Cómo aprende una máquina: datos, patrones y errores

Un programa de computador tradicional es una receta: una persona escribe las reglas y la máquina las obedece al pie de la letra. Si en una hoja de cálculo pones nota_final = parcial1*0.3 + parcial2*0.3 + final*0.4, eso funciona perfecto, porque la regla es exacta, la conocemos y se puede escribir en una línea.

El problema es que muchísimas tareas útiles no se dejan escribir así. Intenta escribir la regla exacta para distinguir la foto de un aguacate maduro de uno verde, o para saber si un mensaje que te llegó al WhatsApp es una estafa. Vas a decir "si dice premio, es estafa", y al rato llega un mensaje legítimo de tu universidad que dice "premio". Las reglas escritas a mano se rompen con las excepciones, y en el mundo real casi todo son excepciones.

Ahí aparece el aprendizaje automático (en inglés machine learning): en vez de escribir la regla, le mostramos a la máquina muchos casos ya resueltos y dejamos que ella busque la regla sola. A cada caso resuelto lo llamamos ejemplo etiquetado: un dato más su respuesta correcta. La foto es el dato; "maduro" es la etiqueta. El mensaje es el dato; "estafa" es la etiqueta.

La diferencia de fondo es quién escribe la regla. En la programación clásica, la escribe una persona. En el aprendizaje automático, la persona escribe el procedimiento para encontrar la regla, y aporta los ejemplos; la regla final la arma la máquina. Por eso a veces ni quien la construyó puede explicar en palabras exactamente qué está mirando el sistema, y por eso también hereda lo bueno y lo malo de los ejemplos que le dimos.

Cuando alguien dice "un modelo de IA", suena a algo abstracto. En la práctica, un modelo es un archivo con muchísimos números adentro, más una fórmula fija que dice cómo combinarlos. Esos números se llaman parámetros o pesos, y son lo único que cambia durante el aprendizaje.

Una imagen que ayuda: piensa en la consola de sonido de la emisora del colegio, con decenas de perillas. La fórmula (cómo se mezclan los canales) no cambia; lo que el técnico ajusta son las perillas hasta que suena bien. Un modelo es esa consola, pero con muchísimas más perillas, y quien las mueve no es una persona sino el proceso de entrenamiento.

Hay que separar dos momentos que suelen confundirse:

• Entrenamiento: se mueven las perillas usando los ejemplos. Es lento, caro y se hace una vez (o de vez en cuando).
• Inferencia o uso: las perillas quedan quietas y le pasas un dato nuevo para que te dé una respuesta. Es lo que haces cada vez que le escribes a un chatbot.

Un detalle importante: el modelo, por lo general, no guarda los ejemplos. Guarda el patrón que sacó de ellos. Es parecido a cuando aprendiste a reconocer la letra de tu mamá: no tienes archivadas todas las notas que te escribió, tienes una noción difusa de cómo se ve su letra. Por eso un modelo puede responder ante algo que nunca vio, y por eso también puede responder con seguridad algo falso: está aplicando un patrón, no consultando una base de datos.

Los modelos pequeños, como el que vas a entrenar hoy, tienen relativamente pocos parámetros. Los modelos grandes detrás de los chatbots tienen del orden de miles de millones. Es la misma idea, a escalas muy distintas.

Aquí está el corazón de todo, y no necesita matemáticas para entenderse. El entrenamiento es un ciclo que se repite muchísimas veces:

1. El modelo arranca con las perillas puestas al azar, así que sus primeras respuestas son basura. 2. Le pasamos un ejemplo y hace su predicción: "esto es un aguacate maduro, con 51% de confianza". 3. Comparamos con la etiqueta verdadera y medimos qué tan lejos estuvo. A esa medida se le llama error o pérdida. 4. Ajustamos un poquito los parámetros en la dirección que habría reducido ese error. 5. Volvemos al paso 2 con el siguiente ejemplo. Y otra vez. Y otra vez.

Una pasada completa por todos los ejemplos se llama época (epoch), y normalmente se dan muchas pasadas.

La analogía más honesta es aprender a encestar en la cancha del barrio. Tiras, ves que se fue corta, corriges la fuerza un poco, tiras otra vez. Nadie te dio la fórmula de la parábola: tu cuerpo ajustó "perillas" con retroalimentación. Fíjate en dos cosas que también aplican a las máquinas: si corriges demasiado en cada tiro, oscilas y nunca cuadras; si corriges muy poquito, tardas una eternidad. Ese tamaño del ajuste es una decisión humana del diseño.

