El machine learning o aprendizaje automático es la rama de la inteligencia artificial que permite a un sistema mejorar su desempeño en una tarea a partir de la experiencia —los datos— sin que un programador codifique explícitamente cada regla. En lugar de escribir «si el importe supera X y el país es Y, marca como sospechoso», se entrena un modelo con miles de transacciones etiquetadas y el algoritmo descubre por sí mismo los patrones. Este artículo deja a un lado la promesa abstracta y baja al terreno: qué tipos de problemas resuelve realmente el machine learning en una empresa, cómo se mide si un modelo es bueno, qué exige la normativa europea y dónde tropiezan la mayoría de los proyectos.
Los tres paradigmas del aprendizaje automático
Casi todo problema de negocio encaja en uno de tres paradigmas. El aprendizaje supervisado trabaja con datos etiquetados —ejemplos en los que ya conocemos la respuesta correcta— y se subdivide en dos familias: la regresión, que predice un valor numérico continuo (el precio de una vivienda, la demanda del próximo trimestre), y la clasificación, que asigna una categoría discreta (cliente que abandonará o no, correo legítimo o spam).
El aprendizaje no supervisado opera sin etiquetas: busca estructura oculta en los datos. Su técnica estrella es el clustering o agrupamiento, que segmenta clientes en perfiles afines sin que nadie haya definido previamente esos perfiles. El aprendizaje por refuerzo, finalmente, entrena a un agente que aprende por ensayo y error maximizando una recompensa; es el paradigma de la optimización de rutas logísticas o de la gestión dinámica de precios.
El ciclo de vida de un proyecto de machine learning
Un modelo no aparece de la nada: es el resultado de un proceso disciplinado. La metodología de referencia en la industria sigue siendo CRISP-DM, con sus seis fases: comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. La regla que todo equipo veterano confirma es que la fase de preparación de datos —limpieza, tratamiento de valores ausentes, normalización, ingeniería de características— consume habitualmente la mayor parte del esfuerzo del proyecto, muy por encima del entrenamiento del modelo en sí.
Para entrenar y validar correctamente, los datos se dividen en tres conjuntos: entrenamiento (con el que el modelo aprende), validación (con el que se ajustan los hiperparámetros) y prueba (con el que se mide el desempeño final sobre datos nunca vistos). Saltarse esta separación es la vía rápida a engañarse a uno mismo.
El despliegue, además, no es el final del proyecto sino el comienzo de su fase más larga. La disciplina conocida como MLOps aplica al ciclo de vida del modelo las mismas ideas que DevOps aporta al software: versionado de datos y de modelos, automatización del reentrenamiento, monitorización continua del rendimiento en producción y reproducibilidad de cada experimento. Un modelo que se entrena una vez y se abandona se degrada de forma inevitable a medida que la realidad que predice cambia; un modelo gobernado con MLOps detecta esa degradación pronto, se reentrena con datos frescos y conserva la trazabilidad necesaria para auditar qué versión tomó cada decisión, un requisito que el propio AI Act exige en los sistemas de alto riesgo.
Cómo se mide un modelo: más allá de la exactitud
La métrica más intuitiva, la exactitud (accuracy), es engañosa cuando las clases están desequilibradas. Si solo el 1 % de las transacciones son fraudulentas, un modelo que diga «ninguna es fraude» acierta el 99 % de las veces y es completamente inútil. Por eso se usan métricas más finas:
| Métrica | Qué mide | Cuándo usarla |
|---|---|---|
| Precisión (precision) | De lo que predije positivo, cuánto acerté | Cuando un falso positivo es caro |
| Sensibilidad (recall) | De todos los positivos reales, cuántos detecté | Cuando un falso negativo es caro (fraude, diagnóstico) |
| F1-score | Equilibrio entre precisión y sensibilidad | Clases desequilibradas |
| RMSE / MAE | Error medio de la predicción numérica | Problemas de regresión |
| AUC-ROC | Capacidad de discriminar entre clases | Clasificación binaria, comparar modelos |
Otro concepto central es el equilibrio entre sobreajuste (overfitting) e infraajuste (underfitting). Un modelo sobreajustado memoriza el ruido del conjunto de entrenamiento y falla con datos nuevos; uno infraajustado es demasiado simple para capturar el patrón. La validación cruzada y la regularización son las herramientas para mantener el modelo en el punto justo.
Aplicaciones reales por área de negocio
- Predicción de abandono (churn): clasificación supervisada que identifica clientes con alta probabilidad de baja para activar retención antes de perderlos.
- Detección de fraude: combina clasificación supervisada y detección de anomalías; la métrica que importa es la sensibilidad, porque dejar pasar un fraude cuesta más que revisar una alarma falsa.
- Previsión de demanda: regresión sobre series temporales que ajusta inventarios y reduce capital inmovilizado y roturas de stock.
