37
El mapa completo
¿Cómo encajan todas las piezas, de la neurona al chatbot?
Lección completa
Si quieres:
Subtítulos
En la primera lección te pedimos explicarle a una computadora cómo sabes si un correo es spam. Treinta y seis lecciones después, sabes cómo escribe un chatbot.
Voz
Sin voz: la lección avanza sola con subtítulos.
La voz de esta lección está en preparación: por ahora avanza sola con subtítulos.
Modo revisiónComentar este pasoTerminé la lección
0:00 / 0:00
Qué lograrás
- Recorrer el camino completo del curso, de los datos a la estrategia, y decir en una frase la idea de cada módulo y de cada lección.
- Ubicar en una línea de tiempo los hitos principales, de la neurona de 1943 a ChatGPT y los agentes, y explicar por qué el despegue llegó con la escala.
- Usar diez preguntas concretas ante cualquier equipo o proveedor de IA, y reconocer de qué lección sale cada una.
Ideas clave
- El curso es un solo camino: aprender es bajar un error con datos (módulos 1 a 3); generar es aprender cómo se reparten los datos y muestrearlos (4 y 5); la escala y la alineación vuelven al modelo un asistente (6 y 7); usarlo bien es cuestión de criterio (8).
- Cada lección nació del límite de otra: el XOR pidió capas ocultas; la memoria corta de las redes que leen en orden pidió atención; el modelo base, que solo continúa texto, pidió alineación.
- Las ideas de fondo son viejas: la neurona artificial es de 1943 y la retropropagación se difundió en 1986. Lo que cambió desde 2012 fue la escala: datos masivos, GPUs y trucos de entrenamiento.
- Diez preguntas sirven ante cualquier equipo o proveedor: por qué IA, con qué datos, qué acierto con tus casos, cómo falla, de dónde saca lo que dice, cuánto cuesta, a dónde van tus datos, qué puede hacer solo, si funciona igual para todos y quién responde.
- Para seguir aprendiendo: repasa «por dentro», lee una fuente original y prueba cualquier sistema con tus propios casos.
Lo que mucha gente cree
Creencia común La IA generativa es una tecnología nueva que apareció de golpe con ChatGPT.
Lo correcto ChatGPT (2022) se apoya en ideas de décadas: la neurona (1943), la retropropagación (1986), la atención (2014) y el transformer (2017). Lo nuevo fue juntar esas piezas a gran escala, con datos masivos, GPUs y ajustes con preferencias humanas.
Compruébalo
Cuatro preguntas. Sin nota ni cuenta: sirven para ver si la idea quedó.
Por dentroPara quien quiere las fórmulas y el código. No hace falta para seguir el curso.
El curso en ocho fórmulas
Cada fórmula viene de una lección; aquí solo se juntan para ver el hilo.
- Un modelo y su error (lección 3). Una recta predice y la pérdida es el promedio de los errores al cuadrado: .
- Descenso del gradiente (lección 4): .
- La neurona (lección 5): , con una activación (escalón, sigmoide, ReLU).
- Retropropagación (lección 8): la regla de la cadena, , aplicada de la salida hacia la entrada.
- Siguiente pieza y atención (lecciones 19 y 21): y .
- Escala (lecciones 24 y 25): cómputo de entrenamiento (parámetros por tokens) y memoria parámetros × bytes por parámetro.
- Costo de una respuesta (lección 26): entrada × su precio + salida × su precio.
- Usarlo con criterio (lecciones 32, 34 y 35): una cadena de pasos que salen bien con probabilidad sale completa con ; el margen de una nota se encoge como casos; el riesgo es .
