Aprendizaje sin etiquetas: cómo elegir y validar una representación

Esta guía, revisada el 30 de julio de 2026, empieza donde suelen terminar las listas de algoritmos. Tenemos miles de observaciones sin etiquetar y queremos que un sistema encuentre una estructura útil. ¿Debemos agruparlas, proyectarlas en dos dimensiones, reconstruirlas, modelar su distribución o aprender qué transformaciones deberían conservar su significado? La técnica correcta no la decide la etiqueta «no supervisado», sino la pregunta que la representación deberá responder después.

Ese cambio de enfoque importa especialmente cuando se vincula el aprendizaje sin etiquetas con una futura inteligencia artificial general. Aprender de datos sin anotación humana puede reducir una dependencia costosa, pero no demuestra adaptación abierta ni conocimiento general. Una representación solo es buena respecto a un uso, una distribución y una prueba. La capacidad duradera consiste en reconstruir esa cadena antes de aceptar una promesa.

«Sin etiquetas» no significa «sin objetivo»

Todo método recibe una señal de optimización. En clustering, puede minimizar distancias dentro de grupos; un autoencoder reduce error de reconstrucción; un modelo generativo ajusta una distribución; un método contrastivo acerca vistas consideradas equivalentes y separa otras. Aunque nadie haya escrito la clase de cada ejemplo, el diseñador ha elegido una pérdida, una arquitectura, transformaciones y supuestos. Esa supervisión indirecta determina qué información se conserva.

Por eso conviene distinguir aprendizaje no supervisado, que busca estructura sin objetivos humanos por ejemplo, de aprendizaje autosupervisado, que fabrica objetivos a partir de los propios datos. En SimCLR, dos transformaciones de una imagen forman un par que debe aproximarse en el espacio latente; el trabajo mostró que la composición de esas transformaciones es decisiva. Si un recorte elimina justo la característica que importará después, el modelo puede aprender una invariancia dañina. «Más datos» no corrige por sí solo una señal mal elegida.

Primera elección: qué relación debe conservarse

El clustering responde «¿qué puntos deberían quedar juntos?», pero esa pregunta está incompleta sin una métrica. Distancia euclídea, densidad y conectividad producen particiones diferentes. K-means favorece grupos representables mediante centroides y exige decidir cuántos habrá; DBSCAN busca regiones densas y puede separar ruido, pero depende de una escala de vecindad. Ninguno descubre la clasificación verdadera escondida en cualquier conjunto. Materializa una definición matemática de semejanza.

Antes de elegir, hay que escribir una frase operacional: «dos ejemplos son vecinos si una variación entre ellos no debería cambiar la decisión X». Luego se comprueba si la distancia usada refleja esa equivalencia. Estandarizar variables, tratar valores ausentes y evitar que una dimensión de gran rango domine el cálculo son decisiones del modelo, no limpieza neutral. La estabilidad frente a muestras repetidas y pequeños cambios de hiperparámetros aporta más evidencia que un diagrama atractivo.

Una proyección sirve para mirar, no para demostrar

t-SNE asigna a cada punto una posición en dos o tres dimensiones para visualizar datos de alta dimensión, intentando conservar vecindades probabilísticas. UMAP es otro método de reducción y visualización basado en aprendizaje de variedades. Ambos pueden revelar estructura local útil, pero un espacio bidimensional es una transformación con pérdidas. La separación visual entre nubes no acredita por sí sola clases naturales ni utilidad predictiva.

La prueba mínima es repetir la proyección con varias semillas y parámetros, colorearla solo después con metadatos que no participaron en el ajuste y contrastarla con medidas en el espacio original. Si los «grupos» aparecen o desaparecen al cambiar una configuración razonable, la conclusión debe ser descriptiva: el mapa sugiere una hipótesis. Nunca debe convertirse en «el algoritmo descubrió tres tipos» sin otra validación.

Reconstruir no equivale a entender

Un autoencoder comprime una entrada y trata de reconstruirla. El cuello de botella obliga a conservar información que reduzca la pérdida, pero la pérdida decide qué errores cuestan. Un modelo puede reconstruir textura o fondo con gran precisión y descartar una señal rara que era crucial para diagnosticar una avería. Un error medio bajo tampoco garantiza que el espacio latente se organice de forma interpretable.

