Modelos de Inteligencia Artificial: Del Machine Learning Clásico a los Sistemas Cognitivos del Futuro

Modelos que aprenden patrones de datos estructurados (tablas, features, métricas). Piensa en: reglas → features → aprendizaje → predicción.

🔹 Supervisado (Regresión / Clasificación)
Modelos más usados en negocio.
Ejemplos: Random Forest, XGBoost, SVM, Logistic Regression.

🔹 No supervisado
Útiles cuando no hay labels.
Ejemplos: KMeans, DBSCAN, PCA.

🔹 Semi-supervisado / Active Learning
Aprenden con muy pocos datos etiquetados.
Ideales cuando etiquetar es caro o lento.

🔹 Series de tiempo
Modelos para pronósticos temporales.
Ejemplos: ARIMA, Prophet, LSTM híbridos.

• Rápidos
• Interpretables
• Eficientes
• Perfectos para negocio y datos tabulares

• Limitados en visión
• Limitados en lenguaje natural
• No manejan audio o video

• Detección de fraude financiero en transacciones.
• Predicción de ventas y demanda para inventarios.
• Segmentación de clientes por comportamiento de compra.
• Detección de anomalías en sensores, payroll o manufactura.
• Modelos de riesgo: credit scoring, churn, impago.

Modelos de múltiples capas capaces de aprender patrones complejos en datos no estructurados como imágenes, audio y texto.

🔹 Feed-Forward Networks (FNN)
Redes densas para clasificación y regresión general.

🔹 CNN (Convolutional Neural Networks)
Especializadas en visión por computadora e imágenes.

🔹 RNN / LSTM / GRU
Diseñadas para secuencias y series temporales largas.

🔹 Autoencoders
Utilizados para compresión, reducción de dimensionalidad y detección de anomalías.

• Alta precisión en tareas complejas.
• Ideales para imágenes, audio y texto.
• Escalables con más datos y hardware.

• Requieren GPUs / TPUs.
• Coste computacional elevado.
• Menos interpretables que ML clásico.

• Reconocimiento de imágenes (placas, rostros, objetos).
• Diagnóstico médico por radiografías, TAC o resonancias.
• Detección de defectos en líneas de producción.
• Reconocimiento automático de voz y comandos hablados.
• Clasificación avanzada de textos (opiniones, tickets, correos).

Modelos basados en self-attention que procesan secuencias completas de forma paralela, capturando relaciones de largo alcance en texto, código, audio o imagen.

🔹 LLMs (Large Language Models)
Modelos tipo GPT, Claude, Gemini para lenguaje natural.

🔹 Vision Transformers (ViT)
Adaptación de transformers para clasificación y segmentación de imágenes.

🔹 Modelos multimodales
Integran texto, imagen, audio y video en un solo modelo.

🔹 Code Transformers
Especializados en generación, lectura y corrección de código.

• Razonamiento contextual y multitarea.
• Manejo de secuencias largas.
• Capacidad de transfer learning masivo.

• Entrenamiento extremadamente costoso.
• Dependencia de grandes volúmenes de datos.
• Riesgo de sesgos heredados de los datos.

• Chatbots corporativos para soporte 24/7.
• Análisis y redacción de contratos legales complejos.
• Generación automática de reportes ejecutivos.
• Traducción y resumen de documentos en múltiples idiomas.
• Asistentes de programación (code completion, debugging).

Modelos que generan imágenes, audio o video partiendo de ruido y refinándolo paso a paso para producir contenido de alta calidad.

🔹 Stable Diffusion
Generación de imágenes a partir de texto (text-to-image).

🔹 Modelos como DALL·E / Imagen
IA generativa multimodal de alta fidelidad.

🔹 Audio diffusion
Síntesis de voz, música y efectos sonoros.

🔹 Video diffusion
Generación y edición de video a partir de texto o imágenes.

• Alta calidad visual y auditiva.
• Gran control creativo vía prompts.
• Capacidad para estilos y variaciones.

• Modelos pesados y costosos de ejecutar.
• Dependencia de la calidad del prompt.
• Riesgos de uso indebido de imágenes.

• Generación de material gráfico para marketing y campañas.
• Prototipado visual de productos antes de fabricarlos.
• Creación de storyboards y material audiovisual.
• Generación de voces sintéticas para narraciones.
• Apoyo creativo en diseño, arte y branding.

Modelos que aprenden las dinámicas de un entorno y construyen una representación interna para simular acciones, consecuencias y futuros posibles.

🔹 Model-based Reinforcement Learning
RL que usa un modelo interno del entorno para planificar.

🔹 World Models tipo DeepMind
Arquitecturas que combinan visión, memoria y predicción de estados futuros.

🔹 Modelos de dinámica física
Simulan sistemas físicos, tráfico, flujos y procesos.

🔹 Gemelos digitales basados en IA
Réplicas virtuales de sistemas reales para experimentar sin riesgo.

• Permiten simular antes de ejecutar.
• Soportan planificación y optimización.
• Reducen costos de prueba y error en el mundo real.

• Entrenamiento complejo y costoso.
• Necesitan datos de alta calidad sobre el entorno.
• Sensibles a cambios en las dinámicas reales.

• Simulación de tráfico y movilidad urbana.
• Optimización logística de rutas y flotas.
• Gemelos digitales de fábricas y plantas industriales.
• Planeación de infraestructura y expansión urbana.
• Simulación de impacto de políticas económicas o fiscales.

Modelos que aprenden a tomar decisiones mediante prueba, error y recompensas, optimizando una recompensa acumulativa a lo largo del tiempo.

🔹 Q-Learning / DQN
Métodos de valor para entornos discretos.

