El Aprendizaje Automático (Machine Learning) cambia el paradigma de la programación tradicional. En lugar de escribir reglas explícitas (if/else) para procesar datos, alimentamos al sistema con datos para que él mismo descubra las reglas matemáticas subyacentes.
Detalles de los cuatro paradigmas de entrenamiento fundamentales:
1. Aprendizaje Supervisado (Supervised Learning)
El modelo se entrena con un conjunto de datos etiquetados. Esto significa que para cada dato de entrada (características), el algoritmo conoce la respuesta correcta (etiqueta). Su objetivo es aprender una función de mapeo para predecir la etiqueta de nuevos datos.
Se divide en dos grandes tipos de problemas:
Clasificación: La salida es una categoría discreta.
Ejemplo en Sistemas: Identificar si un binario es malware o software legítimo; clasificar correos en spam o no spam.
Regresión: La salida es un valor numérico continuo.
Ejemplo en Sistemas: Predecir el porcentaje de uso de CPU de un servidor para las próximas dos horas basándose en el histórico de carga.
2. Aprendizaje No Supervisado (Unsupervised Learning)
El modelo recibe datos sin etiquetar y no se le da una respuesta correcta. El algoritmo debe explorar la estructura de los datos por sí mismo para encontrar patrones, similitudes o anomalías ocultas.
Sus principales aplicaciones son:
Clustering (Agrupamiento): Agrupar elementos similares.
Ejemplo en Sistemas: Segmentar usuarios de una plataforma educativa según su nivel de interacción o agrupar logs de un servidor para identificar patrones de tráfico habituales.
Detección de anomalías: Identificar datos que se desvían significativamente del comportamiento normal.
Ejemplo en Sistemas: Detectar un ataque de denegación de servicio (DDoS) porque el patrón de peticiones actuales no encaja con ningún clúster de tráfico legítimo.
3. Aprendizaje por Refuerzo (Reinforcement Learning)
Este paradigma se basa en la interacción con el entorno. Un agente (el algoritmo) toma decisiones dentro de un entorno para maximizar una recompensa acumulada a lo largo del tiempo, aprendiendo mediante ensayo y error.
Los componentes clave son: el agente, el estado actual, las acciones disponibles y la penalización o recompensa recibida tras ejecutar una acción.
Ejemplo en Sistemas: Optimizar el enrutamiento de paquetes en una red dinámica compleja o gestionar de forma autónoma los sistemas de climatización en un centro de datos (CPD) para reducir el consumo energético sin comprometer el hardware.
4. Aprendizaje Semisupervisado (Semi-supervised Learning)
Es un enfoque híbrido que se utiliza cuando etiquetar datos es muy costoso o requiere demasiado tiempo humano. El modelo se entrena con una pequeña cantidad de datos etiquetados y un gran volumen de datos sin etiquetar. Los datos etiquetados sirven para guiar el aprendizaje inicial, y los no supervisados ayudan a definir las fronteras de decisión globales del modelo.
Ejemplo en Sistemas: Sistemas de reconocimiento facial o de voz donde el usuario etiqueta manualmente un par de fotos suyas ("Este soy yo") y el sistema clasifica automáticamente miles de imágenes restantes sin etiquetar en el almacenamiento.
Tabla comparativa de paradigmas
| Paradigma | Tipo de Datos | Ventaja Principal | Mayor Desventaja |
| Supervisado | Etiquetados | Alta precisión y control sobre los resultados esperados. | Requiere un esfuerzo humano masivo para etiquetar los datos inicialmente. |
| No Supervisado | Sin etiquetar | Descubre patrones ocultos que los humanos no habríamos mapeado. | Es difícil validar la precisión de los resultados de forma objetiva. |
| Por Refuerzo | Dinámicos (Entorno) | Excelente para automatizar la toma de decisiones complejas y secuenciales. | El proceso de entrenamiento es lento y puede ser inestable al principio. |
| Semisupervisado | Mixto | Reduce drásticamente el coste y tiempo de preparación de datos. | Si la muestra etiquetada inicial tiene sesgos, el error se propaga al resto del dataset. |