Qué es backpropagation
Una red neuronal empieza con pesos aleatorios y hace predicciones malas. Backpropagation es el mecanismo para mejorarla: compara la predicción con la respuesta correcta, mide el error y reparte la «culpa» entre todas las conexiones. Se popularizó en los años 80 y sigue siendo la base del entrenamiento del deep learning.
Cómo funciona
- Pasada hacia delante: la red hace una predicción.
- Cálculo del error: una función de pérdida mide cuánto se ha equivocado.
- Pasada hacia atrás: se calcula cómo influye cada peso en el error.
- Ajuste: los pesos se modifican un poco en la dirección que reduce el error (descenso de gradiente).
- Se repite con millones de ejemplos.
Ejemplo real
Una red aprende a distinguir fotos de productos defectuosos. Al principio marca como defectuosa una taza perfecta. Backpropagation ajusta los pesos que llevaron a ese error. Tras miles de ejemplos, la red distingue con precisión un desconchón real de un reflejo de luz.
Para qué te sirve en tu negocio
No lo aplicarás directamente, pero ayuda a entender por qué la IA necesita muchos datos y mucho cálculo para aprender, y por qué entrenar un modelo propio es caro.
Errores comunes
- Pensar que la red «entiende» sus errores: solo ajusta números.
- Confundir backpropagation con el descenso de gradiente: trabajan juntos, pero son pasos distintos.
- Creer que es una técnica nueva: tiene décadas.
Preguntas frecuentes
¿Qué es el descenso de gradiente?
El método que usa la información de backpropagation para ajustar los pesos.
¿Los LLM se entrenan con backpropagation?
Sí.
¿Qué es la función de pérdida?
La fórmula que mide cuánto se equivoca el modelo.