Fundamentos de IA y ML: Conceptos y Terminología
En este artículo encontrarás los fundamentos que necesitas dominar para prepararte para la certificación AWS AI Practitioner (AIF-C01). Este es el primer artículo de una serie en la que compartiremos los temas clave del examen, explicados de forma sencilla para ayudarte a comprenderlos, recordarlos y aplicarlos con confianza. Ya sea que estés preparando tu certificación o simplemente quieras fortalecer tus conocimientos sobre Inteligencia Artificial en AWS, esta serie será una excelente guía de estudio.
Series: Reto de Certificación AI Practitioner (9 articles)
- 1Fundamentos de IA y ML: Conceptos y Terminología This article
Jerarquía de la Inteligencia Artificial
Guarda esta imagen, porque será tu mejor aliada durante toda tu preparación para la certificación.
Aunque a menudo se utilizan como si fueran sinónimos, estos cinco términos representan conceptos diferentes. En realidad, forman una jerarquía de capacidades: cada capa se construye sobre la anterior, heredando sus características y añadiendo nuevas capacidades.
Ahora analicemos cada uno de ellos para entender qué los diferencia y cómo se relacionan entre sí.
Inteligencia Artificial (IA)
La Inteligencia Artificial es una disciplina de la informática cuyo objetivo es desarrollar sistemas capaces de realizar tareas que tradicionalmente requieren inteligencia humana, como:
- Percibir información del entorno.
- Comprender lenguaje natural.
- Razonar y resolver problemas.
- Planificar acciones.
- Tomar decisiones.
La IA es un término paraguas, ya que engloba diferentes enfoques y tecnologías, entre ellas Machine Learning, Deep Learning, Generative AI y Agentic AI.
Es importante destacar que no toda la Inteligencia Artificial aprende a partir de datos. Antes del auge del aprendizaje automático, muchos sistemas de IA se construían mediante reglas definidas explícitamente por expertos (por ejemplo, sistemas basados en lógica if-then). Estos sistemas también son considerados IA.
El término Artificial Intelligence fue acuñado formalmente en 1956, durante la Conferencia de Dartmouth, organizada por investigadores como John McCarthy y Marvin Minsky. Sin embargo, sus fundamentos matemáticos se apoyan en trabajos anteriores de investigadores como Alan Turing y Warren McCulloch junto con Walter Pitts.
Machine Learning (ML)
Machine Learning es un subcampo de la Inteligencia Artificial en el que los sistemas aprenden patrones a partir de datos de entrenamiento para realizar predicciones o tomar decisiones, sin que cada regla tenga que ser programada explícitamente.
Una forma sencilla de recordarlo es pensar que todo modelo de Machine Learning pasa por dos fases principales:
- Entrenamiento (training): el modelo aprende a partir de datos históricos y ajusta sus parámetros para reducir el error en sus predicciones.
- Inferencia (inference): el modelo ya entrenado utiliza lo aprendido para realizar predicciones sobre datos nuevos.
El ecosistema de Machine Learning incluye una amplia variedad de algoritmos, desde modelos tradicionales como la regresión lineal, los árboles de decisión y los bosques aleatorios, hasta redes neuronales.
Deep Learning (DL)
Deep Learning es un subcampo del Machine Learning basado en redes neuronales artificiales compuestas por múltiples capas, conocidas como capas ocultas (no son la entrada ni la salida). Cada una de estas capas aprende representaciones cada vez más complejas de los datos de entrada, permitiendo al modelo identificar patrones de alto nivel.
Durante el entrenamiento, la red ajusta automáticamente millones o incluso miles de millones de parámetros para mejorar sus predicciones y reducir el error. Gracias a esta capacidad, los modelos de Deep Learning pueden abordar tareas complejas como el reconocimiento de imágenes, el procesamiento del lenguaje natural, el reconocimiento de voz y la generación de contenido.
Entre las arquitecturas clave se encuentran las redes neuronales convolucionales (CNN), las redes recurrentes (RNN) y los Transformers, que son la arquitectura base de los modelos de lenguaje actuales (LLMs).
Inteligencia Artificial Generativa (GenAI)
Generative AI (GenAI) hace referencia a modelos de Inteligencia Artificial diseñados para generar contenido nuevo a partir de los patrones aprendidos durante su entrenamiento.
La mayoría de los modelos generativos modernos están basados en arquitecturas avanzadas como:
- Transformers: arquitectura utilizada principalmente para modelos de lenguaje de gran escala (Large Language Models o LLMs).
- Modelos de difusión (Diffusion Models): utilizados principalmente para generación de imágenes y otros tipos de contenido multimedia.
Los Large Language Models (LLMs) generan texto prediciendo la siguiente unidad de información, conocida como token, basándose en el contexto proporcionado anteriormente. Un token puede representar una palabra completa, una parte de una palabra o caracteres, dependiendo del modelo.
