¿Qué es Parámetro? — una analogía

1La analogía

El sabor del caldo de un puesto de comida callejera se decide en la mezcla, no en los ingredientes. Imagina una fila de perillas en el mostrador que fijan cuántas cucharadas de picante, cuántas de azúcar y cuántos vasos de agua usar. Al principio se dejan en cualquier posición, sin pensarlo mucho. Se prueba una cucharada, y si alguien dice que está muy picante, se gira apenas un poco la perilla del picante hacia la izquierda; si dice que está soso, se gira un poco la del azúcar hacia la derecha. Probar y corregir un poco, cientos de veces seguidas: el resultado de repetir eso es la receta del local. Los parámetros son esas perillas. Solo que hay cientos de millones o miles de millones, así que en vez de una persona, quien las gira es el entrenamiento.

2En detalle

Quien gira las perillas es el entrenamiento

Cuando se crea un modelo por primera vez, las perillas están repartidas en valores sin ningún sentido. En ese estado, si se le pide resolver algo, por supuesto que sale una respuesta disparatada. El entrenamiento mide el tamaño de ese disparate y calcula cuánto y hacia qué lado hay que mover cada perilla para equivocarse menos la próxima vez, moviéndolas poco a poco.

Es importante no girar mucho de una sola vez. Girar mucho hace acertar el problema de ahora, pero volver a fallar el de antes. Repitiendo giros muy pequeños una cantidad enorme de veces, el modelo va desplazándose despacio hacia un punto donde acierta bien muchos problemas distintos.

La perilla que multiplica y la que suma

Hay dos tipos de perillas. Una es el valor que se multiplica con lo que entra. Si este valor es grande, ese dato se considera importante; si es pequeño, se deja pasar sin prestarle atención; si es negativo, se interpreta al revés. Es la perilla que decide cuánto caso hacerle a cada señal.

La otra es el valor que se suma después de terminado el cálculo. Multiplicar solo no permite desplazar el resultado entero hacia arriba o hacia abajo. Esta perilla sube o baja la línea base del criterio: decide si juzgar con generosidad o con mano dura.

En cantidad, las que multiplican son abrumadoramente más numerosas. Como conectan una a una cada unidad de una capa con cada unidad de la siguiente, su número crece multiplicado cuando las capas se ensanchan. Las que suman solo aparecen una por cada unidad de la capa siguiente, así que son una porción muy pequeña del total.

La cantidad es directamente el tamaño del modelo

Cuando se dice que un modelo es grande o pequeño, lo que se está midiendo es este número de perillas. Cuantas más perillas hay, más finas pueden ser las reglas que se guardan, y más margen hay para distinguir diferencias sutiles. A cambio, hace falta más espacio de almacenamiento y más memoria a la hora de ejecutarlo.

No es que más siempre sea mejor. Si hay demasiadas perillas para la cantidad de datos disponibles, el modelo termina memorizando los datos en lugar de aprender el truco para resolver el problema. Por eso se ajustan juntos la cantidad de datos, los recursos de cálculo disponibles y el número de perillas. También se usan técnicas como guardar los valores de las perillas con menos precisión, o quitar las que apenas se usan, para poder correr el modelo en dispositivos livianos.

Los valores que fija una persona son otra cosa

Solo son parámetros los valores que se fijan solos durante el entrenamiento. Cuánto mover en cada paso, cuántas veces repasar los datos, cuántas capas apilar: esos valores los fija una persona antes de empezar el entrenamiento. A esos se les llama, aparte, hiperparámetros.

La diferencia está en quién los decide. El cocinero fija de antemano la intensidad del fuego y el tiempo de cocción; lo que se corrige probando el sabor es la mezcla de condimentos. Cuando el entrenamiento no va bien, el lugar donde suele haber que tocar es, casi siempre, el que fija la persona.

3Con más precisión

Los parámetros son, en conjunto, los números internos del modelo cuyo valor se actualiza durante el entrenamiento. La mayoría son pesos que conectan una capa con la siguiente, y una pequeña parte son sesgos. Guardar un modelo significa escribir en un archivo estos números junto con la descripción de la arquitectura.

La analogía también tiene sus límites. Las perillas del mostrador se pueden girar una por una, pero el entrenamiento mueve todas las perillas un poquito, a la vez. Por eso resulta difícil señalar qué significado concreto lleva una perilla en particular. Una perilla sola, vista aparte, no tiene ningún sentido; el sentido solo aparece en el conjunto que forman cientos de millones juntas. Tampoco se puede relacionar directamente el número de perillas con el rendimiento: con la misma cantidad, el resultado varía mucho según la arquitectura y los datos de entrenamiento. Las perillas del mostrador, una vez fijadas, dan siempre el mismo sabor; el modelo, en cambio, aunque los valores de sus perillas sean idénticos, puede dar respuestas completamente distintas según en qué orden y con qué cálculo pasen los datos.

4Pruébalo

Netron (visor de arquitecturas de modelos) ailearn.space Abre un archivo de modelo real y comprueba cuántas perillas lleva cada capa

5Malentendidos comunes

Es fácil pensar que una persona fija los parámetros uno por uno, pero en realidad es el entrenamiento el que mueve los valores por su cuenta mientras observa los datos.
Es fácil pensar que cuantos más parámetros, siempre más listo, pero en realidad, si los datos y la arquitectura no lo sostienen, el modelo termina memorizando y se debilita frente a problemas nuevos.
Es fácil pensar que dentro de los parámetros están guardados los datos de entrenamiento tal cual, pero en realidad no queda el dato en sí, sino solo el ajuste que se extrajo de él.

7Resumen en una línea

En resumenEl parámetro es una perilla dentro del modelo que el entrenamiento va girando poco a poco mientras acierta las respuestas, y su cantidad determina el tamaño del modelo.

¿Te ayudó esta analogía?

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