En el aprendizaje supervisado los datos son pares (entrada, respuesta esperada): fotos con la etiqueta «gato» o «perro», correos marcados como spam o no, casas con su precio. La respuesta se llama objetivo, etiqueta o anotación (Chollet, 2021, sec. 7.4), y el modelo aprende una función que la reproduzca en entradas que no vio. Según el tipo de respuesta, la tarea es de clasificación (categorías) o de regresión (números). Witten et al. (2017) explican el nombre: el algoritmo opera bajo supervisión porque se le da el resultado real de cada ejemplo de entrenamiento (2017, p. 45).
El origen es conductista. M. Mitchell (2019) cuenta que Rosenblatt, inspirado en el condicionamiento de Skinner, quería que el perceptrón fuera premiado al acertar y castigado al errar; esa forma de condicionamiento es lo que hoy se llama aprendizaje supervisado, con una señal de supervisión que indica cuán lejos estuvo la salida de la correcta (2019, ch. 1).
Las etiquetas no caen del cielo: alguien las produce, muchas veces trabajadores de plataformas de microtareas como Mechanical Turk, que etiquetaron ImageNet (M. Mitchell, 2019, ch. 5) (ver anotación de datos). Por eso casi todos en el campo coinciden en que el aprendizaje supervisado no es, por sí solo, un camino viable hacia una IA general: no se puede etiquetar el mundo entero, y siempre queda una «cola larga» de situaciones raras sin ejemplos (M. Mitchell, 2019, ch. 6).
Para el filósofo del lenguaje, aprender de ejemplos etiquetados se parece a la enseñanza ostensiva y hereda su problema: una definición ostensiva puede interpretarse de muchas maneras (Wittgenstein, 1953/2009, §28). Un conjunto finito de pares fija, a lo sumo, parte de la extensión de un concepto; muchas funciones distintas son compatibles con las mismas etiquetas, y cuál elige el modelo depende de su sesgo inductivo.