Lección 8 — Qué Es Machine Learning y Para Qué Sirve

Para comprender qué es machine learning, podemos empezar con una idea sencilla: en lugar de programar explícitamente todas las reglas necesarias para resolver determinadas tareas, utilizamos datos y algoritmos para construir modelos capaces de aprender patrones y utilizarlos ante nuevos casos.

El machine learning, también llamado aprendizaje automático, es una de las áreas más importantes de la inteligencia artificial moderna. Se utiliza cuando queremos resolver problemas en los que escribir manualmente todas las reglas sería difícil, poco práctico o insuficiente, pero disponemos de datos a partir de los cuales podemos encontrar patrones útiles.

Esto no significa que una máquina aprenda exactamente como una persona ni que pueda resolver automáticamente cualquier problema. Significa que podemos construir sistemas cuyo comportamiento para determinadas tareas se obtiene, al menos en parte, aprendiendo patrones a partir de datos.

🎯 Qué Aprenderás en Esta Lección

Al finalizar esta lección podrás:

• explicar qué es machine learning o aprendizaje automático;
• comprender para qué sirve;
• reconocer la diferencia fundamental entre programar reglas y aprender patrones;
• identificar problemas en los que machine learning puede resultar útil;
• reconocer ejemplos de clasificación, predicción y recomendación;
• comprender por qué los datos son fundamentales;
• distinguir entre entrenamiento y utilización de un modelo a nivel conceptual;
• reconocer situaciones donde machine learning no es necesario;
• analizar un problema antes de decidir si conviene utilizar aprendizaje automático.

La capacidad práctica que buscamos desarrollar es:

observar un problema y determinar si existen patrones que podrían aprenderse a partir de datos o si sería más apropiado resolverlo mediante reglas explícitas.

🧠 ¿Qué Es Machine Learning?

Machine learning es un enfoque de inteligencia artificial que permite construir modelos capaces de aprender patrones a partir de datos para realizar determinadas tareas sin especificar manualmente todas las reglas necesarias para cada caso.

La expresión en español es:

aprendizaje automático.

Ambos términos se utilizan ampliamente, aunque machine learning es especialmente frecuente en documentación, herramientas y entornos profesionales.

La idea fundamental puede resumirse así:

Datos → Aprendizaje de patrones → Modelo

Una vez obtenido el modelo:

Nuevo dato → Modelo → Resultado

El resultado puede ser, dependiendo del problema:

• una categoría;
• una predicción;
• una estimación;
• una recomendación;
• una puntuación;
• la identificación de un patrón.

Más adelante aprenderemos cómo se entrenan estos modelos. Por ahora nos interesa comprender qué cambia cuando utilizamos machine learning para resolver un problema.

💻 Programación Tradicional vs. Machine Learning

En la Lección 4 estudiamos que la programación tradicional permite especificar instrucciones y reglas que una computadora ejecuta.

Imaginemos que necesitamos calcular el descuento de un cliente:

Si compra más de $1,000 → descuento del 10 %

Si compra $1,000 o menos → sin descuento

La regla es clara.

Podemos programarla directamente.

De manera simplificada:

Datos + Reglas programadas → Resultado

Pero pensemos ahora en otro problema:

¿Este mensaje de correo electrónico es spam?

Podríamos intentar escribir reglas:

• si contiene determinada palabra → spam;
• si tiene muchos enlaces → spam;
• si utiliza determinada frase → spam.

El problema es que los mensajes pueden variar enormemente.

Los remitentes también pueden modificar su comportamiento para evitar las reglas conocidas.

En determinadas situaciones puede resultar más útil disponer de muchos ejemplos anteriores y construir un modelo que aprenda patrones relacionados con ambas categorías:

Ejemplos de mensajes → Aprendizaje → Modelo

Después:

Nuevo mensaje → Modelo → Spam / No spam

Ésta es una de las diferencias fundamentales que debemos comprender.

Programación tradicional: nosotros especificamos las reglas.

Machine learning: utilizamos datos para aprender patrones que el modelo podrá aplicar a nuevos casos.

⚠️ Esto No Significa que Machine Learning Elimine la Programación

Sería un error interpretar lo anterior como:

“Machine learning sustituye a la programación.”

No es así.

