Las matemáticas detrás de la inteligencia artificial

Objetivo didáctico

Al terminar esta ficha serás capaz de integrar álgebra lineal, cálculo diferencial y estadística para explicar cómo aprende un modelo básico de inteligencia artificial, relacionando representaciones vectoriales, gradientes, funciones de pérdida, regresión y redes neuronales con sus alcances y límites.

Introducción

La expresión “inteligencia artificial” reúne técnicas muy diferentes, pero una gran parte del aprendizaje automático contemporáneo comparte una arquitectura matemática sorprendentemente reconocible. Primero se transforma un objeto del mundo —una fotografía, una transacción, un texto o una medición— en números. Después esos números atraviesan funciones parametrizadas. Finalmente se compara la salida obtenida con algún objetivo y se modifican los parámetros para mejorar el desempeño.

Visto así, entrenar un modelo es un problema de optimización. Los vectores y matrices permiten representar datos y transformaciones; las derivadas describen sensibilidad; una función de pérdida define qué significa equivocarse; y un algoritmo como descenso por gradiente busca valores de los parámetros que reduzcan esa pérdida. La aparente inteligencia emerge de la interacción de estas piezas con datos, capacidad computacional y decisiones de diseño.

Esta perspectiva también ayuda a evitar una confusión frecuente. Que un modelo haya minimizado exitosamente una función matemática no significa que haya aprendido “la verdad”. Significa que encontró parámetros favorables respecto de un objetivo, datos y arquitectura concretos. Si los ejemplos contienen sesgos, si la variable objetivo está mal definida o si el mundo cambia después del entrenamiento, el modelo puede optimizar correctamente una representación equivocada del problema.

El recorrido irá desde las representaciones más básicas hasta una red neuronal conceptual. La meta no es desarrollar desde cero un gran modelo de IA, sino poder abrir su “caja matemática”: identificar qué entra, qué operación se aplica, qué se considera error y qué información permite modificar los parámetros.

Desarrollo del tema

Vectores y matrices: convertir el mundo en objetos calculables

Un vector es una colección ordenada de números. En aprendizaje automático puede representar las características de una observación. Para estimar el tiempo de recorrido de una ruta urbana, por ejemplo, un vector podría contener distancia, hora, precipitación, número de paradas y tráfico observado: x = [12.4, 8, 0, 17, 0.72]. Cada coordenada tiene significado dentro del diseño del sistema.

Una matriz permite reunir muchos vectores o transformar un espacio vectorial en otro. Si existen n observaciones y cada una posee d características, una matriz de datos puede tener dimensión n × d. Multiplicar un vector x por una matriz de pesos W permite combinar simultáneamente muchas variables. Una operación fundamental de una red neuronal adopta la forma z = Wx + b: una transformación lineal seguida por un vector de sesgos.

La dimensionalidad crece con enorme rapidez. Una imagen RGB de 224 × 224 píxeles contiene 150,528 valores de intensidad antes de realizar cualquier representación más sofisticada: 224 × 224 × 3. Si intentáramos conectar directamente esos valores mediante una capa completamente densa con 1,000 salidas, aparecerían más de 150 millones de pesos. La arquitectura matemática importa porque determina qué relaciones se calculan y cuántos parámetros deben aprenderse.

En modelos modernos, los vectores también pueden representar conceptos menos directamente observables. Una palabra, un fragmento de texto o un usuario puede transformarse en un vector aprendido dentro de un espacio de cientos o miles de dimensiones. La proximidad geométrica entre vectores puede utilizarse para representar similitudes útiles. Sin embargo, esas coordenadas no son “el significado verdadero” del objeto: son una representación optimizada para tareas y datos concretos.

Derivadas y gradiente: medir hacia dónde cambia el error

Una derivada mide cómo cambia una cantidad cuando cambia ligeramente otra. Si L(w) representa el error de un modelo en función de un parámetro w, la derivada dL/dw indica la sensibilidad local de la pérdida respecto de ese parámetro. Un valor positivo grande significa que aumentar w tendería localmente a aumentar L con rapidez; un valor negativo indica la dirección contraria.

Un modelo real puede tener miles, millones o miles de millones de parámetros. Cuando L depende del vector θ = [θ₁, θ₂, …, θ_p], las derivadas parciales forman el gradiente ∇L(θ). Este vector apunta en la dirección de mayor crecimiento local de la función. Por ello, una regla elemental de descenso por gradiente actualiza los parámetros en sentido contrario: θ ← θ − η∇L(θ), donde η es la tasa de aprendizaje.

