Capítulo 10: Modelos preentrenados: listos para adaptar

¿Sabes lo que pasa? Si cada vez que necesitaras una tarta tuvieras que plantar el trigo, fabricar el horno y aprender la receta desde cero, probablemente acabarías comprando galletas. Con la inteligencia artificial ocurre algo parecido: entrenar un modelo desde el principio puede exigir enormes cantidades de datos, tiempo y potencia de cálculo.

Por eso existen los modelos preentrenados: sistemas que ya han aprendido patrones generales a partir de muchos ejemplos y que pueden utilizarse como punto de partida para una tarea nueva.

Un aprendiz que no llega con la libreta en blanco

Imagina que contratas a una persona que ya sabe leer, escribir, reconocer objetos y seguir instrucciones. Todavía tendrás que explicarle cómo funciona tu negocio, pero no necesitarás enseñarle el significado de cada palabra.

Un modelo preentrenado se parece a ese aprendiz. Durante el preentrenamiento ha ajustado muchísimos parámetros para encontrar regularidades en textos, imágenes, sonidos u otros datos. Después puede usarse directamente o adaptarse con menos ejemplos para un objetivo concreto.

Preentrenar crea una base general. Adaptar aprovecha esa base para resolver una necesidad más específica.

Entrenar desde cero frente a reutilizar

• Desde cero: el modelo empieza con parámetros sin conocimiento útil y aprende toda la tarea a partir de los datos de entrenamiento.
• Modelo preentrenado: comienza con representaciones aprendidas anteriormente y las reutiliza.
• Ajuste fino o fine-tuning: se continúa entrenando el modelo con un conjunto de datos más pequeño y específico.

Esta reutilización se conoce como aprendizaje por transferencia: algo aprendido en una tarea ayuda a resolver otra relacionada. Un modelo de visión que ya distingue formas, bordes y texturas puede adaptarse para reconocer especies de plantas sin empezar absolutamente de cero.

Tres maneras de aprovechar la base

1. Usarlo tal como está. Por ejemplo, para obtener una descripción general de una imagen o clasificar textos.
2. Guiarlo mediante instrucciones y ejemplos. En los modelos conversacionales, un buen contexto puede adaptar el resultado sin modificar internamente el modelo.
3. Ajustarlo con datos específicos. El fine-tuning modifica parte o la totalidad de sus parámetros para especializar su comportamiento.

No todas las adaptaciones requieren el mismo esfuerzo. Algunas técnicas añaden pequeños módulos o ajustan solo una parte de los parámetros. Así se reduce el coste frente a copiar y volver a entrenar el modelo completo para cada tarea.

Un ejemplo cercano: reconocer plantas de Canarias

Supón que quieres crear una aplicación que distinga plantas canarias en fotografías. Podrías entrenar una red neuronal desde cero con miles de imágenes etiquetadas. También podrías partir de un modelo que ya aprendió a reconocer formas y texturas en millones de imágenes y adaptarlo con una colección más pequeña y bien cuidada de especies locales.

La segunda opción suele necesitar menos datos y computación. Pero seguirá haciendo falta comprobar que la colección representa distintas luces, tamaños, estaciones y fondos. Una buena base no arregla automáticamente unos ejemplos malos.

Preentrenado no significa perfecto ni neutral

El modelo también puede heredar limitaciones de su preentrenamiento: errores, sesgos, idiomas peor representados o conocimientos que han quedado desactualizados. Además, poder descargar o utilizar un modelo no significa que podamos ignorar su licencia, la privacidad de los datos o las condiciones del servicio.

Antes de elegirlo conviene preguntar:

• ¿Para qué datos y tareas fue diseñado?
• ¿Cómo se ha evaluado y dónde falla?
• ¿Puedo utilizarlo legalmente para mi finalidad?
• ¿Qué información voy a enviarle y quién tendrá acceso?

Haz una prueba: elige el mejor punto de partida

Tienes que crear un sistema que clasifique correos de atención al cliente en tres grupos: consulta, incidencia y devolución. ¿Con cuál empezarías?

1. Un modelo sin entrenar y cien correos de ejemplo.
2. Un modelo preentrenado con lenguaje general, adaptado después con esos cien correos.
3. Un modelo preentrenado para reconocer sonidos.

La segunda opción ofrece la base más relacionada con la tarea. No garantiza el éxito, pero permite aprovechar conocimientos lingüísticos previos y concentrar los ejemplos en las categorías concretas que necesitas.

Qué debes recordar

• Un modelo preentrenado ya ha aprendido patrones generales antes de llegar a nuestra tarea.
• Reutilizarlo suele requerir menos datos, tiempo y cálculo que entrenar desde cero.
• Podemos usarlo directamente, guiarlo con contexto o realizar un ajuste fino.
• Sus errores, sesgos, licencias y límites también viajan con él.
• «Preentrenado» explica su punto de partida; no garantiza que sea adecuado para cualquier uso.

Palabrejas de este capítulo

Modelo preentrenado, preentrenamiento, aprendizaje por transferencia, ajuste fino, parámetro e inferencia. No hace falta memorizarlas: el Diccionario sin humo está para volver cuando las necesites.

Fuentes y revisión

Entrada reconstruida a partir del capítulo 10 original de @palmercanarias.ia, publicado el 18 de abril de 2025, y ampliada y revisada el 24 de agosto de 2026.

• Google Research: BERT y el uso de representaciones preentrenadas para diferentes tareas.
• Hugging Face: ajuste fino de un modelo preentrenado.
• PyTorch: aprendizaje por transferencia y adaptación de redes preentrenadas.

En el capítulo 11 veremos un concepto relacionado pero distinto: los modelos fundacionales, diseñados como bases amplias para muchas tareas y aplicaciones.