Ambos aprenden de ejemplos en lugar de seguir reglas escritas a mano. La diferencia está en quién decide qué características son importantes.
En el aprendizaje automático (ML), una persona le indica al algoritmo qué características mirar. Por ejemplo, para reconocer un gato o cualquier otro animal se le dice cómo es su pelaje, su tamaño, su peso y la forma de sus orejas. El sistema extrae esos rasgos y clasifica. Funciona bien con pocos datos y con información ordenada, sirve para tareas más generales, como saber si en una imagen hay una persona o que animal.
En el aprendizaje profundo (DL), el modelo estudia enormes cantidades de imágenes y aprende por sí mismo qué hace a un gato distinto de un perro o de otro animal. Al final responde con una probabilidad, por ejemplo “90 % gato”. Necesita muchos más datos y más capacidad de cómputo, pero logra tareas más complejas, es lo que está detrás del reconocimiento facial de un banco y de la IA generativa actual, como ChatGPT o Gemini.
En resumen: el aprendizaje automático (ML), necesita que se le digan los rasgos, mientras que el aprendizaje profundo (DL), los descubre solo a partir de muchos datos, por eso logra tareas más precisas y complejas.
