Nivel : Principiante
IA, machine learning y deep learning: ¿en qué se diferencian?
Por La redacción de Info Agent IA ·
La inteligencia artificial es el gran campo, el machine learning es una forma de alcanzarla aprendiendo a partir de ejemplos, y el deep learning es una técnica de machine learning basada en redes neuronales con muchas capas. Las tres encajan como muñecas rusas: todo el deep learning es machine learning y todo el machine learning es IA, pero no al revés.
La respuesta corta: tres círculos, uno dentro de otro
Imagine tres círculos. El más grande es la IA. Dentro, un círculo más pequeño: el machine learning, o aprendizaje automático. En el centro, el más pequeño: el deep learning, o aprendizaje profundo.
Esta imagen basta para seguir la mayoría de los artículos sobre el tema. Cuando se habla de ChatGPT, de transcripción de voz o de generación de imágenes, se habla del círculo central. Cuando se habla de un viejo programa de ajedrez o de un software que aplica reglas escritas a mano, estamos en el círculo grande, sin entrar en los otros dos.
Si está empezando, la guía para entender la inteligencia artificial ofrece el marco general. Aquí nos centramos en lo que distingue a los tres conceptos.
La inteligencia artificial: el objetivo
La inteligencia artificial agrupa las técnicas que permiten a una máquina realizar tareas que asociamos con la inteligencia humana: entender una frase, reconocer un rostro, jugar, planificar, redactar.
La expresión aparece en una propuesta de investigación fechada el 31 de agosto de 1955 y firmada por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon. Anunciaba el taller de Dartmouth del verano de 1956, considerado el acta de nacimiento de la disciplina.
Un punto clave: «IA» no dice nada del método. Durante décadas, gran parte de la IA se basaba en reglas escritas por personas. Los «sistemas expertos» de los años 80, por ejemplo, encadenaban miles de instrucciones del tipo «si aparece tal síntoma, entonces tal hipótesis». Eso es IA, pero no machine learning: la máquina no aprende nada, solo aplica.
El machine learning: aprender con ejemplos
El machine learning invierte la lógica. En lugar de escribir todas las reglas, se le muestra al programa una gran cantidad de ejemplos ya clasificados, y él mismo descubre las pistas útiles.
El ejemplo clásico es el filtro de correo no deseado. Escribir a mano todas las reglas de un correo basura es imposible. Así que se le dan correos marcados como «spam» o «no spam». Esos ejemplos son los datos de entrenamiento. A partir de ellos, el programa obtiene un modelo, capaz de clasificar correos que nunca ha visto.
La idea viene de lejos: en 1959, Arthur Samuel, investigador de IBM, publicó un artículo sobre un programa de damas que mejoraba jugando, y empleó la expresión «machine learning». Hoy el machine learning sirve para detectar un fraude con tarjeta, prever la demanda eléctrica o recomendarle una serie.
El deep learning: redes neuronales en capas
El deep learning es una familia de técnicas de machine learning. Su particularidad: utiliza redes neuronales artificiales apiladas en muchas capas. «Profundo» describe ese apilamiento, no una reflexión profunda.
En una foto, las primeras capas detectan bordes, las siguientes formas y luego objetos completos. Nadie escribe esos pasos: la red los descubre a partir de los ejemplos. Es la gran diferencia con el machine learning clásico, en el que las personas suelen elegir de antemano qué características observar (el importe de un pago, la hora, el país).
Las bases son antiguas: el primer modelo matemático de una neurona artificial data de 1943. El salto llega en 2012, cuando el equipo de Geoffrey Hinton gana con claridad la competición de reconocimiento de imágenes ImageNet. Faltaban dos ingredientes: grandes cantidades de datos digitales y chips de cálculo adecuados, las GPU, nacidas para los videojuegos.
