1.1.2 Los Tres Paradigmas de Aprendizaje

La IA no «aprende» de una sola manera. Según los datos disponibles y el tipo de retroalimentación que recibe, opera bajo tres paradigmas:

Aprendizaje Supervisado

Se entrena con datos etiquetados (pares entrada-salida). Es como enseñar con un maestro que corrige cada ejercicio. Ejemplo: mostrar miles de imágenes de tumores etiquetados como «maligno» o «benigno» para que el sistema aprenda a clasificarlos.

• Aplicaciones: detección de spam, reconocimiento facial, diagnóstico médico.
• Requisito clave: datos etiquetados en cantidad suficiente.

Aprendizaje No Supervisado

El sistema identifica patrones en datos sin etiquetas. Como un investigador que agrupa documentos similares sin saber de antemano las categorías. El sistema «descubre» la estructura oculta.

• Aplicaciones: segmentación de clientes, detección de fraude, análisis de tendencias.
• Requisito clave: grandes volúmenes de datos no estructurados.

Aprendizaje por Refuerzo (RL) y RLHF

El agente aprende por prueba y error: recibe recompensas cuando acierta y penalizaciones cuando falla. AlphaGo (DeepMind) derrotó al campeón mundial de Go usando este método. El variante RLHF (Refuerzo con Retroalimentación Humana) es la técnica que hace que ChatGPT y Claude respondan de forma útil y segura.