La relación en una frase
El machine learninges un enfoque de la IA. El deep learning es una técnica dentro del machine learning. Y la IA generativa es aquello para lo que hoy usamos esa técnica de la forma más llamativa.
Hacia fuera, cada uno es más amplio que el anterior. Hacia dentro, cada uno es más estrecho y concreto. Esa es toda la relación — lo demás son detalles.
1. Machine learning: la regla la deduce la máquina
En la programación tradicional la regla la escribes tú: «si el correo contiene la palabra premio, mándalo a spam». Funciona hasta que el spammer escribe pr3mio.
El machine learning invierte el sentido. No le das una regla, le das ejemplos: cien mil correos, cada uno etiquetado como spam o no spam. El sistema averigua por su cuenta qué distingue a unos de otros. Y no mira solo las palabras: mira el historial del remitente, la proporción de enlaces, la hora de envío, correlaciones que a ti nunca se te habría ocurrido escribir.
Nada de esto es nuevo ni misterioso. El filtro antifraude de tu banco, el recomendador de una tienda online y la previsión de demanda funcionan así, y llevan haciéndolo casi veinte años. Estos sistemas no crean nada nuevo: clasifican, predicen y recomiendan. Hoy los llamamos sistemas predictivos, y en muchas empresas siguen siendo lo que más retorno medible aporta.
2. Deep learning: muchas capas, una detrás de otra
El machine learning temprano chocaba contra un muro concreto: alguien tenía que decirle a la máquina en qué fijarse. Si querías que reconociera un gato, un especialista tenía que escribir que los gatos tienen orejas puntiagudas y bigotes, y esas características había que extraerlas aparte de la imagen. Se llamaba extracción de características, y era la mitad más difícil del trabajo.
El deep learning le pasa también ese paso a la máquina. El modelo está formado por muchas capas — a veces cientos — y las capas aprenden solas abstracciones apiladas: la primera encuentra bordes, la siguiente formas, la siguiente orejas y ojos, y la de arriba decide «esto es un gato». Nadie le dijo que las orejas importaran. Salió de los ejemplos.
Así que «deep» no significa que tenga pensamientos profundos. Significa muchas capas.
La técnica se volvió utilizable hacia 2012, y no por un avance teórico: internet había generado datos suficientes y las tarjetas gráficas se habían abaratado lo bastante. A la pregunta de por qué justo entonces responde con más detalle Qué es realmente la IA.
3. IA generativa: la que no clasifica, sino que produce
Hasta aquí todos los sistemas convertían una entrada en una decisión: spam o no spam, gato o perro, 300 o 500 unidades vendidas.
La salida de la IA generativa no es una decisión, sino contenido: una frase, una imagen, una pista de audio, un fragmento de código. Los modelos actuales manejan además varios tipos a la vez — de eso trata IA multimodal. Debajo está la misma técnica de deep learning, solo que apuntada a otra tarea: en lugar de predecir una etiqueta, predice qué viene después. En un modelo de lenguaje eso ocurre literalmente, y es de lo que trata Cómo adivina la máquina la siguiente palabra , el siguiente artículo de esta serie.
Ese cambio se hizo visible en 2022, y es lo que el lenguaje corriente llama hoy IA.
Lo que el esquema no muestra
Hay dos malentendidos que conviene decir en voz alta.
Lo generativo no es «más avanzado» que lo predictivo. Sirve para otra cosa. Si quieres saber cuántas unidades pedir el mes que viene, un modelo predictivo te da una respuesta más precisa, más barata y más explicable que cualquier chatbot. Muchas empresas no ven retorno de la IA porque eligieron la herramienta vistosa en lugar de la adecuada.
El deep learning no es el único machine learning. Sobre datos de negocio en tablas — facturación, edad del cliente, número de pedidos — los métodos de hace veinte años basados en árboles de decisión siguen ganando a menudo a las redes neuronales. Aprenden con menos datos, corren más rápido y te dejan mirar después qué motivó la decisión. En una evaluación crediticia eso último no es un detalle, es una exigencia legal.
Un ejemplo que muestra los tres
Piensa en una tienda online.
- Predictivo, no profundo: ¿qué cliente va a irse probablemente? Unas decenas de columnas y un árbol de decisión. Corre en un portátil y te dice qué tres factores pesaron.
- Profundo, no generativo: ¿a qué categoría pertenece el producto de esta foto subida? Reconocimiento de imagen, una red de muchas capas.
- Generativo: escribe la descripción del producto a partir de la foto y las características. Un modelo de lenguaje.
La misma tienda, tres tecnologías distintas. Llamar «IA» a las tres no es un error — pero querer resolver la primera con la tercera es quemar dinero.
Qué llevarte
La próxima vez que alguien hable de IA, hazte una pregunta: ¿clasifica o produce? Esa pregunta parte el campo en dos, y la respuesta te dice qué datos hace falta, cuánto cuesta y hasta dónde puedes fiarte.