Cómo agrupa una IA: qué significa que dos datos se parezcan
La Ciencia de Jaun: divulgación científica y tecnológica en español. Sobre el proyecto
Una caja de botones sirve para explorar una pregunta del aprendizaje automático: cuando un programa encuentra grupos, ¿qué cuenta como parecido y quién ha decidido cómo medirlo?
Los enlaces numerados abren la fuente del párrafo. Puedes consultar sus datos en Fuentes y materiales.
Una caja, varias formas de ordenar
Imagina que vacías una caja de botones sobre la mesa. Puedes reunirlos por color, por tamaño o por material. La caja sigue siendo la misma; cambiaste la regla para organizarla. Este ejemplo inventado nos ayudará a entender una tarea del aprendizaje automático llamada clustering: agrupar datos por su parecido, sin recibir de antemano la categoría que corresponde a cada ejemplo. [1]
El vídeo de La Ciencia de Jaun plantea qué es el clustering y lo relaciona con la formación de subconjuntos similares y el análisis exploratorio. Partimos de esa pregunta. La caja de botones, el procedimiento que explicaremos y sus límites son una ampliación independiente, apoyada en la documentación técnica de Google y scikit-learn. [7]
El ordenador recibe medidas
Para nuestro ejemplo anotamos dos características de cada botón: diámetro y grosor, ambos en milímetros. Cada botón queda representado por una pareja de números. Si dibujamos el diámetro en un eje y el grosor en otro, obtenemos un punto por botón. Dos puntos próximos representan botones con medidas parecidas. El programa compara esa representación: no está mirando la caja como la miraríamos nosotros. [2]
Elegir las características ya condiciona el resultado. Como no hemos registrado el color ni el material, esas propiedades quedan fuera de esta comparación. Un botón rojo y uno azul podrían resultar muy próximos. La documentación de Google insiste en definir el parecido mediante las características disponibles y escoger una medida adecuada al problema. Agrupar para buscar botones de repuesto puede requerir criterios distintos de agrupar para preparar un mosaico. [2]
Las unidades también cuentan
Hay una trampa discreta. Supongamos que calculamos distancias en línea recta entre los puntos usando los números de nuestra tabla, sin ajustar sus escalas. Ahora expresamos solo el grosor en micrómetros: sus valores se multiplican por mil, mientras el diámetro sigue en milímetros. Los botones no han cambiado, pero esa coordenada puede pasar a dominar la distancia numérica y alterar los grupos. Ni siquiera hacía falta perder un botón para desordenar la caja. [3]
Por eso se preparan los datos antes de compararlos. Una posibilidad es transformar cada característica para situarla en una escala comparable a las demás. Google muestra cómo esa preparación puede cambiar qué puntos quedan más cerca. No significa que todas las características deban importar siempre lo mismo: el ajuste debe responder a la pregunta planteada. Elegir variables y escalas forma parte del análisis, aunque después el cálculo sea automático. [3] [2]
Un método que mueve centros
Veamos una forma concreta de agrupar: k-means. Primero se indica cuántos grupos se quieren formar; ese número es k. Para explicarlo, elegimos tres. El procedimiento parte de tres centros iniciales y asigna cada punto al centro más cercano en línea recta. Después recalcula cada centro usando la media de las medidas de los puntos que le han correspondido. Ese centro medio se llama centroide; no tiene por qué coincidir con un botón real. [4]
Asignar puntos y recalcular centros se repite hasta cumplir un criterio de parada, por ejemplo que los centros apenas se desplacen. El objetivo estándar es reducir la suma de las distancias en línea recta al cuadrado entre los puntos y sus centros. Esto favorece grupos compactos según esas medidas. El punto de partida importa: distintas inicializaciones pueden conducir a resultados diferentes, y el procedimiento no garantiza encontrar la mejor solución global. [4]
Tres grupos no son tres verdades
Elegimos tres grupos para explicar el mecanismo, no porque hayamos descubierto tres clases naturales de botones. Pedir dos o cuatro puede producir otra partición. La demostración de scikit-learn sobre los supuestos de k-means recuerda que el número de grupos apropiado depende de los datos y del objetivo del análisis; no existe siempre una única respuesta verdadera esperando a ser encontrada. [5]
Además, la forma de los grupos también importa. En ejemplos con datos sintéticos, scikit-learn muestra agrupaciones poco intuitivas cuando las nubes de puntos son alargadas o tienen distinta dispersión. Es una advertencia sobre k-means en esas condiciones, no una prueba de que cualquier técnica de agrupación vaya a fallar. Antes de interpretar los grupos conviene comprobar que el método encaja con la estructura de los datos. [5]
Qué hacer con los grupos
El resultado necesita interpretación. Google propone revisar si ejemplos que conocemos como parecidos aparecen juntos, examinar los grupos extraños y reconsiderar la preparación, la medida de similitud o los supuestos del algoritmo. Obtener una partición no demuestra por sí solo que sea útil para la tarea que motivó el análisis. Si queremos preparar repuestos, tendremos que comprobar que los botones agrupados sirven realmente para ese propósito. [6]
Volvamos a la mesa. La agrupación puede ayudarnos a explorar una caja grande, pero su significado depende de lo que medimos y de cómo lo comparamos. Cuando leamos que una IA ha encontrado grupos, podemos hacer una pregunta sencilla: ¿parecidos según qué características y útiles para qué? Esa pregunta permite empezar a valorar el resultado sin atribuirle al programa una comprensión que el análisis no ha demostrado.
Fuentes y materiales
Para seguir aprendiendo
Explicaciones institucionales, documentación técnica y lecturas complementarias.
- What is clustering? (se abre en otra pestaña)Google for Developers
Documentación técnica; actualización indicada: 25 de agosto de 2025.
- Manual similarity measure (se abre en otra pestaña)Google for Developers
Documentación técnica sobre la elección de características y medidas de similitud.
- Data preparation (se abre en otra pestaña)Google for Developers
Documentación técnica; ejemplos de transformación de escalas.
- 2.3. Clustering (se abre en otra pestaña)The scikit-learn developers
Documentación de scikit-learn, sección 2.3.2. K-means; mecanismo, objetivo e inicialización.
- Demonstration of k-means assumptions (se abre en otra pestaña)The scikit-learn developers
Demostración con datos sintéticos; no es un estudio de objetos o personas reales.
- Evaluating results (se abre en otra pestaña)Google for Developers
Documentación técnica sobre comprobación e interpretación de agrupaciones.
Vídeo del proyecto
Contenido divulgativo de La Ciencia de Jaun; no sustituye a los estudios originales.
- Ver el vídeo completo en La Ciencia de Jaun: 🔍 15 Preguntas Clave sobre Inteligencia Artificial (nº2) 🤖 (se abre en otra pestaña)La Ciencia de Jaun · 2024
Leída la transcripción automática en español; pregunta sobre clustering en 4:42–5:08.
Correcciones y contacto
Si encuentras un posible error, indícanos el pasaje y, si la tienes, una fuente para contrastarlo.