La tabla comparativa
| Inteligencia artificial | Machine learning | Deep learning | |
|---|---|---|---|
| En una frase | El campo: que una máquina realice tareas «inteligentes» | Un método: aprender a partir de ejemplos | Una técnica de machine learning basada en redes neuronales profundas |
| Referencia histórica | Propuesta de Dartmouth, 1955 | Artículo de Arthur Samuel, 1959 | Neurona artificial en 1943, despegue en 2012 |
| ¿Quién fija las reglas? | Personas o datos, según el enfoque | Los datos, a partir de pistas a menudo elegidas por personas | Los datos, incluida la elección de las pistas |
| Datos necesarios | Variable, a veces ninguno | De moderados a muchos | Muchísimos |
| Potencia de cálculo | Variable | Moderada | Muy alta, a menudo con GPU |
| Explicabilidad | Buena con reglas escritas | A menudo aceptable | Difícil |
| Ejemplo cotidiano | GPS que calcula una ruta | Filtro de spam, alerta de fraude | Asistente de IA, dictado por voz, fotos agrupadas por rostro |
Esta tabla describe tendencias generales, no leyes. Algunos modelos de machine learning clásico son difíciles de explicar, y algunas redes neuronales son pequeñas.
¿Y dónde encajan ChatGPT, la IA generativa y los LLM?
Todos estos términos están dentro del círculo más pequeño. Un gran modelo de lenguaje, o LLM, es una red neuronal profunda entrenada con enormes cantidades de texto para predecir cómo continúa un texto. Casi todos se basan en la arquitectura Transformer, presentada por investigadores de Google en 2017.
ChatGPT es un asistente construido sobre este tipo de modelo. Por tanto es IA, machine learning, deep learning y, más precisamente, IA generativa, porque produce contenido nuevo. Para profundizar, lea qué es un LLM y cómo funciona ChatGPT, explicados sin jerga.
Póngase a prueba Un programa para la declaración de la renta que aplica la escala oficial, línea por línea, ¿hace machine learning?
No. Aplica reglas escritas por personas y no aprende nada a partir de ejemplos. Según la definición que se adopte, puede considerarse informática clásica o IA basada en reglas, pero no machine learning ni deep learning.
Tres confusiones frecuentes
«Todo lo inteligente es deep learning.» No. El cálculo de rutas de un GPS, por ejemplo, se basa en algoritmos de búsqueda de caminos conocidos desde hace décadas, no en el aprendizaje.
«El machine learning aprende solo, sin personas.» Son personas quienes eligen los datos y el objetivo, y quienes verifican el resultado. El aprendizaje es automático; el diseño, no.
«Una IA que aprende sigue aprendiendo mientras la uso.» Por lo general, no. Un modelo se entrena y luego se congela antes de ponerlo a disposición del público. Sus conversaciones pueden servir para una versión futura si no lo ha desactivado en los ajustes.
¿Qué concepto le interesa según su perfil?
- Usa ChatGPT, Gemini o Claude a diario: quédese sobre todo con el deep learning y los LLM. Explican por qué las respuestas son fluidas pero no siempre exactas. Lea también qué abarca la IA generativa.
- Trabaja con tablas de cifras (ventas, existencias, finanzas): el machine learning clásico suele ser el mejor punto de partida, porque necesita menos datos y es más fácil de explicar.
- Sigue los debates públicos sobre la IA: conserve la definición amplia. El Reglamento europeo de IA, por ejemplo, se aplica a los «sistemas de IA» en sentido amplio, no solo al deep learning.
Para situar estas etapas en el tiempo o comprobar lo que ha aprendido, estas herramientas gratuitas pueden ayudarle, entre ellas la cronología interactiva de la IA.
Preguntas frecuentes
¿El machine learning y la inteligencia artificial son lo mismo?
No. La inteligencia artificial es el gran campo que busca que una máquina realice tareas consideradas inteligentes. El machine learning, o aprendizaje automático, es un método para lograrlo aprendiendo a partir de ejemplos. Hoy es el método dominante, pero no el único.
¿ChatGPT es machine learning o deep learning?
Las dos cosas, porque el deep learning forma parte del machine learning. ChatGPT funciona con un gran modelo de lenguaje, una red neuronal profunda de tipo Transformer entrenada con enormes cantidades de texto. Es deep learning y, por tanto, también machine learning e IA.
¿Hace falta saber programar para entender estos conceptos?
No. Basta con recordar cómo encajan: la IA es el objetivo, el machine learning una forma de aprender y el deep learning una técnica de machine learning basada en redes neuronales. Programar solo resulta útil si quiere crear sus propios modelos.
¿El deep learning ha sustituido a los demás métodos?
No del todo. Domina en lenguaje, imagen y voz. Para tablas de cifras, como historiales de ventas o de pagos, se siguen usando mucho métodos de machine learning más clásicos, porque necesitan menos datos y menos cálculo.