Explicador en lenguaje claro
El descenso de gradiente, explicado
¿Cómo aprende de verdad una red neuronal?
Entrenar es un bucle. El modelo hace una predicción, una función de pérdida mide cuánto se equivocó, y el cálculo le dice a cada peso qué pequeño empujón habría reducido el error. Todos los pesos toman su empujón, y el bucle se repite miles de millones de veces. Eso es el descenso de gradiente: bajar por un paisaje de error que nunca ves completo, un pasito a la vez. Nadie escribe las reglas. Las reglas son los valores de los pesos donde el descenso se asienta.
No te quedes en leerlo. Opera tú mismo el mecanismo en una lección interactiva corta.
Míralo funcionar: Descenso de gradiente: rodar cuesta abajo →Gratis, sin código, sin registro.
Lo que la gente entiende mal
- Los ingenieros programan el conocimiento del modelo. Programan el bucle. El conocimiento es el subproducto de correrlo sobre datos.
- El entrenamiento encuentra la respuesta perfecta. Encuentra un valle bajo que funciona, no el mejor garantizado.
- El modelo sigue aprendiendo cuando chateas con él. Tras el entrenamiento los pesos quedan congelados. Tu conversación cambia el context, nunca los pesos.
Dónde lo ves en productos reales
- Los titulares sobre entrenamientos que cuestan millones describen este bucle a escala.
- Las curvas de pérdida en los posts de los laboratorios son el camino cuesta abajo, dibujado en el tiempo.
- Los servicios de fine-tuning corren el mismo bucle, partiendo del modelo terminado y usando tus datos.
Explicadores relacionados
Parte de See How AI Works, un curso interactivo gratuito, donde aprendes cómo funciona la IA moderna operándola, no viendo videos.