Cómo aprenden
las máquinas
No memorizan. No copian. Construyen, capa tras capa, una representación del mundo que ningún humano podría escribir a mano.
Machine Learning
La máquina ya no se programa; se entrena con ejemplos hasta encontrar el patrón.
Redes Neuronales
Capas de neuronas artificiales que transforman datos en representaciones cada vez más abstractas.
Deep Learning
Redes muy profundas capaces de extraer significado de imágenes, sonido y texto a escala masiva.
Supervisado
Cada ejemplo viene con su respuesta. La red aprende a predecir lo conocido.
No supervisado
Sin etiquetas. El modelo descubre por sí mismo la estructura oculta de los datos.
Por refuerzo
Un agente actúa, recibe recompensas y aprende qué decisiones maximizan el futuro.
Transformers
La arquitectura que cambió todo. Atención que conecta cualquier token con cualquier otro.
Embeddings
Convierten palabras, imágenes o sonidos en vectores donde la cercanía geométrica = significado.
Tokens
Las unidades mínimas que un modelo lee. Una conversación es, en el fondo, una secuencia de tokens.
Atención
El mecanismo que decide a qué partes del contexto mirar para predecir la siguiente palabra.
Pre-entrenamiento
Meses leyendo internet entero. Aquí el modelo aprende cómo es el mundo del lenguaje.
Fine-tuning
Ajuste fino con ejemplos curados. Especializa al modelo para una tarea o estilo concreto.
RLHF
Aprendizaje por refuerzo con retroalimentación humana: así se alinea un modelo a nuestras preferencias.
RAG
Recuperación + generación. El modelo consulta documentos en vivo antes de responder.
Difusión
Imágenes y videos nacen del ruido: el modelo aprende a quitar ruido hasta revelar la forma.
Multimodal
Texto, imagen, audio y video compartiendo el mismo espacio de representación.