Tipos de IA y aprendizaje automático Básico¶
"IA" es un paraguas enorme. Saber situar cada técnica evita dos errores caros: usar un LLM donde bastaba una regresión, y usar reglas donde hacía falta aprendizaje.
flowchart TB
IA[Inteligencia artificial] --> SIM[IA simbólica<br/>reglas, lógica, búsqueda]
IA --> ML[Aprendizaje automático<br/>aprender de datos]
ML --> CL[ML clásico<br/>árboles, regresión, SVM, clustering]
ML --> DL[Deep learning<br/>redes neuronales profundas]
DL --> GEN[IA generativa]
GEN --> LLM[LLMs]
GEN --> DIF[Difusión<br/>imagen, vídeo, audio]Por capacidad¶
| Tipo | Qué es | Estado |
|---|---|---|
| IA estrecha (ANI) | Resuelve tareas concretas (traducir, clasificar, programar) | Toda la IA actual, incluidos los LLMs, aunque cada vez más general |
| IA general (AGI) | Rendimiento humano o superior en prácticamente cualquier tarea cognitiva | Objetivo declarado de varios laboratorios; sin definición ni fecha consensuadas |
| Superinteligencia (ASI) | Supera ampliamente a los humanos en todo | Hipotética; motiva la investigación en seguridad y alineamiento |
Por enfoque¶
| Enfoque | Cómo funciona | Pros | Contras | Ejemplos |
|---|---|---|---|---|
| Simbólica | Reglas y conocimiento explícitos, lógica, búsqueda | Explicable, determinista, sin datos de entrenamiento | No escala a problemas difusos (visión, lenguaje) | Motores de reglas, sistemas expertos, planificadores, solvers |
| Estadística / ML | Aprende patrones a partir de datos | Maneja ruido y complejidad | Necesita datos; menos explicable | Detección de fraude, recomendadores, LLMs |
| Neuro-simbólica | Combina redes neuronales con razonamiento simbólico | Lo mejor de ambos | Complejidad | Un LLM que usa un solver o ejecuta código como herramienta |
Regla práctica
Si puedes escribir la regla, escríbela (más barata, rápida y auditable). Usa ML cuando la regla es desconocida o demasiado compleja, y un LLM cuando el problema es de lenguaje, conocimiento general o razonamiento abierto.
Paradigmas de aprendizaje¶
| Paradigma | Datos | Tareas | Ejemplo |
|---|---|---|---|
| Supervisado | Ejemplos etiquetados (entrada → salida correcta) | Clasificación, regresión | ¿Este nodo edge fallará en 24 h? |
| No supervisado | Sin etiquetas | Clustering, reducción de dimensionalidad, anomalías | Agrupar sitios por patrón de uso |
| Autosupervisado | Las etiquetas salen de los propios datos (predecir la palabra siguiente o la parte oculta) | Preentrenamiento de grandes modelos | Así se preentrenan los LLMs |
| Por refuerzo (RL) | Recompensas por acciones en un entorno | Control, juegos, alineamiento de LLMs | AlphaGo; RLHF; entrenar razonamiento |
ML clásico: algoritmos que siguen mandando¶
| Algoritmo | Tipo | Cuándo |
|---|---|---|
| Regresión lineal / logística | Supervisado | Línea base interpretable |
| Árboles de decisión | Supervisado | Reglas legibles |
| Random forest / gradient boosting (XGBoost, LightGBM) | Supervisado | Datos tabulares: suelen ganar a las redes neuronales |
| k-NN | Supervisado | Similitud simple |
| SVM | Supervisado | Conjuntos medianos, fronteras claras |
| k-means, DBSCAN | No supervisado | Segmentación |
| PCA, UMAP | No supervisado | Reducir dimensiones, visualizar |
| Isolation Forest | No supervisado | Detección de anomalías (telemetría) |
# Predicción de fallo de nodos edge a partir de telemetría (scikit-learn)
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
X = df[["cpu_p95", "mem_p95", "disk_errors", "reboots_7d", "temp_max"]]
y = df["failed_next_24h"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42)
model = GradientBoostingClassifier().fit(X_train, y_train)
print(classification_report(y_test, model.predict(X_test))) # precision, recall, F1 por clase
Conceptos que hay que dominar¶
- Entrenamiento / validación / test: el test solo se usa al final; si lo miras para ajustar, deja de medir nada.
