El boom de la inteligencia artificial generativa trajo consigo, como suele ocurrir con las nuevas tecnologías, un sinfín de nuevos términos y expresiones. Entenderlos no solo nos ayuda a comprender mejor la tecnología que estamos usando, sino que también nos ayuda a comunicarnos con mayor claridad cuando hablamos o escribimos al respecto.

Los conceptos sobre los que vamos a hablar aquí —inteligencia artificial (IA), machine learning (ML) y deep learning (DL)— son términos que no pueden faltar en un glosario básico de inteligencia artificial y por eso es necesario entenderlos. Muchas veces se usan como sinónimos y esto es porque, en algunos contextos, pueden serlo, ya que algunos engloban a otros. Sin embargo, manejan distintos niveles de especificidad y esto nos obliga a ser precisos sobre el tipo de tecnología al que nos referimos. A tal fin, desarmemos juntos esta matrioshka de términos técnicos.

Inteligencia artificial (IA)

La inteligencia artificial es el más abarcador de los tres conceptos que aquí nos competen. Manteniéndonos dentro de nuestra analogía, la IA podría considerarse la matrioshka madre, aunque también podríamos colocarla dentro de una muñeca aún más grande: la de las ciencias de la computación.

Es que la inteligencia artificial es una rama dentro de las ciencias de la computación formalizada en la década de 1950 que busca generar sistemas que desarrollen tareas asociadas a la inteligencia humana. Esto puede incluir acciones como planificar, aprender, razonar, resolver problemas, crear (textos, imágenes, videos y más), etc.

De allí surge un amplio abanico de posibilidades. Sí, los modelos generativos que tan de boga están actualmente (aquellos como ChatGPT, Gemini o Claude) son ejemplos de inteligencia artificial, pero también lo son otros chatbots que hoy en día consideraríamos más primitivos o incluso bobos. Me refiero al tipo de chatbot que aún se encuentra en los sitios web de muchos comercios, chatbots que siguen una serie de reglas predeterminadas, con respuestas mucho más restringidas de las que puede tener una IA moderna.

Ambos tipos de chatbots son tipos de inteligencia artificial, pero, como veremos a continuación, solo los modelos como ChatGPT, Gemini o Claude son ejemplos de machine learning.

Machine Learning (ML)

De los párrafos anteriores se desprende que cuando abrimos la gran matrioshka de la inteligencia artificial, podemos encontrarnos con diferentes muñecas. Una de ellas, es decir, uno de los subgrupos de inteligencia artificial, es lo que en inglés¹ se llama machine learning (ML).

Los sistemas que usan machine learning buscan actuar con inteligencia equiparable a la humana sin reglas explícitamente codificadas. Lo hacen mediante algoritmos que procesan datos para entender patrones y así tomar decisiones inteligentes. Su aprendizaje se centra en ejemplos en lugar de reglas explícitas. Mientras que sistemas de IA como los chatbots primitivos que discutimos anteriormente usan datos y reglas para llegar a una respuesta final, los algoritmos de machine learning parten de datos y respuestas y derivan reglas.

Un ejemplo de machine learning con el que seguro has interactuado son los filtros de spam en muchos servicios de correo electrónico. Estos suelen utilizar cálculos estadísticos y de probabilidad para detectar rápidamente qué correos deberían derivarse a la carpeta de spam según información como el contenido o emisor del mail. Es el algoritmo de machine learning el que decide qué reglas determinarán el destino de tus correos² y, no necesariamente lo hace con base en reglas explicitadas en su código.

Deep Learning (DL)

En el corazón de la matrioshka que estamos desarmando hoy, se encuentra el más específico de los tres términos, deep learning³, que es un subgrupo de machine learning.

Al ser un término contenido en los dos anteriores, podemos deducir que las técnicas de deep learning buscan simular la inteligencia humana (como toda IA) y que lo hacen aprendiendo de ejemplos y no de reglas (por ser un tipo de ML). Lo que lo diferencia de otras categorías de machine learning es que utiliza varias capas de procesamiento llamadas redes neuronales inspiradas en la estructura del cerebro humano. El uso de múltiples capas significa que el sistema procesa los datos muchas más veces que un sistema de machine learning «normal», de allí el nombre de aprendizaje profundo. Estos niveles adicionales de procesamiento permiten a los modelos aprender de datos no estructurados, como imágenes o videos y mejora la calidad de sus respuestas.

Los casos de chatbots de inteligencia artificial generativa que mencionamos anteriormente, como ChatGPT, Gemini y Claude, son también ejemplos de deep learning. Como tales, se alimentan de cantidades extraordinarias de datos que les permiten reconocer patrones y realizar predicciones para tomar decisiones inteligentes.

En resumen, así queda nuestra matrioshka

• La inteligencia artificial es una rama de las ciencias de la computación que construye sistemas capaces de simular la inteligencia humana.
• Machine learning es un tipo de inteligencia artificial que aprende a partir de ejemplos, detectando patrones y deduciendo reglas, en lugar de funcionar exclusivamente con base en reglas predeterminadas.
• Deep learning, por último, es un subtipo de machine learning que usa varias capas de redes neuronales que imitan el funcionamiento del cerebro humano para procesar grandes cantidades de datos y tomar decisiones inteligentes.

Se trata de tres términos estrechamente relacionados, pero también con fuertes diferencias. Si alguna ves olvidás cuál es cuál, espero la imagen de la matrioshka te ayude a recordarlos.

---

1. En español, la RAE aconseja el uso del término «aprendizaje automático», aunque es más común el préstamo machine learning del inglés. ↩︎
2. Cabe aclarar que los filtros de spam pueden funcionar sin deep learning, pero hoy en día se está utilizando cada vez más esta técnica, incluso en aplicaciones que utilizan otras, así que es probable que tu filtro de spam actual en plataformas como GMail use algo de deep learning. ↩︎
3. Como sucede con machine learning, también se recomienda el uso de un término español para deep learning: «aprendizaje profundo». Sin embargo, como también sucede con machine learning, está más generalizado el uso del término en inglés que su traducción al español. ↩︎