Material didáctico interactivo

Aprendizaje automático

Introducción al marco conceptual de la inteligencia artificial (IA)

Autor: Zsolt LengyeliTStudy Hungary Training and Research Centre
Revisora: Mária HartyányiiTStudy Hungary Training and Research Centre

Los tres componentes del aprendizaje automático: datos, modelo y paradigma de aprendizaje — Los componentes básicos del aprendizaje automático

Objetivo de aprendizaje

El rápido auge de la inteligencia artificial ha provocado reacciones extremas, que van desde un entusiasmo desbordante hasta el temor de que pronto nos quite el trabajo. El propósito de este material didáctico es repasar la base teórica necesaria para valorar con realismo qué es realmente la IA y aclarar los conceptos básicos imprescindibles para un uso informado de la IA (como el aprendizaje automático, el conjunto de datos de entrenamiento, el modelo, etc.).

Al terminar, podrás responder a estas preguntas

¿Cómo aprende y se comunica un ordenador?
¿Qué entendemos por aprendizaje automático?
¿Qué significa que los sistemas de IA no funcionan de forma determinista?
¿Es la IA una versión mecánica de la inteligencia humana?
¿Puede la inteligencia artificial ser más inteligente que el ser humano?

Capítulo 1 · 1 / 2

La idea de una máquina capaz de aprender

El célebre matemático Alan Turing lo expresó así en una conferencia que impartió en 1947 ante la London Mathematical Society:

“What we want is a machine that can learn from experience.”«Lo que queremos es una máquina que pueda aprender de la experiencia».

Los ordenadores de la época todavía no permitían crear un programa así. Hicieron falta más de setenta años para acercarse a la visión de Turing.

Los investigadores de la conferencia de Dartmouth de 1956 fueron desarrollando los modelos matemáticos y los algoritmos necesarios para el aprendizaje automático. Al mismo tiempo, se dispuso de grandes volúmenes de datos digitales y de la capacidad de cálculo necesaria para procesarlos.

1947Turing plantea la idea de una máquina que aprende de la experiencia.

1956La conferencia de Dartmouth impulsa la investigación sobre la IA.

2022ChatGPT da a conocer ampliamente la IA basada en el lenguaje.

Capítulo 1 · 2 / 2

Cuando la máquina responde en lenguaje humano

ChatGPT se lanzó al público el 30 de noviembre de 2022. Alcanzó un millón de usuarios registrados en cinco días; Netflix necesitó tres años y medio para llegar a la misma cifra.

Su interfaz permitió a cualquiera comprobar que es posible comunicarse con un ordenador mediante el lenguaje humano. Las respuestas rápidas, coherentes y convincentes provocaron entusiasmo, sorpresa y preocupación.

Un rostro humano junto a un rostro digital que representa la inteligencia artificial — Representar la IA de forma humana influye en lo que suponemos sobre sus capacidades.

Una mujer mayor habla por teléfono; la inteligencia artificial representa al interlocutor — Cuando «alguien» habla con una voz perfectamente humana

Capítulo 2

¿Aprende el ordenador?

Cuando decimos que un ordenador «aprende», no nos referimos al mismo proceso por el que aprende una persona o un niño pequeño. El aprendizaje humano es un proceso complejo que la ciencia aún no puede describir por completo.

Aprendizaje automático: término que agrupa los algoritmos y métodos que aprenden a partir de datos. El ordenador reconoce patrones a partir de ejemplos y los utiliza para generar predicciones o recomendaciones de decisión.

La «receta» tiene tres ingredientes: datos almacenados digitalmente, un algoritmo que determina cómo se aprende y un modelo que almacena las relaciones aprendidas.

01

Datos

Los ejemplos y observaciones a partir de los que el sistema aprende patrones.

02

Algoritmo

El método que determina cómo se produce el aprendizaje.

03

Modelo

El resultado del entrenamiento, que permite extraer conclusiones sobre datos nuevos.

Capítulo 3 · 1 / 4

Aprendizaje supervisado

En el aprendizaje supervisado, la máquina aprende de ejemplos en los que las respuestas correctas se proporcionan junto con los datos de entrada. Un ejemplo serían millones de fotografías etiquetadas con los nombres de los objetos que aparecen en ellas.

Imaginemos que entrenamos un modelo para decidir si una imagen muestra una manzana o un plátano. Las respuestas correctas que acompañan a las imágenes se llaman etiquetas, y estos ejemplos se denominan datos etiquetados.

El modelo aprende características visuales de los ejemplos: forma, color y otros patrones. Después puede clasificar imágenes que nunca ha visto, con una determinada probabilidad.

Aprendizaje supervisado ilustrado con imágenes de perros y gatos — Los ejemplos con etiquetas correctas guían el aprendizaje.

Capítulo 3 · 2 / 4

De los datos de entrenamiento al modelo en funcionamiento

Para entrenar se utilizan grandes cantidades de datos, denominadas base de datos de entrenamiento o conjunto de datos de entrenamiento. El modelo resultante puede identificar datos nuevos y desconocidos a partir de las relaciones aprendidas.

Una limitación importante: el modelo solo puede extraer conclusiones de lo que ha aprendido de los datos de entrenamiento. No tiene conocimientos ni experiencia propios más allá de ellos.