Las diez preguntas, con lo que cuenta como buena respuesta
| # | Pregunta | Lecciones | Buena respuesta | Señal de alerta |
|---|---|---|---|---|
| 1 | ¿Por qué IA y no reglas escritas? | 1 | La regla es difícil de escribir, hay ejemplos con respuesta y el error se tolera | «Porque todos usan IA» |
| 2 | ¿Con qué datos aprendió, y con qué permiso? | 1, 23 | Fuentes, licencias y fecha de corte documentadas | «Es confidencial» sin más |
| 3 | ¿Cuánto acierta con mis casos nuevos? | 10, 34 | Una cifra medida con tus casos no vistos, con su margen | Solo un benchmark público o una demostración |
| 4 | ¿Cómo falla, y cómo lo voy a notar? | 33 | Tasa de error medida, tipos de error y cómo se verifica | «No se equivoca» |
| 5 | ¿De dónde saca lo que dice? | 23, 31 | Cita fuentes que puedes revisar; dice su corte de conocimiento | Respuestas sin fuente sobre datos tuyos o recientes |
| 6 | ¿Cuánto cuesta cada tarea completa? | 20, 26, 30 | Desglose en tokens de entrada y salida por tipo de tarea | Precio «por usuario» sin volumen ni tokens |
| 7 | ¿A dónde van mis datos? | 30, 35 | Dónde se guardan, cuánto tiempo y si se usan para entrenar, por contrato | «Están seguros» sin contrato |
| 8 | ¿Qué puede hacer solo, y quién aprueba? | 32, 35 | Permisos mínimos, registro de cada acción y aprobación humana antes de lo irreversible | Acceso total «para que sea útil» |
| 9 | ¿Funciona igual para todos? | 34, 35 | Error medido por grupo de personas | Solo el promedio |
| 10 | ¿Quién responde si falla? | 33, 35 | Un responsable con nombre, un registro de incidentes y una vía de corrección | «Es culpa del modelo» |
La línea de tiempo, con sus fuentes
McCulloch y Pitts (1943), la neurona de todo o nada; Rosenblatt (1958), el perceptrón; Samuel (1959), damas que aprende; Minsky y Papert (1969), Perceptrons; Rumelhart, Hinton y Williams (1986), retropropagación; Hochreiter y Schmidhuber (1997), LSTM; Krizhevsky, Sutskever y Hinton (2012), AlexNet; Mikolov y colaboradores (2013), word2vec; Goodfellow y colaboradores (2014), GAN; Vaswani y colaboradores (2017), el transformer; Brown y colaboradores (2020), GPT-3; Stability AI (22 de agosto de 2022), Stable Diffusion; OpenAI (30 de noviembre de 2022), ChatGPT; OpenAI (12 de septiembre de 2024), o1; Anthropic (25 de noviembre de 2024), MCP. Cada fecha se verificó en la lección que la cuenta. La selección de hitos es de este curso: hay muchos otros (la atención de Bahdanau y colaboradores en 2014, ResNet en 2015, la difusión de Ho y colaboradores en 2020, RAG en 2020, CLIP en 2021).
En código
import math
# 1) lecciones 3 y 4: ajustar y = w·x con descenso del gradiente
xs, ys = [1, 2, 3, 4], [2.1, 3.9, 6.2, 7.8]
w, eta = 0.0, 0.01
for paso in range(200):
grad = sum(2 * (w * x - y) * x for x, y in zip(xs, ys)) / len(xs)
w -= eta * grad
print(round(w, 3))
# 2) lección 19: de puntajes a probabilidades con softmax
def softmax(z, T=1.0):
e = [math.exp(v / T) for v in z]
s = sum(e)
return [round(v / s, 3) for v in e]
print(softmax([2.0, 1.0, 0.1]))
# 3) lección 32: diez pasos que salen bien el 95 % de las veces
print(round(0.95 ** 10, 3))
# 4) esta lección: cómo se reparten los hitos de la línea de tiempo
hitos = [1943, 1958, 1959, 1969, 1986, 1997, 2012, 2013, 2014, 2017, 2020, 2022, 2024]
antes = [a for a in hitos if a < 2012]
print(2012 - 1943, len(antes), 2026 - 2012, len(hitos) - len(antes))
Salida:
1.99
[0.659, 0.242, 0.099]
0.599
69 6 14 7
Lo que viene
No hay lección treinta y ocho. Lo que sigue depende de ti: vuelve al mapa cuando algo no quede claro, lee una fuente original y prueba lo que uses con tus propios casos.
