¿Qué es Aprendizaje profundo? — una analogía

1La analogía

Un purificador de agua no tiene un solo filtro por dentro. Cuando entra el agua, el primer filtro retiene lo más grueso. El siguiente atrapa el olor y el color, el que sigue retiene partículas todavía más finas, y solo después del último filtro sale agua para beber.

Cada filtro por sí solo no es gran cosa. Pedirle al primero que deje el agua con buen sabor es pedirle algo que no puede hacer: solo filtra lo grueso. Pero cuando estas tareas simples se apilan una tras otra en orden, el agua turbia del principio termina saliendo limpia al final. Con un solo filtro, por más fino que se haga, no se llega hasta ahí.

Así es el aprendizaje profundo. Cada capa hace una sola cosa muy simple. Si se apilan decenas o cientos de esas capas simples, las primeras capturan lo tosco y las siguientes van capturando algo cada vez más fino. El número de capas es la profundidad, y por eso se llama aprendizaje profundo.

2En detalle

Una sola capa hace algo simple

Al abrir una capa por dentro solo hay un cálculo muy simple: multiplicar cada número que entra por un peso fijo, sumarlos y ver si el resultado supera cierto umbral. Es un cálculo tan sencillo que podría hacerse con lápiz y papel.

Lo impresionante aparece al apilarlas. Lo que saca la primera capa se vuelve el material de la segunda, y lo que saca la segunda se vuelve el material de la tercera. Igual que el agua del purificador se va aclarando filtro tras filtro, el conjunto de números va cambiando un poco de forma cada vez que pasa por una capa.

Por eso, para entender el aprendizaje profundo no hace falta pelearse con una sola capa. Basta con quedarse con la imagen de algo simple apilado muchas veces en orden. A toda esa estructura de capas conectadas se le llama red neuronal.

Las primeras capas capturan lo tosco, las últimas lo fino

Al mirar por dentro un modelo de aprendizaje profundo que reconoce imágenes, cada capa reacciona a algo distinto. La primera capa solo reacciona a algo muy tosco, como bordes entre lo claro y lo oscuro. La siguiente reacciona a los patrones que forman esas líneas, y capas más adelante reaccionan a las formas que arman esos patrones.

Recién bien al final aparece la señal de qué es esto. Es el mismo orden que sigue el purificador: filtra lo grueso primero y entrega agua para beber al final. Este orden, de lo tosco a lo fino, no lo decide ninguna persona: surge solo durante el entrenamiento.

Ya no hace falta que una persona decida qué mirar

En el aprendizaje automático anterior al aprendizaje profundo, había una tarea más para las personas: decidir de antemano qué mirar para juzgar. Para reconocer una cara, alguien tenía que elegir cosas como la distancia entre los ojos o el largo de la nariz y convertirlas en números, y la máquina juzgaba solo con esos números.

Ese trabajo definía el rendimiento y, al mismo tiempo, era el mayor cuello de botella: lo que una persona no notaba, la máquina tampoco lo veía jamás. El aprendizaje profundo le pasa esa tarea a las capas. Con la foto original de entrada, las primeras capas generan por sí solas qué buscar.

Se ahorró una tarea humana y el rendimiento subió mucho, pero a cambio se volvió difícil saber en qué se fijó el modelo para decidir. Por eso se dice que un modelo de aprendizaje profundo es una caja que no se puede ver por dentro.

Cuanto más profundo, mayor el costo

Apilar más capas amplía los problemas que se pueden resolver, así que durante mucho tiempo la gente se esforzó por apilar cada vez más. Pero apilar sin más no funcionaba bien: cuanto más profunda la red, más se debilitaba la señal de aprendizaje que llegaba a las primeras capas, al punto de que casi no aprendían. Solo después de resolver ese problema con varios trucos se hizo posible construir redes verdaderamente profundas.

El cálculo y la cantidad de ejemplos también crecen a la par. Más capas significan más valores que ajustar, y más valores que ajustar significan que hace falta ver muchos más ejemplos. No es casualidad que el aprendizaje profundo empezara a funcionar de golpe justo cuando se juntaron las tarjetas gráficas potentes y los grandes volúmenes de datos.

Por eso el aprendizaje profundo no siempre es la respuesta correcta. Si solo hay unos cientos de ejemplos, o si hace falta explicar el porqué de una decisión, un método más antiguo con capas menos profundas suele ser mejor opción.

3Con más precisión

El aprendizaje profundo es una rama del aprendizaje automático que entrena con datos una red neuronal artificial de varias capas. En cada capa, el valor que entra se multiplica por un peso, se suma y pasa por un umbral llamado función de activación antes de pasar a la siguiente capa. El entrenamiento mide, en la última capa, cuánto se alejó la respuesta de lo correcto, y reparte esa responsabilidad hacia atrás hasta las primeras capas para corregir los pesos. Este proceso de devolver el error se llama retropropagación.

La analogía del purificador también tiene sus límites. Los filtros del purificador vienen listos de fábrica, pero las capas del aprendizaje profundo empiezan sin ningún criterio y lo definen ellas mismas durante el entrenamiento. El agua pierde volumen al pasar por los filtros, pero el conjunto de números que atraviesa las capas más bien crece, se reduce o cambia de forma. Y mientras un purificador permite cambiar un filtro por separado, las capas del aprendizaje profundo se entrenan entrelazadas entre sí, así que cambiar una sola capa por otra suele dejar de funcionar.

4Pruébalo

5Malentendidos comunes

Es fácil pensar que el aprendizaje profundo copia el cerebro humano tal cual, pero en realidad solo tomó prestada la idea del cerebro para un cálculo repetitivo muy simple, y su funcionamiento se aleja bastante del cerebro real.
Es fácil creer que profundo significa difícil y profundo en sentido figurado, pero en realidad la palabra apunta a una estructura con varias capas de proceso apiladas.
Es fácil pensar que el aprendizaje profundo siempre supera al aprendizaje automático clásico, pero en realidad, con pocos ejemplos o cuando hay que explicar el motivo de una decisión, un método con capas menos profundas suele funcionar mejor.

7Resumen en una línea

En resumenEl aprendizaje profundo es el método de aprendizaje automático que apila capas simples de modo que las primeras capturen lo tosco y las últimas lo fino, y su mayor diferencia es que decide por sí solo qué mirar.

¿Te ayudó esta analogía?

¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02