Redes neuronales y aprendizaje profundo

El 30 de julio de 2026, llamar «inteligente» a una red neuronal sigue ocultando más de lo que explica. Una red no comprende una tarea como una persona ni mejora por voluntad propia: encadena operaciones matemáticas cuyos parámetros se ajustan para reducir un error medido sobre datos. El aprendizaje profundo es la versión de esta idea que emplea varias capas de representación. Para entender una demostración, un producto o un fallo no basta con reconocer siglas como CNN, RNN o GAN. Hay que poder seguir el ciclo que convierte una entrada en una predicción y una predicción equivocada en una modificación de parámetros.

Ese ciclo ofrece una capacidad práctica: ante cualquier red, identificar entrada, arquitectura, salida, pérdida, datos de validación y coste del error. Si alguno falta, todavía no se ha descrito un sistema evaluable.

Una red es una función parametrizada

Una unidad recibe números, calcula una combinación ponderada, añade un sesgo y aplica una función no lineal. Una capa reúne muchas unidades; varias capas componen una función. Los «pesos» y «sesgos» son los parámetros que el entrenamiento modifica. La metáfora de la neurona biológica dio nombre al campo, pero no debe tomarse como equivalencia: estos componentes no reproducen la organización, la química ni la plasticidad de un cerebro.

La profundidad importa porque las capas pueden construir representaciones sucesivas. En una imagen, unas operaciones pueden responder primero a contrastes locales; otras combinan esos patrones en estructuras útiles para la tarea. En texto, una representación puede integrar relaciones entre elementos de una secuencia. La revisión de LeCun, Bengio y Hinton define el aprendizaje profundo precisamente por múltiples niveles de representación, no por una clase concreta de aplicación.

Más capas no garantizan un mejor modelo. También aumentan la capacidad de ajustar regularidades accidentales, dificultan la optimización y elevan el coste. «Profundo» describe la estructura computacional; no certifica profundidad conceptual, generalidad ni fiabilidad.

El forward pass: de la entrada a la salida

El primer paso del entrenamiento y de la inferencia es la propagación hacia delante. La entrada se transforma capa a capa hasta producir una salida. En clasificación, esa salida puede convertirse en puntuaciones o probabilidades por clase. En regresión puede ser un número. En un modelo generativo puede ser una distribución sobre el siguiente elemento o una muestra construida a partir de una señal latente.

La forma de la entrada no es un detalle. Una imagen puede representarse como una matriz de píxeles; una secuencia, como vectores ordenados; una tabla, como variables normalizadas. El preprocesamiento decide qué información conserva el modelo y qué supuestos introduce. Si el conjunto de entrenamiento contiene una marca que coincide por accidente con la etiqueta, la red puede explotar ese atajo. El cálculo será correcto y la solución, inútil fuera de esos datos.

La pérdida convierte el objetivo en una cantidad

Para ajustar parámetros hace falta medir la discrepancia entre la salida y el objetivo. Esa medida es la función de pérdida. No es sinónimo de la métrica que importa al usuario. Un modelo puede optimizar entropía cruzada y evaluarse después con precisión, sensibilidad o calibración; un error medio puede ocultar fallos graves en un subgrupo. Elegir la pérdida significa decidir qué errores empujan con más fuerza el entrenamiento.

El objetivo real suele combinar pérdida, regularización y restricciones. Por eso la frase «el modelo aprendió de los datos» es incompleta. Aprendió bajo una arquitectura, una muestra, una función de pérdida, un algoritmo de optimización y un presupuesto. Cambiar cualquiera de ellos puede cambiar lo aprendido.

Backpropagation y optimización no son lo mismo

La retropropagación calcula cómo variaría la pérdida ante pequeños cambios en cada parámetro. Recorre la cadena de operaciones en sentido inverso mediante la regla de la cadena y obtiene gradientes. El artículo de 1986 de Rumelhart, Hinton y Williams mostró cómo esos ajustes permiten que unidades ocultas formen representaciones útiles. No fue el origen de toda diferenciación automática, pero sí un trabajo decisivo para entrenar representaciones distribuidas en redes multicapa.