Un sistema de aprendizaje automático necesita software para:

• obtener datos;
• almacenarlos;
• procesarlos;
• entrenar o utilizar modelos;
• presentar resultados;
• conectarse con otros sistemas;
• aplicar reglas;
• ejecutar acciones;
• registrar lo ocurrido.

Por ejemplo, una tienda podría utilizar un modelo para estimar qué productos podrían interesar a un cliente.

Pero todavía necesita programación para:

• mostrar los productos;
• administrar el carrito;
• calcular precios;
• procesar pedidos;
• gestionar inventario;
• registrar pagos;
• enviar confirmaciones.

Por tanto:

Machine learning no reemplaza necesariamente la programación tradicional; normalmente se integra con ella.

🎯 ¿Para Qué Sirve Machine Learning?

El aprendizaje automático resulta especialmente útil cuando queremos encontrar y utilizar patrones en datos para resolver tareas donde las reglas explícitas pueden ser difíciles de construir o mantener.

Algunos usos frecuentes incluyen:

• clasificar información;
• realizar predicciones;
• estimar valores;
• detectar patrones inusuales;
• recomendar elementos;
• reconocer contenido;
• ordenar resultados;
• apoyar decisiones.

Lo importante no es memorizar esta lista.

Debemos aprender a identificar qué tipo de resultado necesitamos obtener.

Veamos algunos ejemplos.

📧 Ejemplo 1: Clasificar Mensajes

Supongamos que una empresa recibe miles de mensajes.

Necesita clasificarlos como:

• ventas;
• soporte;
• facturación;
• reclamaciones;
• otros.

Una solución basada exclusivamente en palabras clave podría funcionar parcialmente.

Pero aparecen mensajes como:

“Me cobraron dos veces el último pedido.”

No contiene necesariamente la palabra “facturación”, pero una persona puede reconocer fácilmente de qué trata.

Si disponemos de suficientes ejemplos previamente clasificados, podríamos utilizar machine learning para aprender patrones relacionados con cada categoría.

Entonces:

Mensajes anteriores + categorías → Aprendizaje → Modelo

y posteriormente:

Nuevo mensaje → Modelo → Categoría estimada

Después, una automatización podría enviar el mensaje al departamento correspondiente.

Observa que nuevamente combinamos:

Machine learning + Programación + Automatización

🏠 Ejemplo 2: Estimar el Valor de una Vivienda

Supongamos que queremos estimar el precio de una vivienda utilizando características como:

• superficie;
• ubicación;
• número de habitaciones;
• antigüedad;
• características del inmueble.

Podríamos intentar escribir manualmente una enorme colección de reglas.

Pero las relaciones entre estas variables y el precio pueden ser complejas.

Si disponemos de datos históricos de viviendas y sus precios, un algoritmo puede utilizarlos para aprender relaciones útiles.

Después podríamos introducir las características de una vivienda nueva y obtener:

Precio estimado: $X

Aquí el modelo no está asignando simplemente una categoría.

Está intentando estimar un valor numérico.

Más adelante aprenderemos que este tipo de problema puede abordarse mediante técnicas de regresión.

Por ahora basta con reconocer la tarea:

utilizar patrones históricos para estimar un valor desconocido.

🎬 Ejemplo 3: Recomendaciones

Imagina una plataforma con miles de películas.

El problema no consiste únicamente en almacenar el catálogo.

Necesitamos responder:

¿Qué películas podrían resultar relevantes para este usuario?

Dependiendo del sistema, podrían utilizarse señales como:

• contenidos vistos;
• interacciones anteriores;
• valoraciones;
• características de las películas;
• patrones de otros usuarios.

Un modelo puede utilizar esos datos para estimar qué elementos podrían ser relevantes.

Después:

Datos disponibles → Modelo → Recomendaciones

La aplicación muestra esas recomendaciones.

El usuario decide qué quiere ver.

Machine learning ayuda a estimar relevancia, pero no toma necesariamente la decisión final.

💳 Ejemplo 4: Detectar Patrones Inusuales

Pensemos nuevamente en operaciones financieras.

Una institución puede procesar enormes cantidades de transacciones.

Machine learning puede utilizarse para identificar operaciones cuyos patrones difieren de lo esperado.

El resultado podría ser:

Operación → Modelo → Puntuación de riesgo

Si la puntuación supera determinado criterio, el sistema podría solicitar una revisión adicional.

Pero debemos recordar lo aprendido en la lección anterior:

“inusual” no significa automáticamente “fraudulento”.

