Conceptos Fundamentales de IA y ML

Explica IA vs ML vs DL, tipos de aprendizaje, entrenamiento vs inferencia y conceptos de IA generativa con analogías accesibles.

IA vs ML vs DL — ¿Cuál es la diferencia?

Imagina muñecas rusas anidadas:

Muñeca grande = IA: cualquier sistema que imita la inteligencia humana Muñeca media = ML: aprende patrones de los datos Muñeca pequeña = DL: redes neuronales con múltiples capas

!IA contiene ML contiene DL, una jerarquía anidada

Conceptos clave

IA (Inteligencia Artificial)

Cualquier técnica que permite a los computadores imitar la cognición humana. La IA estrecha sobresale en una tarea; la IA general (aún teórica) sería versátil como un humano.

ML (Aprendizaje Automático)

Los sistemas aprenden reglas de los datos en lugar de seguir reglas programadas.

| Tipo | Descripción | Ejemplo | |---|---|---| | Supervisado | Datos etiquetados | Detección de spam | | No supervisado | Sin etiquetas | Segmentación de clientes | | Por refuerzo | Aprende con recompensas | IA de juegos |

DL (Aprendizaje Profundo)

ML con redes neuronales artificiales de múltiples capas. Ideal para imágenes, voz y lenguaje natural.

---

 

Entrenamiento vs Inferencia

| Aspecto | Entrenamiento | Inferencia | |---|---|---| | Objetivo | Aprender patrones | Hacer predicciones | | Recursos | Alto (GPU) | Relativamente bajo | | Velocidad | Lento | Rápido |

---

 

Términos clave de ML

Feature (característica): variable de entrada usada en el entrenamiento Label (etiqueta): respuesta correcta en aprendizaje supervisado Sobreajuste: el modelo memoriza los datos de entrenamiento pero falla con datos nuevos Hiperparámetro: configuración elegida antes del entrenamiento

---

 

IA Generativa

Modelo base (FM): modelo grande preentrenado; se accede via Amazon Bedrock Token: unidad de procesamiento de texto en LLMs Ventana de contexto: máximo de tokens que el modelo procesa a la vez Embedding: representación vectorial del texto

---

 

Resumen clave del examen

IA ⊃ ML ⊃ DL (relación anidada) Supervisado = etiquetas / No supervisado = sin etiquetas / Refuerzo = recompensas Entrenamiento = aprender / Inferencia = predecir Sobreajuste = bien en entrenamiento, mal en datos nuevos Modelo base = IA preentrenada grande (Bedrock)

Volver a la lista del blog