🔹 Policy Gradients
Métodos que aprenden directamente la política de acción.

🔹 PPO (Proximal Policy Optimization)
Algoritmo estable y popular para RL continuo.

🔹 RLHF (Reinforcement Learning from Human Feedback)
Entrenamiento de modelos usando retroalimentación humana.

• Excelente para control y toma de decisiones secuenciales.
• Aprende estrategias óptimas en entornos complejos.
• Ideal cuando no hay “respuesta correcta” fija.

• Inestable si no se diseña bien.
• Requiere muchas simulaciones o episodios.
• Difícil de aplicar directo en entornos reales sin simulador.

• Robots que aprenden a desplazarse y manipular objetos.
• Trading y ejecución algorítmica con políticas adaptativas.
• Control de tráfico en intersecciones semaforizadas.
• Optimización de consumo energético en edificios.
• Sistemas de recomendación que se adaptan al comportamiento del usuario.

Sistemas basados en LLMs conectados a herramientas, memoria y APIs, capaces de descomponer un objetivo en pasos y ejecutarlos de forma autónoma.

🔹 Task Agents
Ejecutan tareas específicas y repetitivas.

🔹 Research Agents
Buscan, leen, comparan y resumen información de múltiples fuentes.

🔹 Coding Agents
Generan, prueban y corrigen código de forma iterativa.

🔹 Workflow Agents
Orquestan procesos de negocio automatizados de punta a punta.

• Automatizan tareas completas, no solo respuestas puntuales.
• Reducen trabajo manual y repetitivo.
• Pueden operar 24/7 con supervisión mínima.

• Requieren buen control de permisos y seguridad.
• Pueden cometer errores si el objetivo no está bien definido.
• Necesitan monitoreo y gobernanza.

• Automatización de análisis de datos y generación de dashboards.
• Desarrollo de software asistido extremo a extremo.
• Investigación documental y elaboración de resúmenes ejecutivos.
• Procesamiento masivo de documentos (contratos, pólizas, expedientes).
• Monitoreo continuo de sistemas y generación de alertas inteligentes.

Modelos capaces de procesar y relacionar múltiples tipos de entrada (texto, imágenes, audio, video), generando salidas consistentes entre modalidades.

🔹 Texto + imagen
Comprensión de imágenes con descripción y respuesta en lenguaje natural.

🔹 Texto + audio
Transcripción y entendimiento de conversaciones habladas.

🔹 Texto + video
Análisis de clips de video, detección de eventos y resúmenes.

🔹 Full multimodal
Modelos que integran todas las modalidades en una sola arquitectura.

• Permiten un análisis mucho más cercano al mundo real.
• Integran contexto visual, auditivo y textual.
• Ideales para entornos ricos en señales (ciudades, hospitales, fábricas).

• Entrenamiento y despliegue más costosos.
• Necesitan grandes datasets multimodales.
• Complejidad en evaluación y validación.

• Sistemas de seguridad que combinan cámaras, audio y texto de incidentes.
• Soporte clínico con imágenes médicas y notas de texto integradas.
• Detección de incidentes en tiempo real en espacios públicos.
• Plataformas educativas basadas en video interactivo con chat.
• Asistentes médicos que leen estudios, imágenes y reportes al mismo tiempo.

Algoritmos que combinan principios de computación cuántica con técnicas de aprendizaje automático para acelerar tareas de optimización y simulación.

🔹 Variational Quantum Circuits (VQC)
Circuitos cuánticos parametrizados para tareas de clasificación y regresión.

🔹 Quantum SVM
Versiones cuánticas de máquinas de soporte vectorial.

🔹 Quantum Neural Networks
Redes neuronales implementadas sobre circuitos cuánticos.

🔹 Quantum Boltzmann Machines
Modelos generativos que aprovechan fenómenos cuánticos.

• Potencial aceleración en problemas combinatorios.
• Ventajas teóricas en ciertas tareas de optimización.
• Prometedor para simulación física y química.

• Tecnología aún inmadura.
• Hardware cuántico limitado y ruidoso.
• Pocas aplicaciones prácticas a gran escala hoy.

• Optimización de rutas logísticas complejas.
• Modelado molecular para diseño de fármacos.
• Simulación de mercados financieros de alta complejidad.
• Optimización de redes energéticas y distribución.
• Criptografía poscuántica y análisis de seguridad.

Modelos diseñados para razonar, planificar, autocorregirse y aprender de forma continua, integrando memoria de largo plazo y múltiples tipos de conocimiento.

🔹 Cognitive Models
Arquitecturas orientadas a razonamiento de varios pasos y planificación.

🔹 Self-Correcting Models
Modelos que verifican y corrigen sus propias salidas mediante bucles internos.

🔹 Long-Context Models
Ventanas de contexto de 1M–10M tokens para proyectos completos.

🔹 Auto-Evolution Models
Sistemas que se reentrenan y ajustan de forma continua con nuevos datos.

🔹 Hybrid Neuro-Symbolic Systems
Combinan redes neuronales con lógica y sistemas de reglas explícitas.

• Razonamiento más profundo y estructurado.
• Capacidad para manejar proyectos de largo plazo.
• Mejor alineación con objetivos humanos si se diseña bien.

• Costos de cómputo e infraestructura muy altos.
• Grandes desafíos éticos y de gobernanza.
• Complejidad para auditar y regular.

• Sistemas de apoyo a decisiones en gobierno y políticas públicas.
• Plataformas educativas hiperpersonalizadas a lo largo de la vida.
• Asistentes ejecutivos que gestionan proyectos complejos extremo a extremo.
• Gemelos digitales humanos para entrenamiento, simulación y salud.
• Descubrimiento científico asistido, generando y probando hipótesis nuevas.