Lente de decisión
Qué significa esta idea si tu trabajo es decidir, no programar.
- Usa las diez preguntas como lista de verificación antes de comprar o aprobar un proyecto de IA: pide cada respuesta por escrito y con evidencia (cifras medidas con tus casos, cláusulas del contrato, registros), no con una demostración.
- Si una respuesta es vaga («es muy preciso», «tus datos están seguros»), vuelve en el mapa a la lección de origen y haz la pregunta concreta: ¿con cuántos casos y qué margen?, ¿dónde se guardan y cuánto tiempo?, ¿quién aprueba?
- Ante el anuncio de un «avance», pregunta qué cambió, como en la lección trece: más datos (¿de quién y con qué licencia?), más cómputo (¿a qué costo?) o un mejor método. Cada uno trae costos y riesgos distintos.
- Empieza en pequeño y con medición: un piloto reversible, evaluado con tus propios casos (lección 34) y con un responsable con nombre (lección 35). Decide con números si sigue.
Términos de la lección
- Aprendizaje automático Enfoque en que una computadora obtiene las reglas a partir de ejemplos en lugar de que alguien las escriba. El término se asocia a Arthur Samuel (1959).
- Modelo Una forma de regla con números ajustables. Una vez entrenado, es la regla aprendida.
- Parámetro Cada uno de los números que un modelo ajusta al entrenarse y en los que guarda lo aprendido.
- Datos de entrenamiento Ejemplos, cada uno con su respuesta correcta, con los que un modelo ajusta sus parámetros.
- Función de pérdida Un único número que resume qué tan equivocado está un modelo con sus datos. Entrenar es buscar los parámetros que lo hacen lo más pequeño posible.
- Descenso del gradiente Método que ajusta los pesos paso a paso, siempre en contra de la pendiente del error (el gradiente), hasta llegar a un fondo.
- Neurona artificial Unidad de cálculo que multiplica cada entrada por un peso, suma los resultados, añade un sesgo y aplica una función de activación: y = f(w·x + b).
- Perceptrón Modelo propuesto por Frank Rosenblatt en 1958: unidades de umbral conectadas en red que aprenden de ejemplos. En su versión más simple, una neurona con escalón cuyos pesos se corrigen solo cuando se equivoca.
- XOR (o exclusivo) Función que vale uno solo cuando sus dos entradas son diferentes. Es el ejemplo clásico de problema no linealmente separable.
- Capa oculta Capa de neuronas entre la entrada y la salida. Crea señales intermedias que la salida combina; su valor no se observa directamente.
- Invierno de la IA Periodo de menor financiación e interés por la inteligencia artificial tras expectativas incumplidas. El primero ocurrió en los años setenta.
- Retropropagación Algoritmo que calcula el gradiente de la pérdida respecto de todos los pesos de una red en un solo recorrido hacia atrás, aplicando la regla de la cadena capa por capa. Calcula las culpas; no mueve los pesos (en el artículo de 1986, el nombre abarcaba todo el procedimiento de aprendizaje).
- LSTM (memoria larga a corto plazo) Celda recurrente con una cinta de memoria (estado de la celda) y tres compuertas aprendidas, de olvido, de entrada y de salida, que deciden qué se conserva, qué se escribe y qué se lee. Propuesta en 1997 por Hochreiter y Schmidhuber; la compuerta de olvido se añadió en 2000.
- GPU Unidad de procesamiento gráfico: un chip con cientos o miles de núcleos sencillos, creado para dibujar gráficos y muy eficiente para multiplicar matrices en paralelo, la operación central del entrenamiento.
- ImageNet Base de más de catorce millones de imágenes etiquetadas por personas, en más de veintiún mil categorías. Su subconjunto del concurso ILSVRC (mil clases, más de 1.2 millones de fotos de entrenamiento) fue el banco de pruebas de la visión por computador.
- Aprendizaje profundo (deep learning) Aprendizaje automático con redes neuronales de muchas capas que aprenden por sí mismas las características útiles, de bordes a objetos, a partir de grandes cantidades de datos y cómputo.
