Qué es el aprendizaje automático (ML)

Nota: Este documento es una traducción automática del original en inglés.

Qué es el aprendizaje automático (ML)

El aprendizaje automático (ML) es un subconjunto de la inteligencia artificial en el que los sistemas aprenden patrones a partir de datos en lugar de seguir reglas escritas a mano. Piénsalo como enseñar con el ejemplo: en lugar de escribir una receta paso a paso, le muestras al sistema miles de platos terminados y dejas que descubra cómo cocinar. En lugar de que un programador codifique cada decisión, al sistema se le muestran miles o millones de ejemplos y descubre las reglas por sí mismo.

La mayor parte de la IA práctica de hoy —desde filtros de spam y asistentes de voz hasta el análisis de imágenes médicas y los modelos de lenguaje grandes— se construye sobre el aprendizaje automático. Cuando un proyecto cripto afirma usar IA, la tecnología subyacente es casi siempre alguna forma de ML.

En resumen: ML significa aprender de los datos. En lugar de decirle al sistema qué hacer, le muestras ejemplos y él descubre los patrones. En la IA en cripto, "aprendizaje automático" en la ficha de un proyecto significa que el proyecto afirma un aprendizaje basado en datos, no una lógica codificada de forma fija.

Cómo funciona el aprendizaje automático

Un sistema de aprendizaje automático sigue un ciclo general. Comprender cada paso es esencial para evaluar si las afirmaciones de ML de un proyecto son reales — cada paso produce artefactos verificables que pueden servir como evidencia.

El ciclo de vida del ML

Definir el problema — determinar qué necesita predecir o clasificar el modelo. Por ejemplo: "dada una transacción de blockchain, determinar si es sospechosa". Un planteamiento claro del problema es el primer punto de control al evaluar las afirmaciones de ML.
Recolectar datos — reunir un conjunto de datos relevante para el problema. Esto podría incluir historiales de transacciones, registros de actividad de wallets, documentos de texto o registros de comportamiento de usuarios. Los datos pueden provenir de fuentes públicas, bases de datos propietarias o registros on-chain.
Preparar y limpiar los datos — los datos brutos rara vez son utilizables tal cual. Este paso implica eliminar errores, manejar valores faltantes, normalizar formatos y dividir los datos en conjuntos de entrenamiento, validación y prueba. La preparación de datos suele consumir la mayor parte del tiempo de un proyecto de ML.
Elegir una arquitectura de modelo — seleccionar el tipo de modelo de IA adecuado para la tarea: una red neuronal, un árbol de decisión, una máquina de vectores de soporte o un método de ensamblado. La elección depende del tipo de datos, la complejidad del problema y el cómputo disponible. Para el texto, las arquitecturas transformer (la base de GPT, BERT y los LLM modernos como DeepSeek) dominan. Para datos tabulares, los árboles potenciados por gradiente (XGBoost, LightGBM) a menudo superan al aprendizaje profundo.
Entrenar el modelo — ejecutar un algoritmo de entrenamiento que ajusta los parámetros internos del modelo (pesos) para que sus predicciones coincidan con los resultados conocidos en los datos de entrenamiento. El entrenamiento itera sobre los datos varias veces (llamadas épocas), reduciendo gradualmente la diferencia entre las predicciones y la realidad (medida por una función de pérdida).
Evaluar — medir el modelo entrenado contra datos de prueba reservados o benchmarks para comprobar si aprendió patrones genuinos o si simplemente memorizó el conjunto de entrenamiento (un problema llamado sobreajuste). Las métricas comunes incluyen exactitud, precisión, recall y puntuación F1 para la clasificación; error cuadrático medio y R-cuadrado para la regresión; perplejidad para los modelos de lenguaje.
Desplegar — poner el modelo en producción donde realiza inferencia sobre entradas nuevas y no vistas. El despliegue implica configurar la infraestructura de servicio, gestionar la latencia y manejar casos límite.
Monitorear y reentrenar — los datos del mundo real cambian con el tiempo (deriva de datos). Un modelo entrenado con los patrones de transacciones de blockchain del año pasado puede tener mal rendimiento con las transacciones actuales. Los sistemas de ML responsables incluyen pipelines de monitoreo que detectan la degradación del rendimiento y disparan el reentrenamiento con datos frescos.

Un ejemplo práctico

Supongamos que un proyecto afirma que su modelo de ML detecta actividad sospechosa de wallets. Una implementación verificable mostraría:

Datos: qué datos on-chain se recopilan y cómo se etiquetan (p. ej., direcciones marcadas por bases de datos conocidas de exploits)
Modelo: qué arquitectura se usa (p. ej., un clasificador potenciado por gradiente sobre características de transacciones)
Métricas: tasa de detección medida, tasa de falsos positivos y metodología (p. ej., "evaluado sobre 10.000 transacciones reservadas de un período definido")
Despliegue: cómo el modelo sirve predicciones en tiempo real (endpoint de API, características de latencia)
Actualizaciones: con qué frecuencia se reentrena el modelo y qué dispara el reentrenamiento

Si un proyecto no describe ninguno de estos elementos, la afirmación de "ML" carece de sustancia verificable.

