Aprendizaje No Supervisado

El aprendizaje no supervisado es la rama del aprendizaje automático que busca estructura en datos sin etiquetas: no se le dice al modelo cuál es la respuesta correcta, sino que debe descubrir por sí mismo regularidades, grupos y patrones. Se distingue así del aprendizaje supervisado, que aprende de ejemplos ya etiquetados (esta imagen es un gato), y del aprendizaje por refuerzo, que aprende de recompensas obtenidas al actuar en un entorno. Donde el supervisado imita y el refuerzo ensaya, el no supervisado explora.

En el lenguaje de la documentación de scikit-learn y de los manuales clásicos (Bishop; Goodfellow, Bengio y Courville), su materia prima es el dato crudo, sin anotar, y su objetivo es modelar cómo se distribuyen u organizan los datos.

Las tareas

Cuatro familias resumen casi todo. El agrupamiento (clustering) reúne ejemplos parecidos en grupos: k-means, DBSCAN, métodos jerárquicos. La reducción de dimensionalidad comprime muchas variables en pocas conservando lo esencial, con técnicas como PCA o t-SNE, útil tanto para visualizar como para alimentar modelos posteriores. La estimación de densidad modela la probabilidad de los datos y sostiene la detección de anomalías: lo raro es sencillamente lo poco probable. Y el aprendizaje de representaciones busca codificaciones compactas y ricas —los autoencoders— que capturen el significado latente. IA360 dedica entradas propias a clustering y a reducción de dimensionalidad; aquí basta con verlas como piezas de un mismo mapa.

El autosupervisado y los modelos fundacionales

El giro de la última década tiene nombre: aprendizaje autosupervisado (self-supervised). Yann LeCun lo popularizó con su «analogía del pastel» —el grueso del pastel es el aprendizaje no supervisado, el glaseado es el supervisado y la guinda el refuerzo— y en 2019 sustituyó «no supervisado» por «autosupervisado», al que describió como una variante donde los propios datos aportan la supervisión. La idea es fabricar etiquetas a partir del dato. Ocultar una palabra y predecirla (el enmascaramiento de BERT) o predecir el siguiente token (la familia GPT) convierte texto sin anotar en millones de ejercicios que traen su propia respuesta. Ese preentrenamiento es hoy el motor de los modelos fundacionales: el informe de Stanford que acuñó el término (Bommasani et al., 2021) los define como modelos entrenados con autosupervisión a gran escala sobre datos amplios, adaptables luego a muchas tareas.

Usos y límites

Sirve para segmentar clientes, detectar fraude y anomalías, comprimir información y, sobre todo, preentrenar los grandes modelos de lenguaje y de visión. Su límite honesto: sin etiquetas es difícil evaluar. No hay respuesta correcta contra la que medir, así que la calidad de un agrupamiento se juzga con métricas internas o por su utilidad aguas abajo, y el valor de una representación se mide por lo que permite hacer después. Cómo comparar de forma objetiva dos soluciones no supervisadas cuando ninguna trae verdad de referencia sigue siendo un problema abierto y no resuelto.