- Embedding Vector de números, aprendido de los datos, que representa algo (una palabra, una frase, una imagen) de modo que lo parecido quede cerca. Cada palabra tiene una fila en una tabla de embeddings.
- Espacio latente El espacio de los códigos de un modelo («latente» significa oculto): cada dato es un punto, y los puntos cercanos suelen ser datos parecidos. Cualquier punto se puede decodificar.
- GAN (red generativa adversaria) Modelo generativo formado por dos redes que se entrenan compitiendo: un generador que produce datos falsos y un discriminador que intenta distinguirlos de los reales (Goodfellow et al., 2014).
- Modelo de difusión Modelo generativo que aprende a deshacer un proceso fijo que mezcla los datos con ruido paso a paso (el proceso hacia delante). Genera partiendo de estática pura y quitando un poco de ruido estimado, muchas veces.
- Transformer Arquitectura de red neuronal formada por una pila de bloques con la misma forma. Cada bloque combina atención (entre tokens) y una red aplicada a cada token, con conexiones residuales y normalización. Se presentó en «Attention Is All You Need» (2017).
- Atención Mecanismo con el que cada token decide cuánto mirar a los demás: compara su consulta con las claves de todos, convierte las puntuaciones en pesos con softmax y arma su nuevo vector como la mezcla de los valores con esos pesos.
- Modelo de lenguaje Modelo que, dado un texto (el contexto), da una probabilidad a cada palabra o pieza que puede seguir. Escribe agregando una pieza a la vez.
- Token Pieza de texto (una palabra, un trozo de palabra, un signo o un código básico) tomada del vocabulario. Es la unidad que el modelo lee y genera, y por la que se cobra.
- Preentrenamiento Primera etapa del entrenamiento de un modelo de lenguaje: con un corpus enorme, el modelo adivina la siguiente pieza del texto una y otra vez y ajusta sus parámetros para bajar el error. El resultado es un modelo base.
- Modelo base Modelo de lenguaje que solo pasó por el preentrenamiento: sabe continuar textos, pero no está ajustado para seguir instrucciones ni conversar como un asistente.
- Corte de conocimiento Fecha a partir de la cual los datos de entrenamiento no incluyen más textos. El modelo no conoce lo posterior, salvo que se le dé como contexto, y no siempre avisa que no lo sabe.
- Ley de escala Regularidad medida, no una ley de la naturaleza: la pérdida de un modelo baja como una potencia de sus parámetros, sus datos o su cómputo. En escala logarítmica se ve como una recta: cada ×10 multiplica la pérdida por el mismo número.
- Ajuste fino Seguir entrenando un modelo ya preentrenado con un conjunto pequeño de ejemplos propios (entrada y respuesta deseada) para cambiar su comportamiento, sin empezar de cero.
- Alineación Técnicas para que un modelo haga lo que la persona pretende y sea útil, veraz e inofensivo, y no solo lo más probable según su texto de entrenamiento. Convierte un modelo base en un asistente.
- Modelo de razonamiento Modelo de lenguaje entrenado (sobre todo con aprendizaje por refuerzo) para escribir por su cuenta un pensamiento, a veces de miles de tokens, antes de responder. Ejemplos: o1 de OpenAI (2024) y DeepSeek-R1 (2025).
- Ventana de contexto Número máximo de tokens que el modelo puede leer de una vez. Cuentan las instrucciones del sistema, la conversación, los documentos y la respuesta que va escribiendo. Lo que no cabe no existe para el modelo.
- RAG (generación aumentada por recuperación) Técnica que, antes de generar, busca en una colección de documentos los fragmentos que más se parecen a la pregunta y los incluye en el prompt, de modo que el modelo responde con esas fuentes sin reentrenarse.
- Agente Sistema que pone a un modelo de lenguaje en un bucle de pensar, actuar y observar: el modelo pide herramientas, un programa las ejecuta y el resultado vuelve a su contexto, hasta cumplir un objetivo.
- MCP (Model Context Protocol) Estándar abierto, publicado por Anthropic en noviembre de 2024, para conectar aplicaciones de IA con herramientas y datos: un servidor las ofrece una sola vez y cualquier aplicación compatible las descubre y las usa.
