El caso
La tienda quiere saber quién va a cancelar. Nadie escribió esa regla.
La tienda de Isaac tiene cuarenta mil clientes y quiere avisar, antes de que pase, quién está a punto de dejar de comprar. El equipo prueba reglas a mano: "cliente que no compra hace 60 días". La regla atrapa unos pocos casos y pierde muchos otros. Un modelo, entrenado con el historial de compras, encuentra patrones que nadie listó.
Este post parte de Datos y Analytics en Google Cloud. Para entrenar un modelo hacen falta datos organizados, y el post anterior muestra dónde están y cómo se consultan.
El problema
Las reglas a mano no siguen al cliente
Una regla fija solo cubre lo que alguien pensó en escribir. Cada cliente que compra de una forma distinta pide una nueva excepción, y la lista no para de crecer.
No los confundas
IA, ML e IA generativa
Estos términos aparecen juntos, pero no son sinónimos. Cada uno está dentro del anterior.
| Término | Qué es | Ejemplo en la tienda |
|---|---|---|
| IA (artificial intelligence) | Cualquier sistema que realiza tareas que requerirían inteligencia humana | Un asistente que responde dudas sobre el pedido |
| Machine learning | IA que aprende patrones a partir de datos, sin reglas escritas a mano | Predecir quién va a cancelar la suscripción |
| Deep learning | Machine learning con redes neuronales de muchas capas, para imágenes, voz y texto | Reconocer el producto en una foto que el cliente envió |
| IA generativa (generative AI) | Modelos que crean contenido nuevo (texto, imágenes, código) a partir de un pedido | Escribir la descripción de un producto a partir de sus características |
Cómo aprende el modelo
Tres formas de aprender
Supervisado (supervised)
Los ejemplos vienen con la respuesta correcta, como un historial de clientes marcados como "canceló" o "no canceló". Sirve para clasificar y predecir.
No supervisado (unsupervised)
No hay respuesta lista. El modelo busca grupos parecidos por su cuenta, como clientes que compran los mismos días y categorías.
Por refuerzo (reinforcement)
El modelo actúa, recibe una recompensa o una penalización y ajusta su comportamiento. Por ejemplo, probar rangos de precio y quedarse con el que da más ganancia.
Del dato a la predicción
El ciclo de un modelo
- Recolectar y limpiar los datos. Datos equivocados o incompletos generan predicciones equivocadas, por más sofisticado que sea el modelo.
- Separar entrenamiento y prueba. Una parte de los datos enseña al modelo; la otra, guardada, muestra si funciona con casos que nunca vio.
- Entrenar. El modelo ajusta sus parámetros para equivocarse menos en los datos de entrenamiento.
- Evaluar y publicar. Si el resultado en la prueba es bueno, el modelo entra en uso.
- Monitorear. El comportamiento de los clientes cambia, y un modelo que funcionaba puede empezar a fallar. Necesita datos nuevos y un nuevo entrenamiento.
En la nube
Usar un modelo listo o entrenar el suyo
Modelo listo, por API
Llamas a un servicio de IA por internet, sin entrenar nada. Es el camino más rápido, y la cuenta llega según el uso.
Modelo propio
Llevas tus datos y entrenas un modelo para tu problema. Exige datos de calidad y tiempo para entrenar y evaluar.
Infraestructura de entrenamiento
Entrenar modelos necesita procesadores especializados (GPUs y TPUs), alquilados por tiempo de uso y caros por hora.
Términos clave
Cinco términos para fijar
Toca la tarjeta para ver la definición.
Prueba rápida
Tres preguntas, estilo examen
01
La tienda tiene el historial de clientes marcados como 'canceló' o 'no canceló' y quiere predecir el próximo caso. ¿Qué tipo de aprendizaje es?
02
La tienda quiere agrupar clientes parecidos, sin saber antes qué grupos existen. ¿Qué tipo de aprendizaje es?
03
Un modelo de previsión de demanda funcionaba bien en 2025, pero en 2026 se equivoca más porque el comportamiento de los clientes cambió. ¿Qué hay que hacer?
La IA y el machine learning aparecen en cualquier examen de nube. El nombre del servicio cambia de un proveedor a otro; la idea de entrenar con datos, evaluar con casos nuevos y monitorear el resultado es la misma.