Conceptos básicos de inteligencia artificial: guía desde cero
La inteligencia artificial reúne métodos para realizar tareas como reconocer imágenes, estimar resultados o generar texto. Para entenderla, conviene distinguir los datos, el modelo y la aplicación, y separar el entrenamiento de lo que ocurre al usarla.
No necesitas programar para comprender las bases. Sí necesitas reconocer qué información recibe un sistema, qué resultado produce y qué parte debes comprobar.
Esta guía explica el vocabulario con ejemplos y diagramas. El objetivo es que puedas evaluar una respuesta sin atribuirle capacidades que no se han demostrado.
Qué es la inteligencia artificial
La IA es un campo que desarrolla sistemas capaces de realizar tareas asociadas con capacidades como percepción, aprendizaje y resolución de problemas. Incluye enfoques basados en reglas y conocimiento, además de métodos que aprenden de datos.
Un filtro puede clasificar correos; otro sistema puede transcribir voz o preparar un borrador. Son tareas diferentes. Que una aplicación converse de forma natural no demuestra conciencia, sentimientos ni una comprensión equivalente a la humana.
Tampoco es preciso decir que la IA “no razona” en todos los sentidos: se pueden evaluar tareas de inferencia y resolución de problemas. Su desempeño en esas pruebas no establece que funcione como una mente humana. Introducción a la IA de IBM.
Automático no significa necesariamente IA
Enviar un recordatorio cuando vence una fecha puede resolverse con una regla convencional. Interpretar un mensaje libre para identificar su tema es otra tarea. Separa el problema antes de elegir tecnología.
Datos, algoritmo, parámetros y modelo
Estos términos describen partes distintas de un sistema que aprende. No son una lista universal de todos los componentes de cualquier IA.
- Datos
- Ejemplos o información utilizados para entrenar, evaluar o consultar. Su calidad y representatividad importan, no solo su cantidad.
- Algoritmo
- Un procedimiento definido para realizar una operación. Un algoritmo de entrenamiento guía cómo se ajusta un modelo.
- Parámetros
- Valores internos del modelo, como los pesos de una red neuronal. Se ajustan durante el entrenamiento; no son el número de correcciones realizadas.
- Modelo
- La representación matemática que se utiliza para producir estimaciones o salidas. En aprendizaje automático, sus parámetros se obtienen o ajustan con datos.
Un sistema completo también puede necesitar una interfaz, instrucciones, acceso a herramientas, permisos y mecanismos de evaluación. El modelo es una pieza de esa solución.
Entrenamiento e inferencia: aprender y utilizar son procesos distintos
Durante el entrenamiento se ajusta el modelo con un objetivo. En un ejemplo supervisado, compara sus predicciones con respuestas de referencia y modifica parámetros para reducir errores.
Inferencia es utilizar el modelo para obtener una salida a partir de una entrada. Escribirle a una aplicación no implica, por sí solo, que esté entrenando nuevamente sus parámetros.
Entrenar, evaluar y utilizar
- Entrenamiento
- Ejemplos → ajuste → modelo
Un modelo recibe mensajes etiquetados por tema y ajusta sus parámetros para clasificarlos.
- Evaluación
- Datos separados → medición de errores
Se comprueba el desempeño con ejemplos no utilizados para ese entrenamiento.
- Inferencia
- Mensaje nuevo + modelo → clasificación
El modelo ya preparado estima el tema de una solicitud nueva.
Un modelo debe funcionar con ejemplos nuevos, no solo recordar los que vio. Si se adapta demasiado a los datos de entrenamiento y falla con otros, puede haber sobreajuste. Google explica la generalización y la evaluación con datos separados.
Machine learning, redes neuronales y deep learning
Machine learning o aprendizaje automático es una familia de métodos para aprender patrones de datos. Incluye modelos distintos, no solo redes neuronales.
Una red neuronal combina operaciones matemáticas mediante nodos y capas. El deep learning utiliza redes profundas, con varias capas. No todas las redes neuronales son profundas.
Incluye aprendizaje y enfoques basados en conocimiento.
Incluye árboles de decisión, redes neuronales y otros métodos.
Familia de modelos organizados en capas.
Utiliza redes neuronales profundas.
La técnica apropiada depende de la tarea, los datos y las condiciones de evaluación. Para ampliar las clasificaciones consulta tipos de inteligencia artificial y sus diferencias.
IA generativa, LLM y aplicaciones
La IA generativa produce contenido como texto, imágenes o audio a partir de patrones aprendidos. Generar una salida no equivale a verificarla.
Un LLM, o modelo de lenguaje grande, trabaja con patrones del lenguaje. Muchos generan texto prediciendo tokens sucesivos, condicionados por el contexto y los ajustes del modelo. No significa que elijan siempre una única respuesta “más probable”. Explicación de los modelos de lenguaje de IBM.
ChatGPT y la aplicación de Claude no son el modelo mismo. Son aplicaciones que pueden incorporar modelos, interfaces, instrucciones y herramientas. Un sistema multimodal puede trabajar con varios formatos, como texto e imágenes.
