¿En qué se diferencian en la práctica el machine learning, el deep learning y el PLN?

El aprendizaje automático (machine learning, ML) es la disciplina amplia que consiste en construir sistemas que mejoran con la experiencia. Incluye el aprendizaje supervisado (predecir resultados a partir de datos etiquetados), el aprendizaje no supervisado (encontrar estructura en datos sin etiquetar) y el aprendizaje por refuerzo (aprender por ensayo y error).

El aprendizaje profundo (deep learning, DL) es un subconjunto del ML que utiliza redes neuronales con múltiples capas para aprender automáticamente representaciones jerárquicas. Destaca en tareas con imágenes, audio y secuencias, donde las características diseñadas a mano resultan poco prácticas. Requiere más datos y capacidad de cálculo, pero puede captar patrones complejos y no lineales que el ML tradicional aborda con dificultad.

El procesamiento del lenguaje natural (PLN) aplica técnicas de ML y DL específicamente al lenguaje humano. El PLN clásico usaba sistemas basados en reglas y modelos estadísticos. El PLN moderno se apoya en transformadores y grandes modelos de lenguaje (LLM) que aprenden representaciones contextuales de palabras y frases, habilitando tareas como la traducción, el resumen y la respuesta a preguntas.

En la práctica, la elección depende del problema: los datos de negocio tabulares suelen funcionar bien con ML tradicional (por ejemplo, gradient boosting), las tareas de visión favorecen las redes neuronales convolucionales y las tareas de lenguaje recurren cada vez más a las arquitecturas de transformadores. Comprender estas distinciones ayuda a los equipos a elegir la herramienta adecuada y evitar la sobreingeniería.