Machine Learning
aprendizaje automático
El machine learning es la rama de la inteligencia artificial en la que un sistema aprende patrones a partir de datos históricos en lugar de seguir reglas escritas por una persona. Se traduce como aprendizaje automático. Cuanto más histórico tenga, mejor acierta.
En qué se diferencia de programar reglas
Un programa clásico hace lo que se le ha dicho. Si un pedido supera 500 euros, envío gratis. Alguien escribió esa regla y el sistema la aplica.
Un sistema de aprendizaje automático recibe miles de pedidos pasados con su desenlace y deduce por su cuenta qué combinaciones de importe, provincia, hora y tipo de producto acaban en devolución. Nadie escribió esa relación: la ha encontrado en los datos.
De ahí salen sus dos límites prácticos. Necesita volumen, porque con doscientos registros no hay patrón que encontrar. Y hereda los sesgos del histórico: si durante años se rechazaron presupuestos de un perfil de cliente por prejuicio, el sistema aprenderá a rechazarlos también.
Conviene distinguirlo de lo que hoy se llama inteligencia artificial generativa. Los asistentes que redactan textos usan aprendizaje automático por debajo, pero el aprendizaje automático abarca mucho más: previsión de demanda, detección de fraude, recomendación de productos, clasificación de correos, mantenimiento predictivo. Casi nada de eso genera texto.
Dónde lo usa ya una pyme sin saberlo
La mayoría de las empresas españolas usa aprendizaje automático a diario sin haberlo contratado. Está dentro de herramientas que ya tiene.
Las campañas de publicidad digital funcionan así desde hace años: el sistema decide a quién enseñar el anuncio y cuánto pujar según lo que aprende de las conversiones previas. Por eso una campaña rinde peor las dos primeras semanas y mejor después.
El filtro de correo no deseado, las recomendaciones de producto en una tienda en línea, la previsión de ventas de un software de gestión o la transcripción automática de reuniones son el mismo tipo de tecnología.
Cuando una empresa se plantea dar el paso y aplicarlo a sus propios datos, la pregunta útil no es qué modelo usar. Es qué decisión repetitiva se toma muchas veces al mes y tiene un histórico registrado. Si esa decisión se toma cinco veces al año o los datos están en libretas, el proyecto no sale.
Ejemplo: una distribuidora de alimentación en Murcia
Una distribuidora sirve a 340 bares y restaurantes de la provincia. El almacén se planificaba a ojo, con la experiencia del encargado, y cada semana se tiraban unos 900 euros en producto fresco caducado mientras faltaban referencias que había que servir de urgencia.
Con tres años de albaranes en su sistema de gestión, monta una previsión de demanda semanal por referencia. El modelo cruza el histórico con el día de la semana, el calendario de festivos locales, la meteorología prevista y los partidos que se televisan.
A los seis meses el desperdicio baja a 310 euros semanales y las roturas de stock caen a la mitad. El encargado no ha perdido su papel: revisa la previsión cada lunes y la corrige cuando sabe algo que el sistema no puede saber, como que un pueblo tiene fiestas o que un cliente grande cierra por vacaciones.