Los autoencoders variacionales añaden un modelo probabilístico. «Auto-Encoding Variational Bayes» introdujo un estimador reparametrizado para optimizar una cota variacional y un modelo de inferencia aproximada. Eso permite aprender variables latentes y generar muestras, pero no convierte automáticamente cada dimensión en un factor humano ni hace al método «más eficaz» que PCA o UMAP: esos procedimientos persiguen objetivos diferentes. La comparación válida fija tarea, datos, presupuesto y métrica.

El contraste también incorpora una hipótesis

El aprendizaje contrastivo suele evaluarse congelando el codificador y entrenando una sonda sencilla con algunas etiquetas, o ajustando el modelo en una tarea posterior. Esa pequeña cantidad de supervisión no invalida el entrenamiento sin etiquetas; revela si la información buscada quedó accesible. En el artículo de SimCLR, una sonda lineal sobre la representación autosupervisada de un ResNet-50 alcanzó un 76,5 % de exactitud top-1 en ImageNet bajo el protocolo descrito. La cifra pertenece a esa arquitectura, ese conjunto y esa evaluación, no a la «calidad general» de la representación.

Existe además el riesgo de aprender el atajo más simple. Un análisis de supresión de características en aprendizaje contrastivo estudia cómo pueden conservarse rasgos fáciles y perderse otros relevantes más difíciles. La lección práctica es evaluar varias tareas posteriores, incluidos subgrupos y cambios de distribución. Si una representación funciona para la clase dominante pero borra una característica minoritaria, el promedio oculta su límite.

Generar muestras es otra prueba distinta

Un modelo generativo intenta aproximar cómo se distribuyen los datos y producir nuevas observaciones. La nitidez de una muestra enseña una parte del resultado, pero no mide cobertura: un sistema puede generar ejemplos convincentes de unos pocos modos y omitir regiones enteras. Tampoco prueba que sus variables latentes sean adecuadas para clasificación, control o razonamiento causal. Fidelidad, diversidad, cobertura y utilidad posterior deben declararse por separado.

Esto evita una falsa escalera hacia AGI. Clustering, visualización, reconstrucción, contraste y generación no son etapas que sumadas conduzcan necesariamente a inteligencia general. Son contratos de aprendizaje diferentes. Combinarlos puede ser útil, pero la evidencia debe mostrar qué competencia nueva aparece y si se transfiere fuera de los datos y tareas que definieron la pérdida.

La frontera con el aprendizaje por refuerzo

Un agente de refuerzo aprende una política a partir de recompensas. Que una recompensa sea intrínseca no elimina esa estructura. El Intrinsic Curiosity Module convierte el error al predecir consecuencias de las acciones en una señal de curiosidad y lo evaluó en VizDoom y Super Mario Bros. Es una combinación de predicción autosupervisada y exploración mediante recompensa intrínseca, no simplemente clustering sin etiquetas.

Hindsight Experience Replay pertenece también al aprendizaje por refuerzo: reinterpreta episodios como si el estado alcanzado hubiera sido el objetivo y aprende de recompensas binarias escasas. Separar estas familias no es purismo terminológico. Obliga a identificar qué señal guía la conducta y qué evidencia demuestra exploración, consecución de metas o transferencia.

Una escalera de validación para cualquier representación

El primer peldaño es interno: ¿optimiza la pérdida prevista sin colapsar, producir solo un grupo o memorizar? El segundo es estructural: ¿vecindades, agrupaciones o factores son estables ante semillas, muestras y perturbaciones razonables? El tercero es posterior: ¿la representación permite resolver con pocas etiquetas la tarea para la que se creó? El cuarto es de transferencia: ¿mantiene utilidad en otro conjunto, dominio o periodo? El quinto es de daño: ¿qué subgrupos, casos raros o propiedades relevantes pierde?

Incluso seleccionar hiperparámetros sin etiquetas es un problema propio. RankMe propone el rango efectivo como criterio no supervisado para representaciones autosupervisadas de tipo joint embedding y lo contrasta experimentalmente con rendimiento posterior. El trabajo no establece una métrica universal; muestra por qué la evaluación debe formar parte del método y validarse contra el uso que pretende anticipar.

La capacidad que se lleva el lector cabe en una frase: para juzgar aprendizaje sin etiquetas, debe reconstruir la cadena datos → señal → representación → prueba → transferencia. Si falta uno de esos eslabones, el nombre del algoritmo solo describe cómo se entrenó; no demuestra qué sabe hacer, cuánto generaliza ni qué aporta a una hipotética AGI.