- Mantenimiento predictivo: con datos de sensores IoT, anticipa el fallo de una máquina antes de que se produzca la parada.
- Segmentación de clientes: clustering no supervisado que descubre perfiles de comportamiento para personalizar campañas.
- Sistemas de recomendación: filtrado colaborativo que sugiere productos relevantes y eleva el valor medio del pedido.
El hilo conductor de todas estas aplicaciones es que el modelo no sustituye la decisión humana, sino que la informa con una probabilidad fundamentada. El equipo de fraude sigue revisando las alarmas; el responsable de compras sigue aprobando el pedido que sugiere la previsión de demanda. El valor del machine learning está en priorizar la atención humana hacia donde más importa, no en eliminarla, y los proyectos que entienden esto desde el principio integran al usuario de negocio en el diseño en lugar de imponerle una caja cerrada que no comprende ni en la que confía.
Normativa: el AI Act y el RGPD aplicados al machine learning
Cualquier proyecto de machine learning con datos de personas en la UE opera bajo dos marcos. El Reglamento General de Protección de Datos (RGPD) exige base legal para tratar los datos, limitación de la finalidad y, en su artículo 22, otorga al ciudadano el derecho a no ser objeto de decisiones basadas únicamente en el tratamiento automatizado cuando produzcan efectos jurídicos o significativos; esto obliga a prever supervisión humana e información clara.
El Reglamento de Inteligencia Artificial (AI Act, Reglamento UE 2024/1689), ya en vigor con aplicación escalonada, clasifica los sistemas por nivel de riesgo: inaceptable (prohibido), alto riesgo (sujeto a obligaciones estrictas de gestión de riesgos, calidad de datos, documentación, trazabilidad y supervisión humana), riesgo limitado (obligaciones de transparencia) y riesgo mínimo. Un modelo de scoring crediticio o de cribado de personal cae en la categoría de alto riesgo y debe cumplir requisitos exigentes. Conocer en qué categoría encaja un sistema es el primer paso de cualquier proyecto serio.
Errores comunes que hacen fracasar los proyectos
- Fuga de datos (data leakage): incluir en el entrenamiento información que no estará disponible en el momento de la predicción real produce métricas espectaculares en el laboratorio y un fracaso en producción.
- Optimizar la exactitud con clases desequilibradas: el clásico error que produce modelos inútiles que «aciertan» ignorando la clase minoritaria.
- Ignorar la deriva del modelo (model drift): los patrones cambian con el tiempo; un modelo que no se monitoriza ni se reentrena se degrada en silencio.
- Sesgo en los datos de entrenamiento: si los datos históricos reflejan una discriminación, el modelo la aprende y la amplifica.
- Empezar por el modelo y no por el problema: elegir un algoritmo sofisticado antes de definir qué decisión de negocio va a mejorar es invertir el orden lógico.
Preguntas frecuentes
¿Cuántos datos necesito para entrenar un modelo?
Depende de la complejidad del problema y del algoritmo. Modelos clásicos como árboles de decisión o regresión pueden funcionar con miles de ejemplos bien etiquetados; las redes profundas exigen volúmenes mucho mayores. Más importante que la cantidad es la calidad: datos representativos, sin sesgos y correctamente etiquetados.
¿Qué diferencia hay entre machine learning y deep learning?
El deep learning es un subconjunto del machine learning basado en redes neuronales con muchas capas. Destaca en datos no estructurados (imágenes, texto, audio), mientras que para datos tabulares de negocio los métodos clásicos —como los árboles potenciados por gradiente— suelen rendir igual o mejor con menos coste.
¿Es obligatorio explicar las decisiones de un modelo?
En sistemas de alto riesgo según el AI Act y en decisiones automatizadas con efectos significativos según el RGPD, sí debe garantizarse transparencia y supervisión humana. Las técnicas de IA explicable (XAI) ayudan a interpretar por qué un modelo tomó una decisión concreta.
¿Puedo empezar sin un equipo de ciencia de datos propio?
Sí. Muchas organizaciones arrancan con un caso de uso acotado y de alto valor, apoyándose en consultoría externa y en plataformas de ML gestionadas, y construyen capacidad interna a medida que el proyecto demuestra retorno.
Conclusión
El machine learning deja de ser una promesa y empieza a generar valor el día en que se trata como lo que es: un proyecto de ingeniería de datos disciplinado y no un truco de magia algorítmica. El factor decisivo nunca es el algoritmo elegido, sino la calidad de los datos, la elección de una métrica que refleje de verdad el objetivo de negocio y la vigilancia continua frente a la deriva del modelo. Y en Europa, ese rigor técnico es inseparable del cumplimiento normativo: clasificar el sistema según el AI Act y respetar el RGPD no es burocracia añadida, sino parte del diseño responsable. En Summum Inteligencia Artificial acompañamos cada proyecto desde la definición del problema hasta el despliegue y la monitorización en producción, con la legalidad europea como requisito de partida.