Compresión de Datos

La compresión de datos es el conjunto de técnicas que reducen el número de bits necesarios para representar una información. Aprovecha la redundancia —patrones que se repiten, símbolos más frecuentes que otros— para describir lo mismo con menos espacio, de modo que un archivo ocupe menos en disco o viaje más rápido por la red. Es una tecnología invisible y omnipresente: sostiene desde un ZIP hasta el vídeo que se reproduce en streaming.

Toda la disciplina gira en torno a una decisión fundamental: si al recuperar los datos queremos exactamente el original o nos basta con una copia suficientemente fiel. Esa elección separa los dos grandes territorios de la compresión.

Sin pérdida frente a con pérdida

En la compresión con pérdida (lossy) se descarta deliberadamente la información menos perceptible a cambio de ratios mucho mayores. Es la base de JPEG en imágenes, de MP3 y AAC en audio y de los códecs de vídeo modernos: aprovechan los límites del ojo y del oído humanos para tirar lo que apenas notaríamos. El original ya no vuelve intacto, pero la diferencia se busca invisible o inaudible.

El límite de la entropía

¿Hasta dónde se puede comprimir sin perder nada? La respuesta la dio Claude Shannon en 1948 al fundar la teoría de la información. Su teorema de codificación de fuente establece que ninguna técnica sin pérdida puede bajar, en promedio, de la entropía de la fuente: la medida de su incertidumbre o contenido de información, expresada en bits por símbolo. La entropía es el suelo infranqueable; los buenos algoritmos solo pueden aproximarse a él. Este límite pertenece a la teoría de la información, que merece ficha propia.

Compresión e IA: autoencoders y compresión ≈ predicción

El aprendizaje automático dialoga con la compresión en dos sentidos. Por un lado, los autoencoders son redes neuronales que aprenden a comprimir: un codificador reduce los datos a una representación compacta (el «cuello de botella») y un decodificador los reconstruye. Sobre esta idea se construye la compresión neuronal o aprendida —trabajos como los de Johannes Ballé y colaboradores optimizan a la vez tamaño y fidelidad—, que ya compite con los códecs tradicionales de imagen y vídeo.