Casos concretos
Tres aplicaciones reales de aprendizaje automático, descritas con la misma estructura: entrada de datos, función de pérdida y criterio de evaluación. El objetivo no es asombrarse con la tecnología, sino entender qué decisión toma el sistema y por qué.
4
etapas mínimas en cualquier proyecto: datos, modelo, pérdida y validación
3
casos analizados aquí, uno por cada familia de problema habitual
0
soluciones mágicas: todo resultado depende de la calidad de la muestra
Cuando se explica un modelo en abstracto, se pierde el detalle que realmente importa: qué datos entran, qué se optimiza y cómo se comprueba el resultado. Observe que todo sistema de aprendizaje automático, sin excepción, se reduce a esos cuatro elementos. Si falta uno, el ejemplo es una demostración, no un caso de uso.
Los casos siguientes se apoyan en los fundamentos que se detallan en Introducción al Aprendizaje Automático y en la estructura interna explicada en Redes Neuronales: Conceptos Clave.
Cada caso responde a una pregunta distinta: clasificar, detectar una desviación o generar texto. Conviene leerlos en ese orden, porque la complejidad crece de forma progresiva.
01
Un modelo supervisado recibe el texto del ticket y devuelve una categoría. Se entrena con etiquetas históricas y se evalúa con una matriz de confusión, no con la precisión global: una clase rara importa más que la media.
02
Aquí la red neuronal aprende el patrón normal y marca la desviación. El desequilibrio entre clases obliga a ajustar el umbral de decisión: cada falso positivo cuesta una llamada al cliente, cada falso negativo cuesta dinero.
03
El modelo no consulta la base documental por sí mismo: se le entregan fragmentos relevantes en el contexto y se le pide responder solo con esa información. La calidad final depende del recuperador tanto como del generador.
La previsión de demanda usa regresión sobre series temporales. El mecanismo es idéntico al de cualquier otro caso: se minimiza el error entre el valor previsto y el real, con estacionalidad como variable.
Un clasificador de imágenes marca regiones sospechosas, pero la decisión final es del profesional. Por eso se mide la sensibilidad del modelo y se documenta su tasa de error por subgrupo de pacientes.
Un sistema de recuperación de información con generación posterior ahorra búsquedas, siempre que el corpus esté limpio y actualizado. Sin esa condición, el modelo responde con fluidez sobre datos obsoletos.
En todos ellos se repite la misma secuencia de trabajo. Puede revisarse de forma resumida en la página de inicio de Acceso a la Inteligencia Artificial, donde se ordenan las etapas antes de entrar en herramientas concretas.
Los ejemplos sirven para fijar el vocabulario. El paso siguiente es revisar cómo se interactúa con los modelos de lenguaje de forma controlada, con instrucciones verificables y límites explícitos.