Familias de IA: tradicional, Machine Learning, Deep Learning y generativa

Qué aprenderás

• Sistemas basados en reglas, Machine Learning, Deep Learning e IA generativa.
• Aprendizaje supervisado y no supervisado a nivel introductorio.
• La diferencia entre clasificar, predecir y generar.

Explicación sencilla

No toda la IA funciona igual. Ordenar sus familias ayuda a entender qué puede (y no puede) hacer cada solución:

1. Sistemas basados en reglas: decisiones escritas por personas ("si pasa X,

hacé Y"). Predecibles, limitados a lo previsto.

1. Machine Learning (ML, aprendizaje automático): el sistema ajusta sus

propios criterios a partir de ejemplos. No se le programa cada caso: se le muestran miles y encuentra patrones.

1. Deep Learning (aprendizaje profundo): ML con redes neuronales de

muchas capas, capaz de trabajar con imágenes, audio y lenguaje natural.

1. IA generativa: modelos que crean contenido nuevo (texto, imágenes,

código) a partir de lo aprendido. Es la familia de los asistentes actuales.

No forman una escalera obligatoria ni una jerarquía universal: el deep learning es una rama del machine learning y la IA generativa describe una capacidad que suele apoyarse en redes neuronales, pero no toda solución generativa ni todo problema exige el mismo enfoque. Ninguna familia reemplaza a las otras: las reglas siguen siendo la mejor opción cuando el problema es simple y predecible.

Una forma de imaginarlo

Aprender a cocinar con un recetario estricto (reglas) vs. probar cientos de platos hasta desarrollar criterio propio (ML). El criterio es más flexible… pero a veces se equivoca de formas sorprendentes, igual que los modelos.

La analogía simplifica: el ML no "prueba" ni "entiende"; ajusta números para

minimizar errores sobre los ejemplos.

Ejemplo en una organización

• Reglas: bloquear tarjetas reportadas como robadas.
• ML supervisado: estimar la demanda del mes próximo a partir del historial

(se entrena con pares dato → resultado conocido).

• ML no supervisado: agrupar clientes por comportamiento sin categorías

previas (descubre los grupos, no los confirma nadie).

• Deep learning: leer facturas escaneadas (imagen → texto estructurado).
• Generativa: redactar el resumen del informe mensual.

Un poco más de profundidad

• Supervisado: aprende de ejemplos etiquetados (foto → "gato"/"perro").
• No supervisado: encuentra estructura sin etiquetas (segmentos, anomalías).
• Red neuronal: capas de unidades simples que transforman la entrada por

pasos; "profundo" = muchas capas.

• Clasificar (elegir entre opciones), predecir (estimar un valor futuro)

y generar (crear contenido nuevo) son problemas distintos aunque usen IA.

Profundización técnica

(Opcional.) El entrenamiento ajusta parámetros minimizando una función de pérdida mediante optimización por gradientes. En deep learning, la retropropagación distribuye el error capa por capa. Los sistemas legacy basados en reglas (por ejemplo, motores de validación bancaria en COBOL o sistemas expertos) siguen siendo válidos y auditables donde la trazabilidad importa más que la flexibilidad: usarlos no es "quedarse atrás".

Qué no significa

• Que "ML" y "deep learning" sean sinónimos (DL es una rama del ML).
• Que generativa = toda la IA (es solo la familia más visible hoy).
• Que más sofisticado sea siempre mejor (costo, datos y auditabilidad deciden).

Errores frecuentes

1. Pedirle a un modelo generativo una clasificación exacta repetible (para eso,

un clasificador supervisado suele rendir mejor).

1. Creer que "no supervisado" significa "sin control humano" (sus resultados

igual deben validarse).

1. Descartar las reglas por "viejas" en problemas simples y críticos.

Ideas principales

• Como mapa orientativo: reglas, ML, deep learning y generativa tienen usos y

compromisos distintos; no son una escala universal de "mejor" a "peor".

• Supervisado aprende de ejemplos etiquetados; no supervisado descubre estructura.
• Clasificar, predecir y generar son problemas diferentes.
• La familia se elige por el problema, no por la moda.

Autoevaluación

1. ¿Qué diferencia hay entre ML supervisado y no supervisado?
2. ¿Por qué el deep learning se llama "profundo"?
3. Clasificá estas tareas en clasificar / predecir / generar: detectar spam, estimar ventas, redactar un aviso.

Fuentes

• Machine Learning Crash Course — Google — https://developers.google.com/machine-learning/crash-course — consulta: 2026-10-03.
• What is deep learning? — Microsoft Learn — https://learn.microsoft.com/en-us/training/modules/intro-to-deep-learning/ — consulta: 2026-10-03.

Seguir aprendiendo

• Unidad 3: los modelos actuales (fundacionales, LLM, SLM, multimodales).
• Unidad 4: cómo aprende un modelo (entrenamiento e inferencia).