¿Qué son la IA y el ML?

Un banco quiere marcar transacciones fraudulentas con tarjeta. La forma vieja era escribir reglas: bloquea cualquier compra mayor a $5,000, bloquea compras desde dos países en menos de una hora, y así. Los estafadores aprenden las reglas y se cuelan por debajo de ellas, así que el equipo sigue agregando reglas hasta que nadie entiende el sistema. Los patrones que de verdad señalan fraude son sutiles, cambiantes y están enterrados en millones de transacciones. Ningún humano puede escribirlos todos.

Este es el hueco que llena el machine learning. En vez de escribir tú las reglas, le muestras al sistema muchas transacciones pasadas etiquetadas como "fraude" o "legítima", y él descubre el patrón por su cuenta. Ese giro, de escribir reglas a aprenderlas de los datos, es la idea completa detrás del campo sobre el que se construye este examen. Esta lección te da el vocabulario del que depende el resto del curso.

Qué es la inteligencia artificial

La inteligencia artificial es el término paraguas para cualquier técnica que hace que una máquina realice tareas que normalmente necesitan inteligencia humana. AWS describe la IA como "un término general para las distintas estrategias y técnicas que puedes usar para hacer que las máquinas se parezcan más a los humanos". Eso incluye reconocer una cara en una foto, entender una pregunta hablada, recomendar una película o conducir un carro.

La IA es deliberadamente amplia. Cubre sistemas por reglas (lógica escrita a mano), algoritmos de búsqueda y machine learning, entre otros. El punto clave para el examen: no todo lo que se llama IA aprende de datos. Un termostato que sigue un horario fijo es un sistema por reglas simple. Es automatización, y puedes argumentar que es IA, pero no es machine learning, porque nada en él mejora con la experiencia.

Qué es el machine learning

El machine learning es la rama de la IA que aprende patrones a partir de datos en vez de seguir reglas que un desarrollador escribió a mano. AWS lo define como "la ciencia de desarrollar algoritmos y modelos estadísticos que los sistemas informáticos usan para realizar tareas complejas sin instrucciones explícitas", apoyándose en "patrones e inferencia".

Quédate con esa frase: sin instrucciones explícitas. En la programación tradicional, tú escribes la lógica y la computadora la sigue. En machine learning, tú provees datos y resultados deseados, y el sistema produce la lógica. Piensa en el filtrado de spam. El enfoque por reglas es una lista como "bloquea todo correo que contenga 'dinero gratis'". El enfoque de ML es alimentar al sistema con miles de correos ya marcados como spam o no spam, y dejar que aprenda qué combinaciones de palabras, remitentes y patrones predicen spam. Cuando el spam evoluciona, reentrenas con ejemplos nuevos en vez de reescribir reglas.

Ese es el trato sobre el que se construye todo el campo: cedes el control directo de la lógica y, a cambio, obtienes un sistema capaz de manejar patrones demasiado complejos o demasiado cambiantes como para escribirlos.

Cómo encajan la IA, el ML, el deep learning y la IA generativa

Estos cuatro términos no son cuatro cosas separadas. Se anidan uno dentro de otro, de mayor a menor, y el examen probará si conoces el orden.

• Inteligencia artificial es el anillo más externo. Cualquier técnica que haga que las máquinas actúen de forma inteligente pertenece aquí.
• Machine learning está dentro de la IA. Es el subconjunto que aprende de datos. Todo el machine learning es IA, pero no toda la IA es machine learning.
• Deep learning está dentro del ML. Es el subconjunto que usa redes neuronales de muchas capas (la próxima lección lo cubre en detalle). Todo el deep learning es machine learning.
• IA generativa está dentro del deep learning. Es el subconjunto que crea contenido nuevo: texto, imágenes, audio y código. Toda la IA generativa es deep learning.

Lee los anillos de adentro hacia afuera y cada uno "es un tipo de" el anillo que lo rodea. La IA generativa es un tipo de deep learning, que es un tipo de machine learning, que es un tipo de IA. La IA agéntica, que verás en una lección posterior, se construye sobre la IA generativa dejando que los modelos planifiquen y tomen acciones, así que también vive cerca del centro.

