M. Mitchell (2019) lo llama quizás el término más importante de la informática: una «receta» de pasos que una computadora puede seguir para resolver un problema (2019, ch. 1). El lógico conoce su versión rigurosa, la noción de procedimiento efectivo que Church y Turing formalizaron en 1936.
En aprendizaje automático conviven dos algoritmos que es fácil confundir. Uno es el algoritmo de aprendizaje, escrito por personas: la regla del perceptrón, ID3 para árboles de decisión, k-means, la retropropagación con descenso por gradiente. El otro es lo que ese algoritmo produce: un modelo que, dada una entrada, computa una salida. El segundo también es un procedimiento, pero nadie lo escribió línea por línea. Chollet (2021) lo resume diciendo que el aprendizaje automático descubre las reglas de una tarea a partir de ejemplos de lo que se espera, en vez de recibirlas programadas (2021, sec. 1.1.3). En Elemedex, las especies de tipo algoritmo (Máquina de vectores de soporte, k vecinos más cercanos…) son métodos de aprendizaje clásicos; las de tipo modelo, resultados concretos de entrenar.
La distinción reabre una objeción clásica. En 1843, Ada Lovelace escribió que la máquina analítica no tiene pretensión alguna de originar nada: solo puede hacer lo que sabemos ordenarle (Chollet, 2021, sec. 1.1.2). Turing (1950) la discutió como «la objeción de Lady Lovelace». Un sistema entrenado ejecuta, sí, un algoritmo que alguien supo ordenar; pero las reglas que termina aplicando no las conocía nadie de antemano, y a veces nadie las conoce después (ver caja negra). ¿Alcanza eso para decir que «origina» algo?
También conviene desconfiar del uso periodístico: «el algoritmo» de una red social suele designar un sistema entero (modelos, reglas de negocio, datos y métricas de interacción), no un procedimiento.