- Overfitting (memoriza el entrenamiento) vs. underfitting (demasiado simple). Remedios: más datos, regularización, validación cruzada.
- Métricas: accuracy engaña con clases desbalanceadas → precision (de lo que marqué, cuánto era cierto), recall (de lo cierto, cuánto marqué), F1, AUC-ROC; en regresión, MAE/RMSE.
- Data leakage: información del futuro o de la etiqueta que se cuela en las variables → resultados irreales.
- MLOps: versionado de datos y modelos, feature stores, despliegue, monitorización de deriva (data/model drift).
Deep learning: arquitecturas¶
| Arquitectura | Idea | Uso típico |
|---|---|---|
| MLP (perceptrón multicapa) | Capas densas | Bloque básico |
| CNN (convolucionales) | Filtros que detectan patrones locales | Visión artificial |
| RNN / LSTM | Procesan secuencias paso a paso | Series temporales (hoy, a menudo sustituidas por transformers) |
| Transformer | Atención: cada elemento mira a todos los demás en paralelo | LLMs, visión, audio, casi todo |
| Mixture of Experts (MoE) | Solo se activa una parte de la red por token | LLMs grandes con menor coste de inferencia |
| Modelos de difusión | Aprenden a quitar ruido paso a paso | Generación de imagen, vídeo, audio |
| GAN | Generador contra discriminador | Generación de imagen (antes de la difusión) |
| Autoencoders / VAE | Comprimen y reconstruyen | Anomalías, representaciones latentes |
| GNN | Redes sobre grafos | Moléculas, redes sociales, topologías |
| State Space Models (Mamba) | Secuencias largas en tiempo lineal | Alternativa o complemento a la atención |
Discriminativa vs. generativa¶
| Discriminativa | Generativa | |
|---|---|---|
| Aprende | La frontera entre clases: P(y | x) | La distribución de los datos: puede crear nuevos |
| Salida | Etiqueta, número, puntuación | Texto, imagen, código, audio… |
| Ejemplos | Clasificador de spam, detector de anomalías | LLMs, difusión |
Tipos de modelos generativos actuales¶
| Tipo | Qué hace |
|---|---|
| LLM | Genera texto (y código) prediciendo el siguiente token → Cómo funcionan |
| Modelo de razonamiento | LLM entrenado para "pensar" antes de responder; mejor en matemáticas, código y planificación |
| Multimodal (VLM) | Entiende imagen, audio o vídeo además de texto |
| SLM (modelo pequeño) | Pocos miles de millones de parámetros; se ejecuta en portátiles, móviles o edge |
| Modelo de embeddings | Convierte texto o imágenes en vectores para búsqueda semántica → RAG |
| Difusión | Imagen, vídeo y audio a partir de texto |
| VLA (vision-language-action) | Percibe, entiende instrucciones y actúa: robótica |
World models y JEPA¶
Una línea de investigación que cuestiona que predecir texto baste para llegar a una inteligencia general.
- World model: un modelo interno de cómo funciona el mundo que permite predecir las consecuencias de las acciones y planificar. Ejemplos: modelos que generan entornos interactivos (Genie de Google DeepMind), simuladores para robótica y conducción.
- JEPA (Joint-Embedding Predictive Architecture), propuesta por Yann LeCun (2022): en lugar de predecir cada píxel o token (generativo), predice la representación abstracta de la parte que falta. Así ignora detalles impredecibles y aprende lo esencial. Variantes: I-JEPA (imágenes), V-JEPA y V-JEPA 2 (vídeo, con aplicación en robótica).
