Machine learning

El machine learning (en español, aprendizaje automático) es la rama de la inteligencia artificial que permite que un sistema aprenda de los datos en lugar de seguir instrucciones escritas a mano. En vez de que un programador defina cada regla ("si el cliente debe más de 90 días, marcalo como riesgoso"), el modelo descubre solo los patrones a partir de miles de ejemplos pasados y los usa para predecir o clasificar casos nuevos.

La idea de fondo es simple: le mostrás al algoritmo muchos casos con su resultado conocido (clientes que compraron y clientes que no, facturas correctas y facturas con error) y el modelo ajusta sus parámetros hasta minimizar la diferencia entre lo que predice y la realidad. A ese proceso se lo llama entrenamiento. Después, frente a un dato que nunca vio, el modelo generaliza y entrega una predicción.

El machine learning es la tecnología que está detrás de buena parte de la automatización moderna: desde el lead scoring que prioriza prospectos hasta el análisis predictivo de demanda. Es también el cimiento de los modelos sobre los que se construyen los Agentes de IA, que combinan estos modelos con razonamiento y acceso a herramientas.

Cómo aprende un modelo de machine learning

Todo modelo de machine learning trabaja sobre tres elementos: datos de entrada (las variables o features que describen cada caso), un algoritmo que busca relaciones entre esas variables, y una salida (la predicción). El aprendizaje ocurre durante el entrenamiento, cuando el algoritmo recorre los datos históricos una y otra vez y va corrigiendo sus parámetros internos para equivocarse cada vez menos. Cuando ese ajuste converge, el modelo queda listo para hacer inferencia, es decir, generar predicciones sobre datos nuevos.

La diferencia clave con la programación tradicional es el sentido de la flecha. En un sistema clásico, vos escribís las reglas y la computadora produce respuestas. En machine learning, vos aportás los ejemplos con su respuesta correcta y la computadora deduce las reglas implícitas. Por eso brilla en problemas donde las reglas son demasiadas, demasiado sutiles o cambian con el tiempo, como detectar fraude, estimar demanda o entender lenguaje.

Los tres grandes tipos de aprendizaje

El campo se organiza en familias según cómo se le presentan los datos al modelo:

• Aprendizaje supervisado: se entrena con datos etiquetados (cada ejemplo trae la respuesta correcta). Es el más usado en negocios. Sirve para clasificar (¿este lead va a convertir?) o para predecir un número (¿cuánto venderemos el mes que viene?).
• Aprendizaje no supervisado: se entrena con datos sin etiqueta y el modelo busca estructura por su cuenta, por ejemplo agrupando clientes parecidos. Es la base de la segmentación automática.
• Aprendizaje por refuerzo: el modelo aprende por prueba y error recibiendo recompensas o castigos según sus decisiones. Es común en robótica, optimización de precios y sistemas de recomendación dinámicos.

Por qué le importa a una empresa

El valor concreto del machine learning es que convierte datos históricos en decisiones anticipadas. Una empresa que ya tiene años de ventas, cobranzas o tickets de soporte está sentada sobre un activo: esos registros contienen patrones que una persona no puede procesar a escala. Un modelo sí. La condición de entrada es la calidad del dato: sin datos limpios y representativos, hasta el mejor algoritmo produce predicciones poco confiables. De ahí el dicho del rubro: basura entra, basura sale.

Ejemplo concreto en Argentina

Pensá en una distribuidora de Consumo Masivo que abastece kioscos y almacenes en el conurbano bonaerense. Cada mes enfrenta el mismo problema: cuánto stock de cada producto mandar a cada zona sin quedarse corta ni inflar el inventario. Con un modelo de machine learning entrenado sobre dos años de ventas, estacionalidad, clima y feriados, el sistema predice la demanda por SKU y por zona con mucho más detalle que una planilla. El resultado típico que reportan estos proyectos es una reducción del quiebre de stock y del capital inmovilizado, sin sumar gente al equipo de planeamiento. El modelo no reemplaza al planificador: le da una recomendación base para que decida sobre las excepciones.

Errores comunes al adoptarlo

• Esperar magia sin datos: un modelo necesita un volumen y una calidad mínimos de historial; con pocos casos no generaliza.
• Confundir correlación con causa: el modelo encuentra patrones, no explica el porqué. Una variable que correlaciona hoy puede romperse mañana.
• Olvidar el reentrenamiento: el mundo cambia (inflación, nuevos competidores) y un modelo congelado se degrada. Hay que monitorearlo y reentrenarlo con datos frescos.
• Tratarlo como caja negra sin control: en decisiones sensibles conviene mantener a una persona en el circuito (human-in-the-loop) y entender por qué predice lo que predice.

Machine learning y deep learning: en qué se diferencian

El deep learning es un subconjunto del machine learning que usa redes neuronales con muchas capas. Toda IA generativa moderna se apoya en deep learning, pero no todo machine learning es deep learning. La elección depende del problema, los datos disponibles y el costo.

Para la mayoría de los casos de negocio (predecir churn, scoring de leads, pronóstico de ventas con datos tabulares) el machine learning clásico es más barato, más rápido y más explicable, y suele ser la elección correcta. El deep learning entra cuando el dato es no estructurado, como entender el texto de un email o clasificar una imagen de un comprobante.