La tasa η importa. Si es extremadamente pequeña, el entrenamiento puede avanzar con lentitud; si es demasiado grande, los parámetros pueden saltar repetidamente sobre regiones favorables o incluso alejarse de ellas. Esta analogía se parece a descender una montaña de noche guiándose únicamente por la inclinación inmediata del suelo: la pendiente indica una dirección local, pero no garantiza que el siguiente valle sea el más profundo de todo el paisaje.

En 1986, David Rumelhart, Geoffrey Hinton y Ronald Williams publicaron en Nature un artículo que describía cómo ajustar repetidamente los pesos de redes con unidades ocultas para minimizar la diferencia entre la salida real y la deseada. La retropropagación utiliza esencialmente la regla de la cadena del cálculo para propagar hacia atrás información sobre cómo cada parámetro contribuyó a la pérdida.

Función de pérdida: convertir “equivocarse” en un número optimizable

Un algoritmo de optimización necesita saber qué significa mejorar. Esa definición aparece en la función de pérdida. Para un problema de regresión, una opción común es el error cuadrático: diferencias grandes entre predicción y resultado reciben una penalización proporcional a su cuadrado. Si el valor real es 20 y el modelo predice 18, el error cuadrático individual es (20 − 18)² = 4; si predice 10, aumenta a 100.

El cuadrado no es un detalle inocente: hace que errores grandes influyan mucho. En clasificación probabilística se utilizan habitualmente pérdidas diferentes, como la entropía cruzada. Si un ejemplo pertenece a la clase positiva, asignarle probabilidad 0.90 recibe una penalización mucho menor que asignarle 0.01. La pérdida traduce así la calidad de la predicción a una superficie matemática sobre la que puede operar el gradiente.

Sin embargo, minimizar pérdida de entrenamiento no basta. Un modelo extremadamente flexible podría aprender peculiaridades de los ejemplos disponibles y desempeñarse peor ante datos nuevos: sobreajuste. Por eso se separan datos de entrenamiento, validación y prueba, se aplican regularización y otras técnicas, y se evalúa generalización. El objetivo no es recordar el conjunto observado, sino capturar regularidades transferibles.

La elección de la pérdida también contiene decisiones humanas. Penalizar todos los errores por igual no siempre representa las consecuencias reales. Confundir un mensaje legítimo con spam y dejar pasar spam pueden tener costos distintos; en otras aplicaciones la asimetría puede ser todavía mayor. Las matemáticas permiten expresar esos costos, pero no determinan por sí mismas cuál debe preocuparnos más.

Regresión lineal y logística: dos modelos simples que revelan la lógica del aprendizaje

La regresión lineal modela una variable continua mediante una combinación de características. En una dimensión, la predicción puede escribirse como ŷ = b₀ + b₁x. Con múltiples variables aparece la forma vectorial ŷ = wᵀx + b. Ajustar el modelo significa encontrar pesos que hagan pequeñas las diferencias entre predicciones y observaciones según un criterio como mínimos cuadrados.

Suponga que se desea aproximar el tiempo de viaje de una ruta con distancia, hora y congestión. Los pesos aprendidos expresan cómo cambia la predicción cuando cambia cada característica, manteniendo las demás constantes dentro del modelo. Esta interpretabilidad es valiosa, aunque una relación lineal puede resultar insuficiente si las interacciones reales son curvas, discontinuas o dependen de variables omitidas.

La regresión logística se utiliza en problemas binarios. Parte también de una combinación lineal z = wᵀx + b, pero la transforma mediante la función logística para producir valores entre 0 y 1. Un umbral posterior puede convertir esa probabilidad estimada en una clase. Cambiar el umbral modifica falsos positivos y falsos negativos aunque los parámetros del modelo permanezcan iguales.

David R. Cox publicó en 1958 su trabajo sobre análisis de regresión de secuencias binarias, dentro de una tradición estadística que consolidó el modelado de probabilidades condicionadas por variables explicativas. Décadas después, la regresión logística sigue siendo fundamental porque contiene casi todo el esquema conceptual de un clasificador de aprendizaje automático: características, parámetros, salida probabilística, pérdida y optimización.

Redes neuronales: muchas transformaciones simples organizadas en capas

Una neurona artificial elemental recibe un vector, calcula una combinación ponderada z = wᵀx + b y aplica una función de activación. Una red organiza muchas unidades de este tipo en capas. Si todas las capas fueran exclusivamente lineales, varias multiplicaciones matriciales sucesivas podrían colapsarse en una sola transformación lineal. Las no linealidades son las que permiten representar relaciones mucho más complejas.

Frank Rosenblatt publicó en 1958 su artículo sobre el perceptrón, un modelo probabilístico inspirado en preguntas sobre almacenamiento y reconocimiento de información. El perceptrón podía aprender determinados límites de decisión lineales. Las redes contemporáneas son muchísimo más amplias, pero conservan una idea reconocible: ajustar conexiones ponderadas utilizando ejemplos.