Una aplicación con herramientas puede consultar información externa. Esa capacidad requiere acceso e integración: no aparece automáticamente por conversar con un modelo.
Prompt, tokens y contexto: qué ocurre cuando preguntas
- Prompt
- La instrucción o entrada que proporcionas: una pregunta, una tarea o un texto para analizar.
- Tokens
- Unidades con las que el modelo procesa texto. Pueden ser palabras o fragmentos; no existe una equivalencia fija de un token por palabra.
- Contexto
- La información disponible para esa respuesta: instrucciones, mensajes y documentos, según la aplicación. Su capacidad tiene límites.
La aplicación prepara la entrada
Puede reunir tu instrucción, parte de la conversación y documentos autorizados.
El modelo procesa el contexto
En un modelo de lenguaje, el texto se representa mediante tokens. Si hay herramientas, pueden producirse consultas adicionales.
Se genera y presenta una salida
La respuesta depende del modelo, las instrucciones y la información disponible. No es una comprobación automática de verdad.
Contrasta el resumen con el original y revisa omisiones, nombres, cifras y afirmaciones añadidas.
Contexto, memoria y entrenamiento no son lo mismo
Usar un dato en la respuesta, guardar una preferencia y ajustar un modelo son operaciones diferentes. Revisa la política y configuración del proveedor antes de compartir información privada; no supongas que todos conservan o utilizan los datos de la misma manera.
Por qué la IA puede equivocarse
Alucinaciones: respuestas plausibles pero incorrectas
Un sistema generativo puede inventar una cita, confundir una fecha o añadir un detalle ausente del documento. “Alucinación” describe este tipo de salida; no significa que el sistema tenga intención de mentir.
Sesgos y límites de los datos
Los errores también pueden relacionarse con datos incompletos, grupos poco representados, decisiones de diseño o condiciones diferentes a las evaluadas. El sesgo no se reduce únicamente a copiar prejuicios de un texto.
- Señal insuficienteLa respuesta suena segura.Comprobación útilLa afirmación coincide con una fuente que puedes consultar.
- Señal insuficienteIncluye un enlace o una cita.Comprobación útilEl enlace existe y respalda exactamente lo afirmado.
- Señal insuficienteFuncionó en un ejemplo.Comprobación útilSe evalúa con casos representativos y se documentan errores.
La revisión debe ser proporcional al impacto de un error. El marco de gestión de riesgos de IA del NIST ofrece una referencia para evaluar confiabilidad y riesgos durante el uso de sistemas.
Una prueba sencilla para comprender estos límites
Ejercicio ilustrativo, no prueba de herramienta documentada. Utiliza únicamente estas notas ficticias.
La tienda abre de lunes a viernes, de 9:00 a 18:00. Los pedidos se recogen en el local. No se ha definido el horario del sábado.
Instrucción para probar
Resume estas notas en tres puntos. Usa solo la información proporcionada. Si falta un dato, indícalo; no lo completes por suposición. Notas: la tienda abre de lunes a viernes, de 9:00 a 18:00. Los pedidos se recogen en el local. No se ha definido el horario del sábado.
Qué comprobar en la respuesta
Debe conservar días, horario y recogida en el local. No debe inventar apertura el sábado ni entregas a domicilio. Si añade cualquiera de esos datos, tienes un error verificable al compararlo con las notas.
Una instrucción clara ayuda, pero no garantiza que el modelo respete todos los límites. La revisión sigue siendo necesaria.
Preguntas frecuentes
¿Más parámetros significa una IA mejor?
No por sí solo. Importan la arquitectura, los datos, el entrenamiento y el desempeño en la tarea. La cantidad de parámetros no sustituye una evaluación.
¿La IA busca en internet cada vez que responde?
No necesariamente. Depende de las herramientas disponibles y de si se utilizan. Una respuesta puede provenir del contexto y los patrones aprendidos sin una búsqueda actual.
¿Puede recordar toda una conversación?
No debe suponerse. El contexto tiene límites y la aplicación puede resumir o seleccionar información. Si un dato es importante, comprueba que esté disponible para la tarea.
¿Necesito entrenar un modelo para empezar?
Muchas tareas pueden probarse con un modelo ya disponible, instrucciones y contexto adecuado. Entrenar o ajustar un modelo es una decisión adicional que debe justificarse.
Cómo seguir aprendiendo
Para distinguir clasificaciones y aplicaciones, continúa con tipos de inteligencia artificial. Para trabajar una tarea concreta, sigue la guía paso a paso para usar IA.
Fuentes y alcance
Esta guía enlaza documentación de IBM, el curso de aprendizaje automático de Google y el marco de riesgos del NIST junto a las explicaciones pertinentes. Los diagramas simplifican relaciones y procesos; los ejemplos son hipotéticos. No se atribuyen resultados a clientes ni se afirma haber probado una herramienta.