El optimizador usa esos gradientes para decidir la actualización. El descenso de gradiente estocástico estima la dirección con lotes de ejemplos. Métodos adaptativos como Adam mantienen estimaciones de momentos del gradiente. Backpropagation responde «¿en qué dirección cambia la pérdida?»; el optimizador responde «¿qué paso damos?». Confundirlos impide diagnosticar si un fallo procede del cálculo del gradiente, de la tasa de aprendizaje, del muestreo o del propio objetivo.

El ciclo se repite: lote, forward pass, pérdida, backpropagation, actualización. Una época recorre una vez el conjunto de entrenamiento, aunque el orden y la composición de los lotes puedan variar. Que la pérdida de entrenamiento baje solo demuestra ajuste a esa muestra bajo ese objetivo.

Las familias de redes incorporan supuestos distintos

Una red totalmente conectada permite que cada unidad de una capa reciba todas las salidas de la anterior. Es flexible, pero ignora estructura espacial o secuencial salvo que los datos y el entrenamiento la revelen.

Las redes convolucionales comparten filtros sobre posiciones. Ese supuesto favorece la detección de patrones locales y reduce parámetros frente a una capa densa equivalente. El trabajo de Krizhevsky, Sutskever y Hinton en ImageNet combinó convoluciones profundas, GPU y regularización para clasificación visual. El resultado respaldó esa configuración en aquel banco de pruebas; no convierte toda CNN en un buen sistema visual.

Las redes recurrentes reutilizan un estado al recorrer secuencias. Variantes como LSTM introdujeron mecanismos para conservar y controlar información a través de intervalos largos. Los Transformers reorganizaron el procesamiento secuencial alrededor de la atención. Son decisiones de arquitectura distintas, no grados de «inteligencia».

Las redes generativas adversarias entrenan un generador y un discriminador con objetivos enfrentados. El trabajo original de Goodfellow y sus coautores formuló ese juego minimax. Una GAN no es una capa que se añade a cualquier red: es un régimen de entrenamiento con dos modelos y problemas propios de estabilidad y evaluación.

Generalizar es el examen, no memorizar

Un modelo sobreajusta cuando funciona mejor sobre ejemplos conocidos que sobre datos nuevos relevantes. Separar entrenamiento, validación y prueba evita usar el examen final para tomar decisiones. La validación orienta arquitectura e hiperparámetros; la prueba estima el resultado una vez fijado el procedimiento. Si se consulta repetidamente la prueba, deja de ser una medición independiente.

La regularización modifica el proceso para limitar soluciones demasiado adaptadas. Las penalizaciones L1 y L2 actúan sobre los pesos. La parada temprana usa la evolución en validación. Dropout elimina aleatoriamente unidades y conexiones durante el entrenamiento. Ninguna técnica arregla etiquetas erróneas, fuga de información o una muestra que no representa el uso. Tampoco debe añadirse por rutina: cada una introduce un sesgo que hay que comprobar.

Una guía de trabajo que sí permite diagnosticar

1. Defina la unidad de predicción. Qué entra, qué sale y en qué momento se toma la decisión.
2. Construya una referencia simple. Una regla o modelo pequeño revela si la red aporta algo por encima de una solución barata.
3. Separe los datos antes de ajustar. Evite que una persona, dispositivo o periodo aparezca a ambos lados si eso produciría fuga.
4. Registre las curvas. Pérdida y métricas de entrenamiento y validación permiten distinguir falta de ajuste, sobreajuste e inestabilidad.
5. Haga ablaciones. Quite componentes para comprobar qué parte causa la mejora.
6. Evalúe el coste del error. Desglose por clases, subgrupos y condiciones de uso; una media no basta.
7. Documente inferencia. Latencia, memoria, consumo y comportamiento con entradas fuera de distribución también forman parte del modelo real.

La capacidad transferible es leer una red como un circuito de decisiones verificables: representación hacia delante, pérdida, gradiente, actualización y prueba independiente. Las familias arquitectónicas ayudan a introducir supuestos adecuados. Solo la evaluación muestra si esos supuestos aprendieron una regularidad útil en vez de memorizar el escenario.