En la programación clásica alguien escribe las reglas y la computadora las aplica. En el aprendizaje automático el orden se invierte: se le dan al sistema datos y respuestas esperadas, y el sistema encuentra reglas que conecten unos con otras. Chollet (2021) lo resume diciendo que un sistema así se entrena en vez de programarse explícitamente, y que hacen falta tres cosas: datos de entrada, ejemplos de la salida esperada y una manera de medir cuán lejos está la salida actual de la deseada (2021, secs. 1.1.2–1.1.3). Aprender, en este sentido técnico, es buscar dentro de un espacio predefinido de transformaciones posibles, guiándose por esa medida de error.
El nombre viene de Arthur Samuel, que en los años cincuenta programó una IBM 701 para jugar a las damas y mejorar con la experiencia (M. Mitchell, 2019, ch. 9). Hoy el campo abarca desde un árbol de decisión hasta GPT-3, y se organiza según la señal disponible: aprendizaje supervisado, no supervisado, autosupervisado o por refuerzo. Su contraste histórico es la IA simbólica (GOFAI), que confiaba en reglas explícitas escritas por programadores y expertos (Chollet, 2021, sec. 1.1.1).
¿Aprende realmente la máquina? Witten et al. (2017) proponen una definición operacional: algo aprende cuando cambia su conducta de modo que rinde mejor en el futuro. Pero enseguida notan que una pantufla cómoda también la satisface: se amolda al pie y cumple mejor su función, y nadie diría que aprendió (2017, p. 8). Su salida es pragmática: el campo se llama así sin presuponer ninguna posición filosófica sobre qué es aprender (2017, p. 9). Para un lector filósofo, esa neutralidad declarada es justamente el lugar donde empieza la discusión (ver entrenamiento y generalización).