Dos consecuencias prácticas que conviene tener claras desde ya. Primera: el error nunca llega a cero, y no debería. Un modelo con error cero en sus ejemplos casi siempre está memorizando, no aprendiendo. Segunda: el modelo optimiza exactamente lo que le pusimos a medir, no lo que nosotros queríamos. Si mides "cuántas veces acierta" en un conjunto donde el 95% de los casos son "normal", un modelo que responda siempre "normal" saca 95% sin haber aprendido absolutamente nada.

La pregunta natural es: si el modelo ajusta perillas con retroalimentación, ¿por qué no le bastan diez ejemplos? Porque lo que buscamos es el patrón general, y con pocos ejemplos cualquier coincidencia boba parece un patrón.

Imagina que entrenas un clasificador de perros y gatos, y todas tus fotos de perros las tomaste en el parque y todas las de gatos dentro de la casa. El modelo puede aprender "si hay pasto, es perro". Acierta perfecto en tus ejemplos y falla apenas alguien le muestre un gato en un antejardín. Nunca vio un perro. Vio pasto. Con muchos ejemplos variados, la coincidencia del pasto se cae sola, porque aparecen perros en la sala y gatos en el parque.

Por eso importa tanto la variedad y no solo la cantidad:

• Fotos con luz de día, de noche, con flash, borrosas, torcidas.
• Voces costeñas, paisas, rolas, pastusas, y no solo de un locutor de estudio.
• Textos con tildes, sin tildes, con errores de dedo, con "parce" y con lenguaje formal.

Y aquí está el cuello de botella real: etiquetar cuesta trabajo humano. Alguien tiene que marcar esas miles de fotos o mensajes. Por eso los datos públicos valen oro. En Colombia, el portal de datos abiertos del Estado, datos.gov.co, publica conjuntos de datos de entidades públicas que puedes descargar gratis y usar para practicar.

Existe un atajo que hoy usa casi todo el mundo: partir de un modelo preentrenado, uno que ya aprendió a ver formas, bordes y texturas con millones de imágenes, y solo reajustarle la parte final con tus pocos ejemplos. Eso se llama transferencia de aprendizaje, y es exactamente por lo que en la práctica de hoy te van a bastar unas decenas de fotos en vez de un millón.

¿Cómo sabemos si un modelo aprendió? No preguntándole por los mismos ejemplos con los que estudió. Eso sería como darte de examen exactamente el simulacro que te dieron para practicar: sacas 5.0 y nadie sabe si entendiste o memorizaste.

Por eso los datos se parten en al menos dos montones antes de entrenar:

• Datos de entrenamiento: con los que el modelo ajusta sus parámetros.
• Datos de prueba: apartados, que el modelo nunca vio, y con los que medimos de verdad.

Cuando un modelo va muy bien en entrenamiento y mal en prueba, decimos que hay sobreajuste (overfitting): memorizó los casos en vez de captar el patrón. Es el error más común de todos y se combate con más datos, más variados, y con modelos menos exagerados para el problema.

Hay que entender también cómo se ve una equivocación. Un modelo de clasificación casi nunca dice "no sé": entrega su mejor apuesta con un porcentaje de confianza. Y ese porcentaje no es una probabilidad de tener la razón. Puedes ver un tranquilísimo "98% moneda de $1.000" apuntando a un botón de camisa. La máquina no tiene forma de saber que está fuera de su terreno. Guarda bien esta idea: en la lección 3 vas a ver que las famosas "alucinaciones" de los chatbots son exactamente el mismo fenómeno, con texto en vez de imágenes.

Finalmente, el sesgo: no es un error aleatorio sino sistemático, y casi siempre viene de los datos. Si un sistema de selección de hojas de vida aprendió de decisiones pasadas de una empresa, va a reproducir los patrones de esas decisiones, incluidos los injustos. El modelo no tiene intenciones; tiene estadísticas. Por eso, cuando algo importante para la vida de alguien depende de un modelo, la pregunta correcta no es "¿es inteligente?" sino "¿con qué datos aprendió y en quién falla?".