Statistical AI

La IA estadística es un enfoque de la inteligencia artificial que construye sistemas estimando patrones y probabilidades a partir de datos, en lugar de codificar reglas escritas a mano. Un sistema estadístico representa explícitamente la incertidumbre, ajusta sus parámetros a ejemplos y se evalúa según su rendimiento con datos que no ha visto. Casi toda la IA moderna funciona así, desde los filtros de spam y los reconocedores de voz hasta los detectores de objetos y los modelos de lenguaje grandes (LLM), que asignan una probabilidad a cada posible token siguiente. El término se utiliza sobre todo en contraste con la IA simbólica, la tradición basada en reglas y lógica que dominó las primeras décadas del campo.

De las reglas a las probabilidades#

Desde la década de 1950 hasta la de 1980, la mayor parte de la investigación en IA se centró en métodos simbólicos: lógica, búsqueda y sistemas expertos cuyo conocimiento se plasmaba en reglas del tipo «si... entonces». Estos sistemas funcionaban en ámbitos limitados y bien definidos, pero fallaban ante entradas ruidosas o ambiguas, y cada situación nueva requería nuevas reglas. En las décadas de 1980 y 1990, los métodos probabilísticos se impusieron área tras área. Los modelos ocultos de Markov se convirtieron en la base del reconocimiento de voz; el libro de Judea Pearl de 1988 sobre redes bayesianas hizo práctico el razonamiento probabilístico —un trabajo que más tarde recibió el Premio Turing de 2011—; en 1990, investigadores de IBM publicaron un enfoque estadístico de la traducción automática, y en 1995 llegaron las máquinas de vectores de soporte. Desde 2012, el aprendizaje profundo ha ampliado el mismo enfoque: de las características diseñadas manualmente a los píxeles, el audio y el texto sin procesar.

Conceptos clave#

• Modelos probabilísticos: Las creencias son distribuciones de probabilidad, y el teorema de Bayes actualiza una creencia previa con la probabilidad de nuevas pruebas para obtener una creencia posterior. El mismo proceso de actualización impulsa los filtros de spam, los modelos de diagnóstico y los sistemas de seguimiento de objetos.
• Aprender como proceso de estimación: El entrenamiento elige los parámetros que hacen más probables los datos observados; en la mayoría de los modelos, esto equivale a minimizar una función de pérdida, normalmente mediante descenso del gradiente.
• Generalización: Un modelo flexible puede ajustarse al ruido del conjunto de entrenamiento, por lo que el rendimiento se mide con datos excluidos del entrenamiento. El compromiso entre sesgo y varianza describe el equilibrio entre modelos demasiado simples y demasiado flexibles para los datos.
• Confianza gradual: Las predicciones incluyen probabilidades que los sistemas posteriores pueden filtrar mediante umbrales, ordenar o combinar con otras pruebas.

Un filtro de spam de Bayes ingenuo ilustra estos conceptos en pocas líneas. Estima la frecuencia con que aparece cada palabra en el correo basura y en el correo normal, y luego combina esas estimaciones con el teorema de Bayes para puntuar un mensaje nuevo:

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# Labeled examples replace hand-written rules: 1 = spam, 0 = not spam
messages = ["win a free prize now", "claim your free cash reward", "limited offer, click now to win"]
messages += ["meeting moved to monday", "can you review my draft today", "lunch with the team on friday"]
labels = [1, 1, 1, 0, 0, 0]

# Count words, then estimate each word's probability under each class
vectorizer = CountVectorizer()
model = MultinomialNB()
model.fit(vectorizer.fit_transform(messages), labels)

for text in ["free prize inside", "draft for monday", "free lunch on friday"]:
    spam_probability = model.predict_proba(vectorizer.transform([text]))[0, 1]
    print(f"{text!r}: P(spam) = {spam_probability:.2f}")

«free prize inside» obtiene una probabilidad de spam de 0.86 y «draft for monday», de 0.21; «free lunch on friday», que mezcla palabras de ambas clases, obtiene 0.29. El modelo aprendió que «free» indica spam basándose únicamente en seis mensajes etiquetados.

Familias de métodos estadísticos#

La IA estadística abarca desde pequeños modelos probabilísticos hasta redes profundas con miles de millones de parámetros; las distintas familias intercambian estructura incorporada por datos. Los modelos gráficos codifican dependencias explícitamente y funcionan con pocos datos; los métodos clásicos, como los k vecinos más cercanos y los árboles potenciados por gradiente, como XGBoost y LightGBM, aprenden a partir de tablas de características; y las redes profundas aprenden sus propias características a partir de entradas sin procesar:

IA estadística y términos relacionados#

• IA simbólica: Representa el conocimiento mediante símbolos y reglas explícitos, como las instrucciones «si... entonces» de un sistema experto, y extrae conclusiones mediante inferencia lógica. Su razonamiento puede seguirse paso a paso y no necesita datos de entrenamiento, pero falla ante entradas que sus reglas no contemplan.
• Aprendizaje automático: La principal práctica de la IA estadística. Ambos términos se solapan casi por completo, y «IA estadística» se utiliza sobre todo para contrastar los métodos basados en datos con los simbólicos.
• IA neuro-simbólica: Combina modelos aprendidos con razonamiento simbólico, por ejemplo, un LLM que llama a una calculadora, consulta una base de datos o utiliza un demostrador de teoremas.
• Lógica difusa: Asigna grados de verdad entre 0 y 1 a afirmaciones vagas como «la habitación está templada»; mide la vaguedad, algo distinto de la probabilidad de un suceso.

Aplicaciones en el mundo real#

• Filtrado de spam: El ensayo de Paul Graham de 2002 A Plan for Spam popularizó los filtros bayesianos, que aprenden las probabilidades de las palabras a partir del correo de cada usuario; los filtros actuales aplican la misma idea a muchas más señales.
• Traducción automática: Google Translate se lanzó en 2006 con traducción automática estadística, que aprendía las probabilidades de traducción de frases a partir de textos paralelos, y pasó a la traducción automática neuronal en 2016.
• Generación de texto: Los LLM generan texto seleccionando en cada paso muestras de una distribución de probabilidad sobre su vocabulario; antes de cada selección, un ajuste de temperatura concentra o aplana esa distribución.
• Percepción visual: Los detectores de objetos son modelos estadísticos de principio a fin. Ultralytics YOLO26 aprende sus pesos minimizando una función de pérdida sobre imágenes etiquetadas, devuelve una puntuación de confianza con cada cuadro y, en modo de predicción, descarta los cuadros por debajo del umbral conf, que es 0.25 de forma predeterminada.