El problema de la inducción, formulado por Hume y reformulado como el teorema de No Free Lunch, sostiene que no existe un método general y sistemático para pasar de la observación al conocimiento. Este artículo lo ilustra con un experimento divulgativo: el juego 'Petals Around the Rose', en el que se lanzan cinco dados y se debe deducir el número de pétalos que rodea la rosa central a partir de las caras obtenidas. El autor entrena varios algoritmos de aprendizaje automático con un número creciente de ejemplos y mide cuántos necesitan para acertar siempre en datos no vistos. Los resultados muestran que algunos modelos resuelven el rompecabezas con muy pocos ejemplos, otros requieren cientos y algunos —como la regresión lineal naïve— son incapaces de aprenderlo nunca. La clave está en el sesgo inductivo: las suposiciones previas que cada modelo incorpora sobre la estructura del problema. Cuando esas suposiciones encajan con la realidad, el aprendizaje es rápido; cuando la contradicen, el modelo falla por completo. A lo largo del texto se explican las diferencias entre regresión lineal, regresión con codificación one-hot y otros enfoques, y se conecta el experimento con debates actuales: por qué François Chollet creó el benchmark ARC-AGI, por qué los investigadores hablan de 'modelos del mundo' y por qué la arquitectura transformer resulta especialmente adecuada para lenguaje. El artículo incluye código fuente abierto en GitHub para reproducir los experimentos.
Noticias agregadas con IA