Enfoques clave de ML relevantes para la IA en cripto

El aprendizaje automático no es una sola técnica — es una familia de enfoques, cada uno adecuado para distintos tipos de problemas.

Enfoque	Cómo aprende	Requisito de datos	Ejemplo en cripto
Aprendizaje supervisado	A partir de ejemplos etiquetados	Conjunto de datos etiquetado	Detección de fraude, clasificación de estafas
Aprendizaje no supervisado	Encuentra estructura sin etiquetas	Conjunto de datos sin etiquetar	Agrupamiento de wallets, detección de anomalías
Aprendizaje por refuerzo	Mediante ensayo y recompensa	Entorno + señal de recompensa	Agentes automatizados, optimización de protocolos
Aprendizaje profundo	Redes neuronales de múltiples capas	Gran conjunto de datos + cómputo	LLM, generación de imágenes, NLP
Aprendizaje por transferencia	Adapta un modelo preentrenado a una nueva tarea	Pequeño conjunto de datos específico de la tarea	Ajuste de LLM para el dominio cripto

Aprendizaje supervisado

El modelo aprende a partir de datos etiquetados — cada ejemplo viene con una respuesta correcta conocida. El modelo aprende a mapear entradas a salidas y se evalúa según qué tan bien predice la respuesta correcta para ejemplos nuevos y no vistos.

Cómo funciona: dados pares de (entrada, salida correcta), el algoritmo ajusta los parámetros del modelo para minimizar los errores de predicción.
Ejemplo: un clasificador entrenado sobre transacciones etiquetadas (fraudulentas / legítimas) para marcar estafas. Cada ejemplo de entrenamiento es una transacción con características (monto, historial del remitente, interacción con contratos) y una etiqueta.
Herramientas comunes: scikit-learn, XGBoost, LightGBM y frameworks de aprendizaje profundo como PyTorch y TensorFlow.
Fortaleza: alta exactitud cuando hay buenas etiquetas disponibles.
Limitación: requiere datos etiquetados, que pueden ser caros y lentos de crear.

Aprendizaje no supervisado

El modelo encuentra patrones sin etiquetas. Nadie le dice qué buscar; descubre estructura, agrupamientos o anomalías en los datos por sí mismo.

Cómo funciona: el algoritmo agrupa puntos de datos similares o identifica valores atípicos según propiedades estadísticas.
Ejemplo: agrupar direcciones de wallets por patrones de comportamiento —frecuencia de transacciones, montos, interacción con protocolos conocidos— para identificar grupos de wallets relacionadas sin etiquetas previas.
Herramientas comunes: agrupamiento k-means, DBSCAN, análisis de componentes principales (PCA), autoencoders.
Fortaleza: funciona cuando etiquetar es poco práctico o demasiado caro.
Limitación: los resultados requieren interpretación humana; el algoritmo encuentra estructura pero no explica qué significan los agrupamientos.

Aprendizaje por refuerzo (RL)

El modelo aprende mediante ensayo y recompensa. Toma acciones en un entorno y recibe retroalimentación (positiva o negativa). Con el tiempo, aprende estrategias que maximizan la recompensa acumulada.

Cómo funciona: un agente observa el estado actual, toma una acción, recibe una recompensa o penalización y actualiza su estrategia. Este bucle se repite miles o millones de veces.
Ejemplo: un agente automatizado que aprende a optimizar las comisiones de gas programando transacciones según los patrones de congestión de la red.
Hitos: el RL impulsa sistemas que juegan juegos como AlphaGo. En cripto, el RL aparece en el ajuste de parámetros de protocolos y en estrategias basadas en agentes.
Fortaleza: adecuado para problemas de toma de decisiones secuenciales donde la acción óptima depende de consecuencias a largo plazo.
Limitación: requiere una señal de recompensa bien definida y muchas iteraciones; puede ser inestable durante el entrenamiento.

Aprendizaje profundo

Un subconjunto del ML que usa redes neuronales con muchas capas (de ahí "profundo"). El aprendizaje profundo impulsa la mayoría de los avances modernos en IA: reconocimiento de imágenes, procesamiento del lenguaje natural, modelos generativos y modelos de lenguaje grandes.

