»; pesa menos «reunión»; y así. Tras varias épocas, lo probamos con correos nuevos y acierta el 98 %. Nadie escribió la regla «si dice GRATIS es spam»: la regla emergió de los ejemplos. Por eso el filtro también falla a veces con correos legítimos de promociones: aprendió el patrón dominante, no una verdad absoluta.

La consecuencia que nadie debería olvidar

Si el aprendizaje sale de los ejemplos, la calidad del modelo es la calidad de sus datos. Datos equivocados, desbalanceados o viejos producen un modelo equivocado, desbalanceado o viejo, aunque su software sea perfecto. Por eso gran parte del trabajo real en ciencia de datos no es «la IA»: es conseguir, limpiar, etiquetar y auditar datos, durante semanas, antes de entrenar nada.

La próxima vez que un sistema «inteligente» acierte de forma asombrosa o falle de forma ridícula, ya sabes dónde mirar: no a una mente dentro de la máquina, sino a los millones de ejemplos con los que ajustó sus perillas — y a quienes eligieron esos ejemplos.

José Ángel Maldonado Guzmán — estudiante de Ingeniería en Computación, Universidad Autónoma del Estado de México, Centro Universitario Valle de Chalco.