En 1966, el desarrollo del Linear Predictive Coding revolucionó la compresión de audio al asumir que no todo sonido debía conservarse. Medio siglo después, los sistemas de inteligencia artificial aplican ese mismo principio: perder para ganar, simplificar para comprender.
La historia de la inteligencia artificial no solo se escribe con datos, sino también con lo que se decide omitir. La compresión —esa técnica que permite reducir el tamaño de una señal sin perder lo esencial— ha sido tan fundamental como los algoritmos de aprendizaje. En el corazón de esa historia está la distinción entre dos formas de comprimir: con pérdida (lossy) y sin pérdida (lossless). En apariencia técnica, esa diferencia encierra una de las decisiones más profundas que enfrenta cualquier sistema que aprende: ¿qué conservar y qué olvidar?
