Última revisión:
¿Qué es el aprendizaje supervisado? Definición y diferencia con el no supervisado
El aprendizaje supervisado es un método de aprendizaje automático en el que un modelo se entrena con ejemplos cuya respuesta correcta se conoce (una etiqueta), para predecir esa respuesta en casos nuevos. Se encuentra en usos predictivos habituales en la empresa: scoring de clientes, detección de fraude, clasificación automática de solicitudes.
La CNIL, autoridad francesa de protección de datos, define el aprendizaje supervisado como un proceso de aprendizaje automático en el que el algoritmo se entrena en una tarea determinada a partir de un conjunto de datos en el que cada elemento lleva una anotación que indica el resultado esperado. En la práctica, se muestra al modelo un gran número de ejemplos: un correo y su categoría («reclamación», «presupuesto», «baja»), una transacción marcada como «fraudulenta» o «normal», una factura y su cuenta contable. El modelo ajusta sus parámetros para reducir la distancia entre sus predicciones y esas respuestas conocidas. Después se mide su rendimiento con ejemplos etiquetados que nunca ha visto, antes de usarlo en casos reales. Predominan dos familias de tareas: la clasificación, que asigna una categoría, y la regresión, que predice un valor numérico (un plazo, un importe, una probabilidad de impago). El aprendizaje supervisado es uno de los tres grandes paradigmas del aprendizaje automático, junto al aprendizaje no supervisado, que trabaja con datos sin etiquetar, y el aprendizaje por refuerzo, que aprende por ensayo y recompensa. Su fuerza es también su límite: todo depende de las etiquetas. Cuestan tiempo de expertos y reproducen los errores o sesgos de quienes las pusieron. El reglamento europeo de IA lo tiene en cuenta: para los sistemas de alto riesgo, su artículo 10 exige una gobernanza de los datos de entrenamiento, validación y prueba, incluidas las operaciones de anotación y etiquetado. Los grandes modelos de lenguaje también lo utilizan: en InstructGPT (OpenAI, 2022), un ajuste supervisado con respuestas redactadas por humanos precede a la etapa de RLHF.
Ejemplo concreto
Casos ilustrativos (empresas ficticias). Una mutua regional francesa de 300 empleados recibe varios miles de correos de afiliados al mes. Dispone de dos años de historial ya clasificado por sus asesores (reembolso, alta, baja, reclamación). Entrena un modelo de clasificación que propone una categoría y una cola de tratamiento para cada nuevo mensaje. Los asesores corrigen los errores, y esas correcciones se convierten en nuevas etiquetas para el siguiente entrenamiento. En otro ámbito, un mayorista de alimentación utiliza su historial de impagos para entrenar un modelo que estima el riesgo de retraso en el pago de cada cliente profesional. El departamento de crédito conserva la decisión: la puntuación sirve para priorizar los recordatorios y ajustar las condiciones de pago.
Comparación
| Criterio | Supervisado | No supervisado | Por refuerzo |
|---|---|---|---|
| Datos de partida | Ejemplos etiquetados con la respuesta correcta | Datos brutos, sin respuesta esperada | Sin conjunto de datos fijo: ensayos en un entorno |
| Pregunta tratada | «¿Qué categoría, qué valor?» | «¿Qué grupos, qué anomalías?» | «¿Qué acción da el mejor resultado?» |
| Ejemplos en la empresa | Scoring, detección de fraude, clasificación de tickets | Segmentación de clientes, detección de anomalías, agrupación de comentarios | Optimización logística, publicidad en línea, ajuste de asistentes de IA (RLHF) |
| Coste principal | Construir y verificar las etiquetas | Interpretar los resultados con el negocio | Construir un entorno o una recompensa fiable |
| Riesgo principal | Reproducir los errores y sesgos de las etiquetas | Encontrar grupos sin sentido para el negocio | Optimizar la recompensa en detrimento de la intención real |
Preguntas frecuentes
¿Qué es el aprendizaje supervisado en palabras sencillas?
Es aprender con ejemplos corregidos. Se proporcionan al modelo casos pasados acompañados de la respuesta correcta (este ticket era una reclamación, esta transacción era un fraude). El modelo deduce reglas estadísticas y las aplica después a los casos nuevos.
¿Cuál es la diferencia entre aprendizaje supervisado y no supervisado?
El aprendizaje supervisado parte de datos etiquetados y aprende a predecir una respuesta conocida de antemano. El no supervisado parte de datos brutos, sin respuesta esperada, y busca agrupaciones o anomalías. El primero responde a «¿qué categoría?», el segundo a «¿qué grupos aparecen?».
¿Qué ejemplos de aprendizaje supervisado hay en la empresa?
Clasificación de tickets o correos entrantes, detección de fraude en pagos, scoring del riesgo de clientes, previsión de ventas o plazos de entrega, lectura automática de facturas, control de calidad por imagen en una línea de producción. En cada caso existe un historial anotado o se puede construir.
¿Hacen falta muchos datos etiquetados?
Depende de la dificultad de la tarea y del número de categorías. Una tarea sencilla con pocas categorías bien diferenciadas requiere menos ejemplos que una tarea fina con casos poco frecuentes. Para texto, también se puede partir de un modelo de lenguaje ya entrenado y ajustarlo con un volumen reducido de ejemplos propios (fine-tuning), o probar primero una simple instrucción con algunos ejemplos.
¿ChatGPT utiliza aprendizaje supervisado?
En parte. Los modelos de lenguaje se preentrenan primero con grandes volúmenes de texto bruto para predecir la palabra siguiente. Después, como describe el artículo InstructGPT de OpenAI (2022), se ajustan de forma supervisada con respuestas redactadas por humanos, antes de una etapa de aprendizaje por refuerzo a partir de retroalimentación humana (RLHF).
¿Regula el AI Act el aprendizaje supervisado?
La técnica en sí no; sus usos sí. Un modelo supervisado que evalúa la solvencia de particulares, filtra candidaturas o decide el acceso a determinados servicios puede ser de alto riesgo (anexo III). Debe entonces cumplir el artículo 10 sobre calidad y gobernanza de los datos, obligaciones aplicables a partir del 2 de diciembre de 2027 desde el Ómnibus digital.
Ver también
Para profundizar
Supervised learning, Google for Developers (curso introductorio gratuito, en inglés)
Fuentes
- Apprentissage supervisé (aprendizaje supervisado), definición, CNIL (autoridad francesa de protección de datos). https://www.cnil.fr/fr/definition/apprentissage-supervise
- Supervised learning, curso Introduction to Machine Learning, Google for Developers. https://developers.google.com/machine-learning/intro-to-ml/supervised
- Reglamento (UE) 2024/1689 de inteligencia artificial (AI Act), artículo 10 y anexo III, EUR-Lex. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- Ouyang et al., Training language models to follow instructions with human feedback (InstructGPT), OpenAI, arXiv, 4 de marzo de 2022. https://arxiv.org/abs/2203.02155