Los 4 ingredientes de cualquier proyecto de IA

Cualquier proyecto de IA — desde un filtro de spam hasta ChatGPT — se puede descomponer en exactamente 4 ingredientes. Si identificas estos 4 en cualquier producto que veas, dejas de impresionarte y empiezas a entender qué hay debajo.

Los 4 ingredientes

1. Datos

La materia prima. Sin datos no hay IA, así de simple. Pueden ser:

• Texto: reseñas, correos, mensajes de chat, artículos.
• Números: precios, temperaturas, métricas de usuarios.
• Imágenes: fotos, capturas, gráficos.
• Sonido: grabaciones, música, comandos de voz.
• Mezcla de todo lo anterior (multimodal).

Regla de oro: la calidad del resultado nunca supera la calidad de los datos. Si entrenas un clasificador de spam con 10 ejemplos sesgados, predecirá sesgado.

2. Modelo

El "motor" que transforma datos en respuestas. Aquí tienes 3 opciones, de menos a más sofisticada:

1. Reglas escritas a mano: "si el correo contiene 'gratis' y 'oferta única' → spam". Funciona para problemas simples.
2. Modelo entrenado por ti: usas scikit-learn, le das ejemplos etiquetados y aprende los patrones. Para problemas concretos con datos tuyos.
3. Modelo ya entrenado por otros (API): usas OpenAI, Claude, Llama, etc. No entrenas nada: pagas/consumes su modelo. Para problemas generales (entender texto, generar contenido).

Importante: en este curso usaremos sobre todo la opción 3 (APIs). Es la más práctica para arrancar: cero matemáticas, resultados inmediatos.

3. Predicción (o resultado)

Lo que devuelve el modelo. Tipos habituales:

• Clasificación: "este correo es spam" o "esta foto contiene un gato". Salida discreta.
• Regresión: "esta casa vale 187.450 €". Salida numérica continua.
• Generación: "aquí tienes un párrafo describiendo tu producto". Salida en texto/imagen/audio.
• Recomendación: "estos 5 productos te van a interesar". Salida en lista.

4. Mejora (iteración)

La IA de verdad no se hace una vez y se olvida. Se mide, se ajusta, se vuelve a probar.

• ¿Está acertando? Mide tasa de acierto.
• ¿Se equivoca en algún patrón concreto? Añade ejemplos de ese patrón a los datos.
• ¿Es lento o caro? Cambia de modelo o ajusta el prompt.
• ¿Cambia el mundo (nuevos tipos de spam, nuevas tendencias)? Reentrena o reajusta.

Ejercicio guiado: identifica los 4 ingredientes en productos reales

Toma un par de productos de IA que conozcas y descompónlos. Te dejo dos ya hechos:

Ejemplo A: el filtro de spam de Gmail

• Datos: miles de millones de correos marcados por usuarios como "spam" o "no spam".
• Modelo: red neuronal entrenada por Google con esos datos.
• Predicción: para cada nuevo correo, probabilidad de spam (clasificación).
• Mejora: cada vez que marcas un correo como spam, Gmail añade ese ejemplo y reentrena.

Ejemplo B: ChatGPT

• Datos: billones de palabras de internet (libros, foros, código, Wikipedia).
• Modelo: red neuronal masiva (GPT-4) entrenada para predecir la siguiente palabra dada un contexto.
• Predicción: dado tu prompt, genera el texto más probable que continúa la conversación.
• Mejora: tus pulgares arriba/abajo (👍/👎) entrenan versiones futuras (RLHF).

Tu turno: aplica el patrón

Piensa en una app o servicio que uses y rellena mentalmente los 4 puntos. Algunas para practicar:

• Las recomendaciones de Netflix.
• El autocompletado del teclado del móvil.
• Las traducciones de Google Translate.
• El identificador de canciones de Shazam.

Checklist antes de marcar completada

• Recuerdas los 4 ingredientes sin mirar: datos, modelo, predicción, mejora.
• Entiendes la diferencia entre "entrenar tu modelo" y "usar una API de modelo entrenado".
• Has descompuesto mentalmente al menos un producto de IA que uses a diario.

En la siguiente lección dejamos de mirar a otros y construyes tu propio mini-producto: un clasificador de spam con 30 líneas de Python. Sin matemáticas, prometido.