El error común es tratar estos términos como rivales ("¿debería usar IA o ML?"). No son alternativas. Cuando usas IA generativa, estás usando las cuatro capas a la vez.

El vocabulario central: modelo, algoritmo, entrenamiento, inferencia

Cuatro palabras aparecen en casi cada página de este curso. Apréndelas una vez aquí.

Un algoritmo es el procedimiento que aprende de los datos. Es la receta, como "regresión lineal" o "una red neuronal". Eliges un algoritmo antes de tener un modelo.

Un modelo es lo que obtienes después de que un algoritmo aprende de tus datos. Es el artefacto entrenado que guarda los patrones aprendidos y convierte entradas nuevas en predicciones. El algoritmo es la receta; el modelo es el pastel que horneaste con tus ingredientes específicos.

El entrenamiento es la fase donde el algoritmo procesa tus datos y produce el modelo. El entrenamiento suele ser la parte pesada de cómputo y hecha por adelantado. Entrenas un modelo de fraude durante la noche con las transacciones del último año.

La inferencia es la fase donde el modelo terminado hace predicciones sobre entradas nuevas que no ha visto. Cuando llega una transacción en vivo y el modelo la califica como fraude o no, eso es inferencia. Una lección posterior completa cubre las distintas formas de correr la inferencia, porque esa elección define el costo y la latencia en producción.

Mantén el entrenamiento y la inferencia separados en tu mente. El entrenamiento construye el modelo; la inferencia lo usa. Muchas preguntas del examen dependen de saber a qué fase pertenece una actividad descrita.

Dos términos más completan el glosario básico, y ambos tienen su propia profundidad más adelante en el curso. El sesgo (bias) es un error sistemático que hace que un modelo sea injusto o impreciso para ciertos grupos. La equidad (fairness) es la meta de que un modelo trate a distintos grupos de forma equitativa. Ambos pertenecen al dominio de IA responsable, así que por ahora solo reconócelos.

Cuándo el machine learning es la herramienta correcta (y cuándo no)

El machine learning es poderoso, pero no es la respuesta a todo, y el examen premia saber la diferencia. Recurre al ML cuando se cumplen tres cosas: el patrón es demasiado complejo o cambiante como para escribirlo como reglas, tienes suficientes datos relevantes para aprender, y una predicción aproximada es aceptable en vez de una respuesta exacta garantizada.

La detección de fraude, las recomendaciones de productos y la previsión de demanda encajan todas. Los patrones son desordenados, los datos abundan, y una buena predicción es genuinamente útil aunque de vez en cuando se equivoque.

Ahora el otro lado. Si necesitas calcular el impuesto sobre las ventas, no uses machine learning. El impuesto es una regla fija, la respuesta debe ser exacta, y un modelo que acierta el "97%" en un impuesto es un sistema roto. Cuando la lógica es simple y conocida, y la salida debe ser demostrablemente correcta cada vez, escribe la regla. El ML cambia exactitud por la capacidad de manejar complejidad, y ese cambio solo tiene sentido cuando la complejidad es real.

Consejos para el examen

El examen prueba las fronteras entre estos términos mucho más que las definiciones en sí.

• Cuando una pregunta lista IA, ML, deep learning e IA generativa y pregunta por su relación, la respuesta casi siempre es el orden de anidamiento (cada uno es subconjunto del anterior). Rechaza cualquier opción que los haga separados o que invierta la contención.
• Presta atención a las palabras clave "aprende de datos" o "sin reglas explícitas". Apuntan al machine learning, no a la IA simple ni a la automatización por reglas.
• Si un escenario necesita una salida exacta garantizada (impuestos, un cálculo legal, una regla de negocio fija), el examen quiere que digas que el ML no es apropiado. La señal es una frase como "se necesita un resultado específico" en vez de una predicción.
• No confundas "algoritmo" con "modelo". El algoritmo se elige antes del entrenamiento; el modelo lo produce el entrenamiento.

La idea que debes llevarte: el machine learning reemplaza las reglas escritas a mano con patrones aprendidos de los datos, y vive dentro del campo más amplio de la IA mientras contiene al deep learning y a la IA generativa dentro de sí. Cada lección posterior se apoya en este anidamiento, empezando por las redes neuronales que hacen posible el deep learning.