Supervisado
Aprende desde ejemplos con respuesta conocida: fraude/no fraude, precio, categoría o demanda.
Clasificación · regresión
/ CUADERNO 01 · FUNDAMENTOS
Abramos la caja de herramientas de la IA.
Vamos a mirar qué hay dentro, pieza por pieza. No hace falta memorizar nombres: basta entender qué pregunta responde cada tecnología.
01
/ CÓMO APRENDE
Tres maneras de aprender desde datos.
Imaginemos que queremos reconocer una falla. Podemos mostrar ejemplos ya clasificados, dejar que el sistema encuentre grupos o permitirle probar acciones y recibir una señal. De ahí nacen estos tres caminos.
No supervisado
Busca estructura sin etiquetas previas: grupos, similitudes, temas o comportamientos atípicos.
Clustering · reducciónPor refuerzo
Aprende mediante acciones, recompensas y consecuencias dentro de un entorno.
Control · planificaciónLa inteligencia comienza observando el mundo.
Escalas, señales y patrones reales antes de convertirlos en datos.
02
/ QUÉ PUEDE HACER
PERCEPCIÓN
PREDICCIÓN
GENERACIÓN
DECISIÓN
ACCIÓN
Ahora miremos lo que sabe hacer.
La forma de aprendizaje explica el entrenamiento. Para escoger una herramienta en la vida real conviene preguntar por la capacidad que necesitamos.
Convertir señales en información
Visión, audio, sensores y documentos.
Estimar resultados probables
Demanda, riesgo, mantenimiento y anomalías.
Crear contenido condicionado
Texto, código, imagen, voz y video.
Comparar opciones bajo reglas
Optimización, planificación y recomendación.
Usar herramientas en un entorno
Agentes, robots y automatizaciones.
03
/ IA GENERATIVA
LLM
VLM
Difusión
Embeddings
Llegamos a las herramientas que crean.
Un modelo fundacional aprende relaciones generales desde muchos datos. Después podemos orientarlo con una instrucción, ejemplos o documentos propios. Ahí aparecen siglas que suenan difíciles, pero describen piezas bastante concretas.
Modelos de lenguaje de gran escala. Trabajan con tokens y destacan en texto, código y razonamiento estructurado.
Modelos visión-lenguaje. Relacionan imágenes con lenguaje para describir, comparar o responder sobre una escena.
Familia generativa que aprende a reconstruir señales desde ruido; se usa mucho en imagen, audio y video.
Representaciones numéricas que ubican contenidos similares cerca entre sí y permiten hacer búsqueda semántica.
04
/ SISTEMAS AGÉNTICOS
¿Qué cambia cuando la IA puede actuar?
Hasta aquí la herramienta interpretaba o generaba. Un agente agrega un objetivo y acceso a herramientas: puede buscar un dato, preparar un borrador o ejecutar un paso. Su autonomía no es magia; depende de los permisos que le demos.
01ObjetivoQué resultado persigue
02ContextoQué sabe y recuerda
03HerramientasQué puede consultar o cambiar
04PolíticaQué límites debe respetar
05VerificaciónCómo demuestra el resultado
La gobernanza de agentes responde quién es responsable, con qué datos y permisos actúa el sistema, cuándo debe detenerse y cómo demuestra el resultado.
05
/ CRITERIO DE SELECCIÓN
Cerramos el cuaderno con una decisión.
Ya conocemos las piezas. Para elegir, volvemos al punto de partida: qué queremos mejorar, qué información tenemos y qué podría salir mal.
- 01Define el resultado
Tiempo ahorrado, error reducido, ingreso o calidad.
- 02Gobierna los datos
Responsables, disponibilidad, calidad, sensibilidad, linaje y derechos de uso.
- 03Acota el riesgo
Impacto de una respuesta incorrecta o una acción no autorizada.
- 04Compara alternativas
Reglas, software clásico, modelos pequeños o sistemas generativos.
- 05Prueba, mide y asigna responsables
Evaluación, supervisión y criterios de detención antes de escalar.
SIGUIENTE PARADAModelos actuales y visión computacional