IA, machine learning y deep learning: cuál es cuál

Hay tres palabras que casi todo el mundo usa como si fueran intercambiables: inteligencia artificial, machine learning y deep learning. Se dicen en la misma frase, se sustituyen una por otra sin remordimiento, y el resultado es una niebla en la que ya nadie sabe de qué se está hablando. La confusión no es tonta: las tres describen cosas reales y emparentadas. Pero no son lo mismo, y la relación entre ellas tiene una forma precisa, casi geométrica.

La forma es esta: tres círculos, uno dentro de otro. El más grande es la inteligencia artificial. Dentro de él, más pequeño, está el machine learning. Y dentro de ese, más pequeño todavía, el deep learning. Cada círculo contiene por completo al siguiente. No se solapan a medias ni compiten: se anidan. Entender ese anidamiento es entender de qué hablamos cuando hablamos de IA.

01 · el círculo grandeInteligencia artificial: la ambición, no el método

La inteligencia artificial es el círculo exterior, y es el más viejo de los tres. El término se acuñó en 1956, en un taller de verano en Dartmouth College, donde un grupo de investigadores propuso estudiar cómo hacer que las máquinas "usaran el lenguaje, formaran abstracciones y resolvieran problemas reservados a los humanos" [1]. Fíjate en la ambición del enunciado: no dice cómo. Dice qué se quiere lograr.

Esa es la clave para no perderse. La IA no es una técnica; es un objetivo. Es el nombre que le damos a cualquier intento de que una máquina haga algo que, cuando lo hace un humano, llamamos inteligente: jugar al ajedrez, traducir un texto, reconocer una cara, planificar una ruta. El cómo puede ser cualquier cosa. Durante décadas, buena parte de la IA no aprendía nada: eran reglas escritas a mano por expertos, largas listas de "si pasa esto, haz aquello". Un programa que juega a las damas siguiendo reglas fijas es inteligencia artificial, y no hay una sola línea de aprendizaje en él.

La inteligencia artificial es una meta, no una receta. Nombra lo que queremos, no la manera de conseguirlo.

02 · el círculo medianoMachine learning: cuando la máquina aprende de ejemplos

El segundo círculo, dentro del primero, es el machine learning, el aprendizaje automático. Y aquí ocurre el giro conceptual más importante de la historia reciente del campo. En lugar de escribir las reglas a mano, se le muestran a la máquina muchos ejemplos y se la deja encontrar las reglas por su cuenta.

La definición clásica es de Arthur Samuel, quien en 1959 describió el machine learning como el campo que da a las computadoras "la capacidad de aprender sin ser programadas explícitamente" [2]. No le dices al programa cómo distinguir un correo basura de uno legítimo. Le das diez mil correos ya clasificados y él ajusta sus parámetros hasta que acierta. Cambia el paradigma: de programar la solución a programar un sistema que aprende la solución.

El propio Samuel dio el ejemplo canónico: un programa que jugaba a las damas y mejoraba jugando contra sí mismo, hasta vencer a su creador. Ese programa era, a la vez, inteligencia artificial (el círculo grande) y machine learning (el mediano). Todo machine learning es inteligencia artificial. Pero no toda inteligencia artificial es machine learning: las reglas escritas a mano del capítulo anterior viven en el círculo grande y fuera del mediano.

Dentro del machine learning conviven muchas familias de métodos: árboles de decisión, regresiones, máquinas de vectores de soporte, y también las redes neuronales. Casi todos comparten una misma anatomía: datos de entrada, un modelo con parámetros ajustables, y un proceso que afina esos parámetros para reducir el error. Lo que cambia de una familia a otra es la forma del modelo y cómo se ajusta.

03 · el círculo pequeñoDeep learning: redes neuronales con muchas capas

El círculo más interno es el deep learning, el aprendizaje profundo. No es un rival del machine learning: es una parte de él. Concretamente, es el machine learning que se hace con redes neuronales de muchas capas. Ese es todo el misterio de la palabra "profundo": se refiere a la profundidad de la red, al número de capas apiladas entre la entrada y la salida.

¿Por qué la profundidad cambia algo? Porque cada capa aprende a representar el dato en un nivel de abstracción un poco más alto que la anterior. En una red que reconoce imágenes, las primeras capas detectan bordes y manchas de color; las intermedias, formas como ojos o ruedas; las últimas, objetos completos. Nadie programa esa jerarquía: emerge del entrenamiento. Como resumieron LeCun, Bengio y Hinton en su artículo de 2015, el deep learning permite que un modelo con muchas capas descubra por sí mismo las representaciones necesarias, sin que un humano diseñe a mano las características a mirar [3].

"Profundo" no es un elogio ni una metáfora: cuenta capas. Es machine learning con redes de muchas capas apiladas.

La técnica no es nueva (las redes neuronales existen desde mediados del siglo XX), pero durante décadas fueron una curiosidad marginal. Lo que cambió fue una conjunción práctica: aparecieron enormes cantidades de datos y llegó el hardware para procesarlos. El momento simbólico suele fecharse en 2012, cuando una red profunda llamada AlexNet ganó por un margen enorme una competencia de reconocimiento de imágenes y dejó claro que, con datos y cómputo suficientes, la profundidad ganaba [4]. Desde entonces, casi todo lo que asociamos con "IA moderna" (los asistentes que hablan, los generadores de imágenes, los modelos de lenguaje) vive en este círculo pequeño.

04 · el reflejoCómo saber cuál es cuál en la vida real

Con los tres círculos en la cabeza, la próxima vez que alguien mezcle los términos tienes un método rápido para ordenarlos. Hazte tres preguntas, de afuera hacia adentro.

¿Intenta hacer algo que llamaríamos inteligente? Si sí, es inteligencia artificial. Con eso basta para el círculo grande; no distingue casi nada, pero ubica el terreno.

¿Aprende de datos, o sigue reglas que alguien escribió? Si aprende de ejemplos y ajusta sus parámetros solo, entraste al círculo mediano: es machine learning. Si en cambio ejecuta reglas fijas escritas por una persona, se queda en el círculo grande y fuera del mediano.

¿Ese aprendizaje usa redes neuronales de muchas capas? Si sí, llegaste al círculo pequeño: es deep learning. Si aprende, pero con árboles, regresiones u otros métodos sin capas profundas, es machine learning que no es deep learning.

Nada de esto exige saber matemáticas ni programar. Exige recordar la forma: tres círculos, uno dentro de otro, del más ambicioso y antiguo al más específico y reciente. La inteligencia artificial es la pregunta: ¿puede una máquina hacer esto? El machine learning es una respuesta: que aprenda de ejemplos. Y el deep learning es la versión de esa respuesta que, por ahora, mejor funciona cuando hay datos y cómputo de sobra: apilar capas y dejar que la máquina descubra sola en qué fijarse.