Cómo funciona: los datos fluyen a través de capas sucesivas de neuronas artificiales, cada una extrayendo características progresivamente más abstractas. Una capa convolucional podría detectar bordes; las capas más profundas combinan bordes en formas, luego en objetos.
Ejemplo: un modelo transformer (la arquitectura detrás de GPT, BERT y DeepSeek) ajustado sobre documentación cripto para extraer información estructurada de texto no estructurado.
Arquitecturas clave: transformers (texto/secuencias), redes neuronales convolucionales / CNN (imágenes), redes neuronales recurrentes / RNN (series temporales).
Fortaleza: sobresale en datos complejos y de alta dimensión (texto, imágenes, audio, secuencias).
Limitación: requiere grandes conjuntos de datos, una potencia de cómputo significativa y un ajuste cuidadoso. El rendimiento es más difícil de interpretar que en modelos más simples.

Aprendizaje por transferencia

Una técnica en la que un modelo preentrenado sobre un gran conjunto de datos general se adapta a una tarea específica con un conjunto de datos más pequeño. En lugar de entrenar desde cero, el modelo parte de un conocimiento ya aprendido.

Cómo funciona: tomar un modelo como BERT (preentrenado sobre texto general) y ajustarlo sobre un conjunto de datos más pequeño de whitepapers cripto para clasificar las afirmaciones de los proyectos.
Por qué importa: el aprendizaje por transferencia reduce los datos y el cómputo requeridos para nuevas tareas. Muchos proyectos de IA en cripto usan versiones ajustadas de modelos existentes en lugar de entrenar desde cero.

Del ML clásico al aprendizaje profundo moderno

Comprender la evolución del ML ayuda a evaluar las afirmaciones de los proyectos:

ML clásico (décadas de 1990-2010): árboles de decisión, máquinas de vectores de soporte, regresión logística. Estos funcionan bien con datos estructurados (tabulares) y siguen siendo comunes en la analítica cripto para la clasificación de transacciones y la puntuación de riesgo.
Era del aprendizaje profundo (2012-presente): las redes neuronales con muchas capas comenzaron a superar a los métodos clásicos en tareas complejas. La arquitectura transformer de 2017 ("Attention Is All You Need") reconfiguró el campo. BERT (2018) y GPT (2018-presente) llevaron los transformers a la comprensión y generación del lenguaje.
Modelos fundacionales (década de 2020-presente): modelos muy grandes preentrenados sobre datos amplios, ajustados o guiados por prompts para tareas específicas. GPT, Claude, Gemini y Mistral son ejemplos conocidos. Estos modelos hacen accesible el NLP potente, pero también facilitan construir wrappers superficiales que afirman tener "AI" con un trabajo original mínimo.

Cuando un proyecto dice "aprendizaje automático", vale la pena preguntar: ¿es esto ML clásico sobre datos estructurados, ajuste fino de modelos fundacionales existentes, o entrenamiento de un nuevo modelo desde cero?

Por qué importa el ML en DecAIHub

Cuando la ficha de un proyecto lista "aprendizaje automático" como parte de su AI component, significa que el proyecto afirma usar un sistema que aprende de los datos en lugar de depender de reglas estáticas. Esta distinción importa porque:

El ML implica un pipeline de entrenamiento — debe haber datos, un proceso de entrenamiento y un modelo resultante. Todos estos son artefactos verificables.
El ML implica un rendimiento medible — un modelo aprendido puede compararse en benchmarks. Un conjunto de reglas codificado a mano no puede evaluarse de la misma manera.
El ML implica mantenimiento continuo — los modelos se degradan con el tiempo a medida que las distribuciones de datos cambian. Un proyecto que usa ML necesita reentrenar y reevaluar periódicamente.
El ML implica requisitos de cómputo — el entrenamiento y la inferencia requieren recursos computacionales. Los proyectos de ML descentralizado deben explicar cómo se provee el cómputo y quién asume el costo.

DecAIHub comprueba la existencia de evidencia Tier-1 de estos artefactos al evaluar si el "aprendizaje automático" es real o solo una etiqueta de marketing. Las banderas de AI reality (AI_0 a AI_4) se corresponden directamente con puntos de control de evidencia: ¿describe el proyecto su componente de ML (AI_1)? ¿Hay demos funcionando (AI_2)? ¿Métricas publicadas (AI_3)? ¿Documentación de arquitectura técnica (AI_4)?

Un proyecto que menciona "aprendizaje automático" sin aportar ninguno de estos artefactos recibe banderas de AI reality más bajas, lo que limita su puntuación DecAI Fit mediante el mecanismo de techo del ai_score.

