Machine learning vs IA generativa: ¿qué deberías aprender primero?

La IA generativa forma parte del campo más amplio del machine learning. ML aprende patrones para clasificar, predecir, ordenar o generar; los modelos generativos producen texto, imágenes, audio o código nuevos.

Dificultad, código y matemáticas

El uso práctico de IA generativa puede empezar sin código, con prompting y verificación. Las aplicaciones fiables añaden programación, API, recuperación y evaluación. ML tradicional introduce antes Python, preparación de datos, estadística y métricas; la investigación requiere más álgebra lineal, cálculo y optimización.

Casos de uso

• IA generativa: redacción, resumen, creación multimodal, asistentes de conocimiento y flujos LLM.
• ML general: predicción, recomendación, anomalías y problemas con datos tabulares.
• Ambos: sistemas de producción que necesitan calidad de datos, experimentos y métricas.

Elige según tu objetivo

Para usar IA en el trabajo, empieza con alfabetización, prompting, privacidad y verificación. Como desarrollador, crea una aplicación LLM acotada y después aprende ML; la ruta AI Developer sirve de puente. Para ingeniería ML o data science, prioriza Python, estadística, aprendizaje supervisado y no supervisado. Para investigar modelos, prioriza matemáticas, teoría y deep learning en la ruta AI Researcher.

No confundas prompting con todo el campo generativo ni supongas que este sustituyó al ML predictivo. Tampoco necesitas terminar un currículo completo de matemáticas para usar un LLM de forma responsable.

Haz un proyecto de dos semanas: evalúa un flujo LLM con rúbrica o crea un predictor básico. Usa lo aprendido para escoger un curso. La primera elección orienta, pero no bloquea tu carrera.