Aprendizaje no supervisado

En el aprendizaje no supervisado, el modelo recibe datos sin etiquetas y debe descubrir por sí mismo qué estructura tienen. Nadie le dice cuál es la respuesta correcta; su tarea es encontrar regularidades: qué ejemplos se parecen entre sí, qué variables se mueven juntas o qué casos son raros.

Las tareas más comunes son el agrupamiento o clustering, que reúne ejemplos similares (por ejemplo, con el algoritmo k-medias); la reducción de dimensionalidad, que resume muchas variables en unas pocas para visualizarlas o procesarlas mejor; la detección de anomalías, que identifica casos atípicos; y las reglas de asociación, que descubren combinaciones frecuentes, como productos que suelen comprarse juntos.

Su gran ventaja es que no requiere etiquetado de datos, que es caro. Su gran dificultad es la evaluación: como no hay respuesta correcta, decidir si los grupos encontrados son útiles depende del criterio de quien analiza. Un algoritmo de agrupamiento siempre encontrará grupos, aunque no tengan significado práctico.

Un matiz técnico: el aprendizaje autosupervisado, con el que se preentrenan los grandes modelos de lenguaje, también usa datos sin etiquetar humanas, pero fabrica sus propias etiquetas a partir de los datos (por ejemplo, ocultar una palabra y predecirla). Por eso suele tratarse como una categoría aparte, aunque algunos textos lo agrupan con el no supervisado. Frente al supervisado, ambos permiten aprovechar volúmenes de datos mucho mayores.