Por otro lado, los modelos de difusión aprenden a generar imágenes mediante un proceso en el que aprenden a eliminar gradualmente ruido agregado a los datos originales hasta producir una imagen coherente.
Agentic AI (IA Agéntica)
Agentic AI hace referencia a sistemas que utilizan un modelo generativo, generalmente un Large Language Model (LLM), como motor central para interpretar objetivos, planificar acciones y coordinar tareas.
A diferencia de un chatbot tradicional, que normalmente responde una pregunta basándose únicamente en la conversación actual, un agente de IA puede ejecutar un flujo de trabajo completo mediante un ciclo iterativo:
- Percepción (Perception): interpreta la solicitud del usuario y analiza el contexto disponible.
- Planificación (Planning): determina los pasos necesarios para alcanzar un objetivo.
- Acción (Action): utiliza herramientas externas para ejecutar tareas.
- Evaluación (Reflection/Evaluation): revisa los resultados obtenidos y decide los siguientes pasos.
Tipos de Aprendizaje
Una de las formas más importantes de clasificar los algoritmos de Machine Learning es según el tipo de información disponible durante el entrenamiento.
La diferencia principal está en cómo aprende el modelo:
- Si conocemos la respuesta correcta para cada ejemplo → 🏷️ Aprendizaje supervisado (Supervised Learning)
- Si no conocemos las respuestas y buscamos patrones ocultos en los datos → 🔎 Aprendizaje no supervisado (Unsupervised Learning)
- Si el modelo aprende tomando acciones y recibiendo recompensas o penalizaciones → 🎮 Aprendizaje por refuerzo (Reinforcement Learning)
Tipos de Datos
Los datos utilizados en Inteligencia Artificial pueden clasificarse principalmente por dos características: si tienen una respuesta conocida y cómo están organizados.
| Tipo de dato | Descripción | Ejemplo |
|---|---|---|
| 🏷️ Etiquetados (Labeled Data) | Incluyen una respuesta conocida que sirve para entrenar al modelo. | Imágenes clasificadas como "gato" o "perro". |
| 🔍 No etiquetados (Unlabeled Data) | No tienen una respuesta definida; el modelo busca patrones por sí mismo. | Agrupar clientes según hábitos de compra. |
| 📋 Estructurados (Structured Data) | Tienen un formato organizado, normalmente filas y columnas. | Bases de datos, tablas de clientes, transacciones. |
| 📄 No estructurados (Unstructured Data) | No tienen un formato predefinido. | Texto, imágenes, audio y video. |
Los datos etiquetados se relacionan principalmente con aprendizaje supervisado, mientras que los datos no etiquetados se utilizan frecuentemente en aprendizaje no supervisado.
También es importante entender que estas clasificaciones se pueden combinar. Un dato puede se estructurado y etiquetado, por ejemplo una imagen puede ser no estructurada y etiquetada si sabemos qué objeto aparece en ella.
Tipos de Inferencia
La inferencia es el momento en el que un modelo de Machine Learning, después de haber sido entrenado, utiliza lo aprendido para generar una predicción sobre datos nuevos.
La diferencia entre los distintos enfoques de inferencia no está en el modelo, sino en dónde y cómo se ejecuta.
La elección depende principalmente de tres factores:
- 💰 Costo: cuánto queremos invertir en infraestructura.
- ⚡ Velocidad: qué tan rápido necesitamos obtener una respuesta.
- 📈 Volumen: cuántas predicciones necesitamos procesar.
| Tipo de inferencia | Descripción | Cuándo utilizarla |
|---|---|---|
| 📦 Batch | Procesa grandes cantidades de datos en grupos o lotes. | Cuando no se necesita una respuesta inmediata, como análisis nocturnos o reportes. |
| ⚡ Tiempo real | Genera predicciones inmediatamente cuando recibe una solicitud. | Cuando se necesita una respuesta rápida, como recomendaciones o detección de fraude. |
| ⏳Asíncrona | Procesa solicitudes que pueden tardar más tiempo y devuelve el resultado cuando está disponible. | Cuando las predicciones son pesadas o los archivos son grandes, pero no requieren respuesta instantánea. |
| ☁️ Serverless | Ejecuta predicciones sin administrar servidores directamente. | Aplicaciones con tráfico variable, prototipos, APIs de IA con pocos o muchos usuarios dependiendo del momento. |
✨ Mantente al día con todas las novedades
AWS Tech Girls
Series: Reto de Certificación AI Practitioner (9 articles)
- 1Fundamentos de IA y ML: Conceptos y Terminología This article
Enjoyed reading this content? Let the author know!
Your likes, comments, shares, and saves help creators reach more builders.
Loading recommendations
Loading article