En una red profunda, cada capa puede construir una nueva representación a partir de la anterior. Para clasificar imágenes, las primeras transformaciones pueden responder a patrones locales; capas posteriores pueden combinar esas señales en configuraciones más abstractas. LeCun, Bengio y Hinton describieron en 2015 el aprendizaje profundo como modelos con múltiples capas capaces de aprender representaciones con varios niveles de abstracción.

El entrenamiento une todas las matemáticas vistas hasta ahora. La entrada es vectorial; matrices de pesos transforman representaciones; activaciones introducen no linealidad; una pérdida compara la salida con el objetivo; y la retropropagación utiliza derivadas para calcular cómo debería cambiar cada parámetro. Una red neuronal no abandona la regresión: la generaliza mediante muchas transformaciones aprendidas.

Aquí aparece también el límite ciudadano más importante. Un modelo puede aprender patrones estadísticos extremadamente complejos sin poseer comprensión humana del contexto. Una asociación aprendida puede reflejar una regularidad útil, una variable sustituta, una correlación espuria o un sesgo histórico. Cuanto mayor es la capacidad del modelo, más importante resulta investigar datos, objetivos, pruebas externas y consecuencias, no solo pérdida de entrenamiento.

Conclusión

Las matemáticas detrás de la inteligencia artificial forman una cadena coherente. Los datos se representan mediante vectores; las matrices transforman esas representaciones; una función produce predicciones; la pérdida cuantifica el error; el gradiente describe cómo cambia ese error; y el algoritmo de optimización utiliza esa información para modificar parámetros. Una red neuronal extiende este esquema organizando numerosas transformaciones en capas.

Esta mirada permite conectar modelos aparentemente diferentes. Una regresión lineal es una transformación parametrizada; la regresión logística añade una función que convierte una puntuación en probabilidad; una neurona añade una activación; una red repite el proceso y aprende representaciones intermedias. La complejidad aumenta, pero la gramática matemática permanece reconocible.

Comprender esa gramática también evita atribuir a la optimización capacidades que no posee. Un gradiente puede indicar cómo reducir una pérdida, pero no puede decidir si esa pérdida representa correctamente un problema humano. Una matriz puede encontrar asociaciones entre miles de características, pero no garantiza causalidad. La pregunta abierta para la IA no es solamente cómo construir modelos con mayor capacidad, sino cómo decidir qué objetivos merecen ser optimizados, con qué datos y bajo qué límites.

Actividad de aprendizaje autónoma

Producto final: mapa matemático de un modelo de IA sencillo. Construirás un ejemplo conceptual de aprendizaje supervisado para estimar una cantidad o clasificar un caso. Puede tratarse de tiempo de recorrido, consumo de energía, demanda de un servicio, clasificación de mensajes o algún problema equivalente que no implique decisiones sensibles sobre personas.

1. Define el problema en una oración y decide si la salida es continua —regresión— o binaria —clasificación—.
2. Propón entre tres y cinco características y escríbelas como un vector x.
3. Asigna pesos hipotéticos y construye una expresión de la forma z = wᵀx + b.
4. Si el problema es de regresión, interpreta z como una predicción inicial. Si es de clasificación, transfórmalo conceptualmente mediante una función logística.
5. Inventa un valor objetivo razonable y calcula el error de una observación. Para regresión puede utilizar error cuadrático.
6. Supón que la derivada de la pérdida respecto de uno de los pesos vale +3. Explica en qué dirección debería cambiar ese peso si se aplica descenso por gradiente con tasa positiva.
7. Cambia deliberadamente un peso y describe cómo se modifica la predicción. Relaciona esa sensibilidad con la idea de derivada.
8. Añade una capa conceptual con tres neuronas. No necesitas calcular todos sus parámetros: explica qué entra, qué transformación ocurre y qué sale.
9. Identifica un posible caso de sobreajuste y propón una manera de detectarlo utilizando datos no empleados directamente para ajustar los parámetros.
10. Cierra con un párrafo titulado “Lo que las matemáticas optimizan y lo que no deciden”, diferenciando objetivo numérico, calidad de los datos y consecuencias del uso.

Completa estas relaciones antes de cerrar tu mapa. El objetivo es verificar que puedas reconstruir el ciclo de aprendizaje sin depender de la terminología memorizada.

Reflexión final: si dos modelos alcanzan exactamente la misma pérdida promedio pero uno comete errores pequeños en casi todos los casos y el otro comete errores enormes en un grupo reducido, ¿basta el valor medio de la pérdida para decidir cuál es mejor?