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 sin pérdida (lossless) el original se reconstruye bit a bit, sin la menor alteración. Es obligatoria cuando cada símbolo cuenta: texto, código, hojas de cálculo o archivos ejecutables. Sus métodos clásicos combinan dos ideas complementarias. La codificación de Huffman, propuesta por David Huffman en 1952, asigna códigos más cortos a los símbolos más frecuentes; los algoritmos LZ77 y LZ78, de Abraham Lempel y Jacob Ziv, sustituyen secuencias repetidas por referencias a apariciones anteriores. El popular DEFLATE —el corazón de gzip, del formato ZIP y de las imágenes PNG— encadena ambos. La codificación aritmética es una alternativa que suele acercarse más al óptimo teórico.

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.

Por otro, hay una equivalencia profunda: comprimir bien es predecir bien. Un modelo que anticipa el siguiente símbolo con precisión permite codificarlo con menos bits; Shannon ya lo intuyó, y la codificación aritmética convierte cualquier predictor en un compresor. Investigadores de Google DeepMind y Meta lo formalizaron en 2023 en «Language Modeling Is Compression», mostrando que los grandes modelos de lenguaje, entrenados para predecir el próximo token, son compresores generales de primer nivel. Comprimir y modelar el mundo son, en el fondo, la misma tarea.