- LeCun sostiene que los LLMs autoregresivos no bastan para razonar y planificar como los humanos; a finales de 2025 anunció su salida de Meta para centrarse en este enfoque. Es un debate abierto, no una conclusión.
| LLM autoregresivo | JEPA / world model | |
|---|---|---|
| Predice | El siguiente token | Representaciones abstractas del estado del mundo |
| Aprende principalmente de | Texto (y multimodal) | Vídeo, interacción, sensores |
| Punto fuerte | Lenguaje, conocimiento, código | Física intuitiva, planificación, robótica |
Preguntas de repaso¶
¿Por qué el gradient boosting suele ganar a las redes neuronales en datos tabulares?
Los datos tabulares tienen variables heterogéneas y poco estructura espacial o secuencial que una red pueda explotar; los árboles manejan bien escalas distintas, valores ausentes e interacciones con menos datos y ajuste.
Un clasificador de fallos tiene 99 % de accuracy. ¿Es bueno?
No se sabe: si solo el 1 % de los nodos falla, un modelo que siempre dice "no falla" también tiene 99 %. Hay que mirar precision, recall y la matriz de confusión.
¿Qué tipo de aprendizaje se usa para preentrenar un LLM?
Autosupervisado: predecir el siguiente token sobre enormes cantidades de texto. Después se ajusta con ejemplos supervisados y con aprendizaje por refuerzo (feedback humano o de IA, y recompensas verificables).
¿Qué diferencia a JEPA de un modelo generativo?
El generativo reconstruye la entrada (píxeles, tokens); JEPA predice solo la representación abstracta de la parte que falta, sin tener que modelar detalles impredecibles.
Ejercicios¶
Ejercicio 1 · Básico — ¿Reglas, ML o LLM?
Elige el enfoque para: (a) rechazar manifiestos con la etiqueta :latest; (b) predecir qué nodos fallarán mañana a
partir de su telemetría; (c) resumir para un operador un log de 2 000 líneas; (d) clasificar tickets de soporte en 5
categorías con 50 000 ejemplos etiquetados.
Solución
(a) Reglas: la condición es exacta y conocida (una política de Kyverno/Conftest). (b) ML clásico supervisado (gradient boosting sobre variables de telemetría). (c) LLM: lenguaje y resumen de texto libre. (d) Depende de coste y volumen: un clasificador ML entrenado con los 50 000 ejemplos (barato y rápido en producción), o un LLM con ejemplos (few-shot) si hay pocos datos o las categorías cambian a menudo; un modelo de decisión tipada como Jev también encaja.
Ejercicio 2 · Medio — Interpretar métricas
Un modelo de detección de fallos da: 100 fallos reales en el conjunto de prueba; el modelo marca 150 nodos, de los que 80 fallan de verdad. Calcula precision, recall y F1. ¿Es bueno?
Solución
Precision = 80 / 150 = 53 % (de lo que marca, algo más de la mitad es cierto). Recall = 80 / 100 = 80 % (detecta 8 de cada 10 fallos). F1 = 2 × 0,53 × 0,80 / (0,53 + 0,80) ≈ 0,64. Depende del coste de cada error: si una revisión preventiva es barata y un fallo muy caro, un recall alto con precision moderada puede ser aceptable; si cada alerta moviliza a un técnico, hay que subir la precision (ajustar el umbral de decisión).
Ejercicio 3 · Avanzado — Detectar data leakage
Un modelo predice con 99 % de acierto si un despliegue fallará. Entre sus variables está rollback_count (número de
rollbacks del despliegue). ¿Qué problema hay?
Solución
Data leakage: rollback_count solo se conoce después de que el despliegue haya fallado; el modelo "hace
trampa" usando información del futuro. En producción, al predecir antes del despliegue, esa variable vale 0 y el
modelo no sirve. Regla: cada variable debe estar disponible en el momento de la predicción. Revisar todas las
variables con esa pregunta y validar con una separación temporal (entrenar con el pasado, probar con el futuro).