- Alucinación Respuesta fluida y segura de un modelo que es falsa o no está respaldada por ninguna fuente. Es consecuencia de predecir texto plausible, no de comprobar hechos.
- Conjunto de evaluación (casos de oro) Conjunto propio de casos reales de tu trabajo, cada uno con la respuesta o el criterio que tus expertos aceptan, que el sistema no ha visto. Se usa para comparar sistemas y se vuelve a correr en cada cambio.
- Intervalo de confianza Rango de valores razonables para una cantidad medida con una muestra, como la exactitud real de un sistema; normalmente al 95 %. Su margen baja con la raíz del número de casos: cuatro veces más casos lo parten a la mitad.
- Sesgo (en un sistema de IA) Error que se repite de forma sistemática contra un grupo de personas, a menudo heredado de los datos. Se detecta midiendo el error por grupo, no el promedio. No es el sesgo b de un modelo (lección 3).
- Gobernanza de la IA Las reglas, los responsables y los procesos con que una organización decide qué usos de la IA acepta y vigila que se cumplan. Empieza con una política de uso, un inventario de sistemas, un responsable por sistema y un registro de incidentes.
- Persona en el bucle (human in the loop) Diseño en el que el sistema se detiene antes de ciertas acciones (irreversibles o por encima de un límite) y espera la decisión de una persona: aprobar, corregir o rechazar. Cuesta atención y solo protege si la revisión es real.
- Caso de uso Una tarea concreta que la IA podría cambiar, con quién la hace, cuántas veces y con qué datos. Se compara con otros por su frecuencia, el valor de cada vez y su riesgo. «Usar IA en ventas» no es un caso de uso; «contestar dudas de garantía por correo», sí.
- Piloto Prueba de un caso de uso en pequeño, con usuarios reales, plazo fijo, una línea base medida antes y una meta medible. Termina en una decisión con datos: ampliar, corregir o cerrar.
Transcripción completa
Fuentes
- McCulloch, W. S., Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity
- Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain
- Samuel, A. L. (1959). Some Studies in Machine Learning Using the Game of Checkers
- Minsky, M., Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry (1969; edición ampliada de 1988)
- Rumelhart, D. E., Hinton, G. E., Williams, R. J. (1986). Learning representations by back-propagating errors (Nature 323, 533–536)
- Hochreiter, S., Schmidhuber, J. (1997). Long short-term memory
- Krizhevsky, A., Sutskever, I., Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks (AlexNet)
- Mikolov, T., Chen, K., Corrado, G., Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space (word2vec)
- Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y. (2014). Generative Adversarial Networks
- Bahdanau, D., Cho, K., Bengio, Y. (2014). Neural Machine Translation by Jointly Learning to Align and Translate
- He, K., Zhang, X., Ren, S., Sun, J. (2015). Deep Residual Learning for Image Recognition (ResNet)
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., Polosukhin, I. (2017). Attention Is All You Need
- Brown, T. B., Mann, B., Ryder, N., et al. (2020). Language Models are Few-Shot Learners (GPT-3)
- Ho, J., Jain, A., Abbeel, P. (2020). Denoising Diffusion Probabilistic Models
- Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (RAG)
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., et al. (2021). Learning Transferable Visual Models From Natural Language Supervision (CLIP)
- Stability AI (2022). Stable Diffusion Public Release (anuncio, 22 de agosto de 2022)
- OpenAI (2022). Introducing ChatGPT (30 de noviembre de 2022)
- OpenAI (2024). Learning to Reason with LLMs (presentación de o1, 12 de septiembre de 2024)
- Anthropic (2024). Introducing the Model Context Protocol (25 de noviembre de 2024)
ComentariosConversación pública de esta lección: dudas, datos por revisar, ideas.
Los comentarios viven en GitHub Discussions, en el repositorio público del curso; para escribir se necesita una cuenta de GitHub. Se cargan desde giscus.app al abrir esta sección. Las personas que revisan el curso los leen, y si un cambio se acepta, se aplica en los dos idiomas. Abrir el hilo en GitHub