Lo que el ML por sí solo no demuestra

Calidad del modelo — afirmar ML no significa que el modelo sea preciso, robusto o esté bien ajustado. La calidad requiere evidencia de benchmarks.
Calidad de los datos — el modelo es tan bueno como sus datos de entrenamiento. Datos pobres, sesgados o insuficientes producen resultados pobres sin importar el algoritmo.
Aprendizaje genuino — algunos proyectos etiquetan sistemas basados en reglas o heurísticas simples como "ML". Consulta Automatización vs componente de IA real.
Ventaja propietaria — usar una biblioteca de ML estándar con configuraciones predeterminadas sobre datos públicos no constituye una profundidad de IA significativa.
Descentralización — los modelos de ML pueden ejecutarse en infraestructura totalmente centralizada. El hecho de que un proyecto use ML no dice nada sobre si su IA es descentralizada o si su integración con blockchain es significativa.

No confundir con

Inteligencia artificial — el campo más amplio. El ML es un subconjunto de la IA, no un sinónimo de ella.
Modelo de IA — el artefacto entrenado. El ML es el proceso de crear ese artefacto mediante el aprendizaje basado en datos.
Aprendizaje profundo — un subconjunto del ML que usa redes neuronales de múltiples capas. Todo el aprendizaje profundo es ML, pero no todo el ML es aprendizaje profundo.
Automatización — ejecutar reglas predefinidas. El ML aprende sus propias reglas a partir de los datos. Consulta Automatización vs componente de IA real.
Estadística — el ML se basa en fundamentos estadísticos pero va más allá de la estadística tradicional al centrarse en el rendimiento predictivo sobre datos nuevos en lugar de en explicar datos históricos.

Preguntas frecuentes

¿Cuál es la diferencia entre el aprendizaje automático y la programación tradicional?

En la programación tradicional, un desarrollador escribe reglas explícitas: "si el monto de la transacción supera un umbral y el remitente no tiene historial, márcala". En el aprendizaje automático, el desarrollador proporciona ejemplos etiquetados y el algoritmo descubre las reglas por sí mismo. El resultado es un modelo que puede detectar patrones demasiado sutiles para reglas escritas a mano — pero requiere datos de entrenamiento de calidad y una evaluación continua.

¿El aprendizaje automático requiere big data?

No siempre. Los modelos de aprendizaje profundo (especialmente los LLM) requieren grandes conjuntos de datos, pero muchas técnicas clásicas de ML funcionan eficazmente con cantidades modestas de datos. El aprendizaje por transferencia reduce aún más los requisitos de datos al partir de un modelo preentrenado. El factor clave es la calidad y relevancia de los datos, no solo la cantidad. Un conjunto de datos pequeño, bien curado y correctamente etiquetado puede superar a uno grande y ruidoso.

¿Cuál es la diferencia entre el aprendizaje supervisado y el no supervisado?

El aprendizaje supervisado usa datos etiquetados — cada ejemplo incluye la respuesta correcta, y el modelo aprende a predecirla. El aprendizaje no supervisado trabaja con datos sin etiquetar, descubriendo patrones, agrupamientos o anomalías sin que se le diga qué buscar. Una tercera categoría, el aprendizaje semisupervisado, combina una pequeña cantidad de datos etiquetados con una cantidad mayor de datos sin etiquetar. La elección depende de si las etiquetas están disponibles y son asequibles de producir.

¿Cómo se puede saber si un proyecto cripto usa ML real?

Busca artefactos verificables: un conjunto de datos descrito, una arquitectura de modelo documentada, benchmarks publicados con metodología, un demo público y evidencia de reentrenamiento. DecAIHub evalúa esto mediante las banderas de AI reality (AI_1 a AI_4) y las comprobaciones de evidencia Tier-1. Un proyecto que dice estar "impulsado por ML" pero no aporta ninguno de estos elementos probablemente usa el término como marketing.

¿Es el aprendizaje profundo lo mismo que el aprendizaje automático?

El aprendizaje profundo es un subconjunto del aprendizaje automático, no un sinónimo. El ML incluye muchas técnicas más allá del aprendizaje profundo: árboles de decisión, máquinas de vectores de soporte, métodos bayesianos y métodos de ensamblado. El aprendizaje profundo usa redes neuronales con múltiples capas para aprender representaciones jerárquicas. Sobresale en datos complejos (texto, imágenes, audio), pero los métodos de ML más simples a menudo lo superan en datos estructurados y tabulares.

Véase también

Referencias externas

Google Developers — Machine Learning Crash Course — curso introductorio gratuito que cubre los conceptos centrales del ML con ejemplos prácticos
Stanford CS229 — Machine Learning — materiales completos de un curso universitario sobre la teoría y la práctica del ML
Hugging Face — Learn — guías prácticas del ML y el NLP modernos con herramientas de código abierto
Machine learning (Wikipedia) — visión general de la historia, los métodos y las aplicaciones del ML
Papers With Code — Methods — referencia de métodos de ML con enlaces a artículos e implementaciones