Diagrama de los datos de entrada, el algoritmo de aprendizaje y el modelo — Aprendizaje automático: construcción de un modelo a partir de ejemplos etiquetados

Icono de reconocimiento de voz — Reconocimiento de voz

Icono de generación de texto — Generación de texto y traducción

Capítulo 3 · 3 / 4

Aprendizaje no supervisado

En el aprendizaje no supervisado no hay una respuesta correcta predefinida: la máquina no recibe etiquetas. El algoritmo descubre por sí mismo patrones ocultos, grupos, similitudes y diferencias en los datos.

Estos métodos ayudan a los sistemas de recomendación: identifican intereses a partir del comportamiento de los usuarios y recomiendan películas, música o productos de forma personalizada.

Agrupación automática de frutas según su similitud — El sistema busca estructura en los datos sin utilizar etiquetas.

Capítulo 3 · 4 / 4

Aprendizaje por refuerzo

En el aprendizaje por refuerzo, un «agente» virtual interactúa con su entorno e intenta tomar decisiones óptimas. Mediante recompensas y penalizaciones, aprende qué acciones conducen al mejor resultado.

Ciclo de agente, entorno, acción y recompensa — El agente aprende de las consecuencias de sus acciones.

En 1997, IBM Deep Blue derrotó al campeón mundial de ajedrez Garri Kaspárov mediante programación tradicional y una gran potencia de cálculo. El go, sin embargo, ofrece demasiadas posiciones posibles para enumerarlas todas.

El sistema AlphaGo de DeepMind utilizó aprendizaje por refuerzo y partidas contra sí mismo para llegar a derrotar a Lee Sedol en una serie de partidas en 2016.

La partida entre AlphaGo y Lee Sedol (fuente: Google Arts & Culture)

Capítulo 4

Aprendizaje por transferencia y ámbitos de aplicación

Aprendizaje por transferencia

Un modelo ya entrenado y que funciona bien puede seguir desarrollándose en un ámbito más reducido y especializado. Por ejemplo, un modelo de lenguaje general puede continuar su entrenamiento con fuentes educativas cuidadosamente seleccionadas. Esto se denomina aprendizaje por transferencia.

Aprendizaje supervisado

Clasificación y predicción

Reconocimiento de objetos, filtrado de correo no deseado, evaluación del riesgo crediticio y diagnóstico médico.

Aprendizaje no supervisado

Descubrir estructuras ocultas

Grupos de clientes, sucesos anómalos y simplificación de datos complejos.

Aprendizaje por refuerzo

Secuencias de decisiones

Control de robots, programas de juegos, control automatizado y optimización del transporte.

Capítulo 5

Recursos y costes

Los recursos necesarios dependen de la cantidad de datos, la complejidad del modelo y el método de aprendizaje elegido.

Aprendizaje supervisado: recopilar y etiquetar los datos puede resultar costoso.
Aprendizaje no supervisado: puede requerir mucho almacenamiento y capacidad de cálculo.
Aprendizaje por refuerzo: se necesitan muchos ensayos y, a menudo, un entorno simulado.

Cenicienta clasifica distintos tipos de semillas en grupos — Como en el cuento de Cenicienta, el aprendizaje no supervisado busca los grupos naturales de los datos sin etiquetas.

Ideas clave para docentes

¿Qué puede hacer la inteligencia artificial y qué no?

«La inteligencia artificial no piensa, habla».Vilmos Csányi, 2026

Autoevaluación

Comprueba lo que has aprendido

1¿Qué es un modelo de aprendizaje automático? El resultado del entrenamiento, que extrae conclusiones sobre datos nuevos a partir de patrones aprendidos. Un conjunto de reglas infalible en cualquier situación. Una copia digital del cerebro humano.

2¿Qué método utiliza ejemplos con respuestas correctas? Aprendizaje supervisado Aprendizaje no supervisado Aprendizaje por refuerzo

3¿Qué caracteriza al aprendizaje no supervisado? Busca patrones y grupos sin etiquetas. Aprende únicamente de recompensas. Siempre da la misma respuesta.

4¿Cómo aprende un sistema de aprendizaje por refuerzo? Evalúa sus acciones mediante recompensas y penalizaciones. Memoriza todas las respuestas posibles. Utiliza únicamente imágenes etiquetadas.

5¿Qué afirmación es correcta? Las respuestas de la IA se basan en patrones aprendidos y requieren verificación. Una voz natural demuestra que la IA es consciente. Los conocimientos de un modelo son independientes de los datos de entrenamiento.

Colaboradores y archivos adjuntos

Créditos y derechos de autor

Autor: Zsolt LengyeliTStudy Hungary Training and Research Centre
Revisora: Mária HartyányiiTStudy Hungary Training and Research Centre
Proyecto: 2025-1-LT01-KA220-VET-000362456

Archivos adjuntos

Descargar el material en españolM1-T1-MLC1-TEXT-ES.pdf Descargar la actividad prácticaM1-T1-MLC1-EXC-ES.pdf

Símbolo de Creative Commons Atribución-CompartirIgual

Esta obra puede compartirse y adaptarse bajo los términos de la Licencia Internacional Creative Commons Atribución/Reconocimiento-CompartirIgual 4.0 (CC BY-SA 4.0).

Financiado por la Unión Europea. Las opiniones expresadas son únicamente las de los autores y no reflejan necesariamente las de la Unión Europea ni las de la Agencia Nacional.