El modelo proporciona información que después debe incorporarse correctamente al proceso.

👁️ Ejemplo 5: Reconocer Contenido en Imágenes

Supongamos que queremos distinguir fotografías de dos tipos de objetos.

Con programación tradicional podríamos intentar definir reglas relacionadas con:

• colores;
• formas;
• tamaños;
• bordes.

Pero los objetos pueden aparecer:

• desde diferentes ángulos;
• con distinta iluminación;
• parcialmente ocultos;
• sobre diferentes fondos;
• con múltiples tamaños.

Escribir manualmente todas las combinaciones posibles puede resultar extremadamente difícil.

Con machine learning podemos utilizar ejemplos para construir un modelo capaz de aprender patrones relevantes.

Después:

Nueva imagen → Modelo → Categoría estimada

Este principio se encuentra detrás de muchas aplicaciones modernas de visión por computadora.

🔍 ¿Qué Tienen en Común Estos Problemas?

Los ejemplos anteriores parecen muy diferentes.

Tenemos:

• correo electrónico;
• viviendas;
• películas;
• transacciones;
• imágenes.

Sin embargo, comparten una idea:

existen datos anteriores o ejemplos a partir de los cuales podemos intentar aprender patrones útiles para nuevos casos.

Ésta es una señal importante para detectar posibles problemas de machine learning.

Podemos empezar preguntando:

¿Tenemos ejemplos o datos relacionados con el problema?

Después:

¿Existe algún patrón que pueda ayudarnos a producir el resultado que necesitamos?

Y finalmente:

¿Podemos evaluar si ese resultado es suficientemente útil?

Estas tres preguntas son mucho más importantes que comenzar preguntando:

“¿Qué algoritmo de machine learning utilizamos?”

📊 Los Datos Son Parte Fundamental del Problema

Machine learning depende profundamente de los datos.

Podemos tener un algoritmo sofisticado, pero si nuestros datos son:

• insuficientes;
• incorrectos;
• incompletos;
• poco representativos;
• mal etiquetados;
• desactualizados;

el modelo puede aprender patrones poco útiles.

Imagina que queremos construir un sistema para reconocer diferentes frutas.

Disponemos de 10,000 fotografías.

Parece una cantidad excelente.

Pero descubrimos que:

• 9,800 son manzanas;
• 100 son naranjas;
• 100 son peras.

El número total por sí solo no nos dice si los datos son adecuados.

También debemos comprender:

• qué contienen;
• cómo fueron obtenidos;
• qué casos representan;
• qué casos faltan;
• qué errores existen.

Más adelante estudiaremos estos problemas con mayor profundidad.

Por ahora conserva esta idea:

la calidad de una solución de machine learning depende también de la calidad y pertinencia de los datos utilizados.

🏋️ Entrenar No Es lo Mismo que Utilizar

Esta distinción ya apareció cuando estudiamos cómo funciona la inteligencia artificial y ahora adquiere especial importancia.

Durante el entrenamiento, utilizamos datos y un algoritmo de aprendizaje para construir o ajustar un modelo.

Simplificando:

Datos → Entrenamiento → Modelo

Después podemos utilizar el modelo con información nueva:

Nuevo dato → Modelo → Resultado

A esta segunda etapa se le suele llamar inferencia.

Por ejemplo:

Entrenamiento

Utilizamos miles de imágenes previamente disponibles para construir un modelo.

Inferencia

Le mostramos una imagen nueva y el modelo produce una clasificación.

Son procesos relacionados, pero no son lo mismo.

Y utilizar un modelo tampoco significa necesariamente que éste esté aprendiendo continuamente de cada nueva interacción.

🧩 Machine Learning Es un Medio, No el Objetivo

Supongamos que una empresa nos dice:

“Queremos implementar machine learning.”

Nuestra primera pregunta no debería ser:

“¿Qué modelo quieren utilizar?”

Debería ser:

“¿Qué problema quieren resolver?”

Tal vez el verdadero problema sea:

• reducir devoluciones;
• clasificar solicitudes;
• detectar defectos;
• estimar demanda;
• recomendar productos;
• identificar anomalías.

Una vez comprendido el problema podemos analizar si machine learning aporta alguna ventaja.

Ésta es exactamente nuestra filosofía:

El Problema Primero. La Tecnología Después.