Parte 2 — Cómo toman decisiones las máquinas
La transición desde sistemas basados en reglas hacia modelos que se ajustan a partir de datos introduce un cambio profundo en la forma en que una máquina produce una respuesta.
En los sistemas clásicos, la decisión estaba definida de antemano.
En los sistemas actuales, la decisión es el resultado de un proceso de estimación.
Comprender este cambio requiere analizar cómo se construye una decisión dentro de un sistema computacional.
Desde un punto de vista formal, también puede interpretarse como un cambio en la naturaleza de los modelos utilizados:
- los sistemas clásicos operan, en general, sobre estructuras deterministas, frecuentemente lineales o segmentadas en reglas discretas;
- los sistemas de aprendizaje automático introducen modelos no lineales capaces de capturar relaciones complejas entre variables.
Esta diferencia es crítica.
Un sistema lineal responde de forma proporcional y predecible a sus entradas.
Un sistema no lineal puede representar interacciones, dependencias y comportamientos que no pueden descomponerse en reglas simples.
En la práctica, muchos modelos modernos —como las redes neuronales— están construidos a partir de combinaciones de transformaciones lineales sucesivas, intercaladas con funciones no lineales.
Esta estructura es fundamental.
Sin componentes no lineales, múltiples transformaciones se reducen a una sola operación lineal equivalente, limitando severamente la capacidad del sistema.
La no linealidad no es un detalle técnico: es lo que permite a estos modelos aproximar funciones complejas y operar en entornos reales.
Decisión como ejecución: el modelo determinista
En su forma más básica, una máquina toma decisiones ejecutando reglas explícitas.
Dado un conjunto de condiciones:
- si A se cumple → ejecutar B
- si no → ejecutar C
Este esquema presenta propiedades claras:
- la decisión está completamente definida
- el resultado es reproducible
- no existe ambigüedad interna
El sistema no evalúa alternativas en términos probabilísticos.
Aplica una estructura lógica previamente establecida.
Este modelo sigue siendo fundamental en numerosos sistemas de control, donde la previsibilidad es un requisito.
Sin embargo, presenta una limitación estructural:
solo funciona correctamente cuando el entorno puede describirse de forma completa mediante reglas.
Incorporación de incertidumbre
El mundo real introduce variabilidad que no puede representarse adecuadamente con condiciones binarias.
Para abordar este problema, se desarrollaron modelos que permiten operar con grados en lugar de valores absolutos. La lógica difusa es uno de los ejemplos más conocidos.
En este enfoque:
- una condición puede cumplirse parcialmente
- las decisiones se construyen combinando reglas ponderadas
- el sistema puede responder de manera más estable frente a variaciones
Sin embargo, el diseño sigue siendo manual.
El sistema no aprende a partir de datos.
Opera sobre una estructura definida por quien lo construye.
Cambio de paradigma: la decisión como función
El aprendizaje automático introduce una diferencia esencial: la decisión no está codificada directamente.
Se representa mediante una función que transforma entradas en salidas.
Formalmente, puede describirse como:
donde:
- x representa la información de entrada
- θ son los parámetros internos del modelo
- es la salida estimada
El sistema no selecciona entre reglas.
Calcula una salida a partir de una estructura parametrizada.
Entrenamiento: construcción del comportamiento
El comportamiento del modelo no se programa de forma explícita, la expresión correcta es que SE ENTRENA.
A partir de un conjunto de datos compuesto por entradas y resultados esperados, el sistema ajusta sus parámetros para mejorar su desempeño.
Este proceso define cómo responde el modelo ante nuevas situaciones.
No existe una lista explícita de reglas.
El comportamiento emerge del ajuste.
El núcleo operativo: la gestión del error
El elemento central del aprendizaje automático es el error.
Se define una función que mide la diferencia entre la salida del modelo y el valor real.
Este proceso puede describirse en cuatro pasos:
- El modelo produce una estimación
- Se calcula la diferencia respecto al resultado esperado
- Se ajustan los parámetros internos
- El ciclo se repite sobre múltiples ejemplos
Este mecanismo es iterativo y constituye el núcleo del sistema.
La decisión no se construye directamente.
Se obtiene mediante la reducción progresiva del error.
Decisión bajo incertidumbre: enfoque probabilístico
A diferencia de los sistemas deterministas, los modelos actuales operan en términos probabilísticos.
Dada una entrada, el sistema evalúa qué salida es más consistente con lo aprendido durante el entrenamiento.
Esto implica que:
- la decisión es una aproximación
- existe incertidumbre inherente
- el resultado depende de la distribución de los datos
El sistema no ejecuta una instrucción fija.
Selecciona la mejor estimación disponible.
Generalización: operar fuera del entrenamiento
Una propiedad clave de estos modelos es la capacidad de responder a datos no vistos previamente.
Esto es posible porque el sistema:
- identifica patrones
- construye representaciones internas
- extrapola dentro de un dominio estadístico
Sin embargo, esta capacidad tiene límites:
- depende de la calidad de los datos
- puede fallar fuera de distribución
- no implica comprensión del problema
La generalización es una propiedad estadística.
Condiciones de la decisión
Toda decisión producida por un sistema de inteligencia artificial depende de tres elementos fundamentales:
- Datos → qué información recibe
- Modelo → cómo procesa esa información
- Función de error → qué se considera correcto
Modificar cualquiera de estos componentes altera el comportamiento del sistema.
No hay decisiones neutras.
Hay decisiones condicionadas.
Conclusión
Los sistemas actuales no toman decisiones en el sentido clásico de aplicar reglas predefinidas.
Funcionan como sistemas de estimación que:
- procesan información
- ajustan parámetros
- optimizan resultados
Una máquina no decide como un agente consciente.
Minimiza error dentro de un marco definido.
Este principio es el núcleo operativo de la inteligencia artificial contemporánea.
Y conduce directamente al siguiente nivel de análisis a tratar en la próxima entrega:
El rol de los datos como límite estructural del sistemamas de decisión
]
}
Somos tu guía de robótica referente en la región.
