¿Qué es el machine learning y cómo empezar a usarlo sin ser experto?

¿Qué es realmente el machine learning?

El machine learning es la parte de la inteligencia artificial que permite a las computadoras aprender de los datos en lugar de seguir instrucciones fijas programadas por una persona. En vez de decirle “si ves un gato, hacé esto”, le mostrás miles de fotos de gatos y la máquina encuentra los patrones por sí sola. Eso es todo. No es magia, es estadística aplicada con mucha potencia de cálculo.

Pensá en un niño que aprende a identificar frutas. Al principio se equivoca, pero cada vez que le corregís, ajusta su idea de cómo es una manzana versus una pera. El machine learning hace exactamente eso, pero con números y algoritmos. Vos le das ejemplos (datos de entrenamiento), la máquina ajusta sus parámetros internos y, con el tiempo, puede clasificar cosas nuevas que nunca vio antes.

Esto ya está en tu bolsillo y en tu rutina diaria aunque no lo notes. Cuando Netflix te recomienda una serie, cuando tu banco detecta una compra rara, cuando el corrector de texto de tu celular sugiere la próxima palabra o cuando Spotify arma tu playlist “Descubrimiento semanal”, todo eso es machine learning trabajando. No es que alguien escribió una regla para cada caso posible; la máquina aprendió mirando millones de ejemplos previos.

Cómo funciona el machine learning paso a paso

El ciclo básico de aprendizaje

Todo empieza con datos. Muchos datos. Pueden ser números, textos, imágenes, audios o combinaciones de todo eso. Esos datos se dividen en dos grupos grandes: uno para enseñar (entrenamiento) y otro para evaluar si realmente aprendió (prueba).

La máquina recibe los datos de entrenamiento y, según el tipo de tarea, ajusta un modelo matemático. Ese modelo es como una receta con miles de ingredientes (parámetros) que se van modificando poquito a poco para reducir el error. Cuando el error ya es bajo en los datos de entrenamiento, se prueba con los datos que nunca vio. Si funciona bien ahí también, el modelo está listo para usarse en el mundo real.

Los tres enfoques principales

Existen básicamente tres formas de enseñar a una máquina:

Aprendizaje supervisado: es el más común y el que más se parece a la escuela. Le das a la máquina pares de “pregunta y respuesta correcta”. Por ejemplo, le das fotos de perros y gatos junto con la etiqueta que dice “perro” o “gato”. Después, cuando llega una foto nueva, la máquina tiene que decir a qué categoría pertenece. Se usa para detectar spam en el correo, predecir si un cliente va a abandonar una suscripción o diagnosticar enfermedades a partir de imágenes médicas.

Aprendizaje no supervisado: acá no hay etiquetas. La máquina tiene que encontrar patrones sola. Es como si le dieras un montón de frutas mezcladas y ella tuviera que agruparlas por similitud sin que nadie le diga cuáles son manzanas y cuáles naranjas. Esto sirve para segmentar clientes en marketing, detectar comportamientos anormales en redes o organizar automáticamente miles de documentos.

Aprendizaje por refuerzo: es el que más se parece a entrenar a un perro. La máquina hace acciones, recibe una recompensa cuando hace algo bien y un castigo cuando se equivoca. Con el tiempo maximiza la recompensa. Se usa en robots que aprenden a caminar, en programas que juegan al Go o al ajedrez mejor que cualquier humano, y en sistemas que optimizan rutas de delivery en tiempo real.

Diferencia entre machine learning, inteligencia artificial y deep learning

Mucha gente usa estas palabras como sinónimos, pero no lo son. La inteligencia artificial es el concepto grande: cualquier técnica que haga que una máquina realice tareas que normalmente requieren inteligencia humana. El machine learning es una forma de lograr esa inteligencia artificial, usando datos en vez de reglas fijas. Y el deep learning es un tipo especial de machine learning que usa redes neuronales con muchas capas (deep) y que brilla especialmente cuando hay muchísimos datos y poder de cómputo, como en el reconocimiento de imágenes o la generación de texto.

Imaginá un árbol: la inteligencia artificial es el tronco, el machine learning es una rama gruesa y el deep learning es una ramita más nueva y frondosa de esa rama.

Ejemplos concretos que usás sin darte cuenta

Cuando abrís Instagram y el algoritmo te muestra primero las publicaciones de tus amigos más cercanos, está usando machine learning para predecir qué contenido te va a mantener más tiempo en la app. Cuando tu asistente de voz entiende tu acento argentino aunque hablás rápido, también es machine learning entrenado con miles de horas de audio de distintos países.

En el trabajo, si tu empresa usa un sistema que predice cuántos productos se van a vender el mes que viene para no quedarse sin stock ni tener exceso, eso es machine learning. En salud, hay modelos que ayudan a detectar cáncer de mama en mamografías con una precisión que en algunos estudios supera a radiólogos con años de experiencia. En agricultura, drones con modelos de machine learning detectan plagas en cultivos antes de que se vean a simple vista.

En Argentina, startups locales ya usan machine learning para predecir si un usuario de una fintech va a pagar su crédito o para optimizar rutas de delivery en ciudades con tráfico caótico como Buenos Aires o Córdoba.

Cómo empezar a usar machine learning aunque no sepas programar

La buena noticia es que hoy no necesitás ser ingeniero para experimentar. Hay herramientas que te permiten crear modelos sin escribir una línea de código.

Opción 1: plataformas sin código

Google tiene una herramienta llamada Teachable Machine que te deja entrenar modelos con tu cámara web o micrófono del celular. Podés enseñarle a distinguir entre dos gestos de la mano, entre dos sonidos o entre dos tipos de objetos. En menos de diez minutos tenés un modelo que podés exportar y usar en tus propios proyectos.

Otra opción es usar plataformas como Obviously AI o Akkio que te permiten subir una tabla de Excel con datos de ventas, clientes o lo que sea, y automáticamente generan predicciones y explican qué variables influyen más.

Opción 2: herramientas con poco código

Si querés dar un paso más, Python con bibliotecas como scikit-learn es el camino más transitado. Pero incluso ahí podés empezar copiando y pegando código de ejemplos. La comunidad de LATAM tiene miles de notebooks gratuitos en español que te guían.

Opción 3: cursos prácticos recomendados

Empezá por cursos que no asumen conocimiento previo. Hay excelentes opciones gratuitas en YouTube y en plataformas como Coursera o Platzi que explican con ejemplos reales. Buscá los que usan datasets cotidianos como precios de departamentos en Buenos Aires, análisis de sentimiento en tweets o predicción de tráfico en el subte.

Errores comunes y cómo resolverlos

El error más grande es creer que más datos siempre es mejor. A veces pocos datos bien curados dan mejores resultados que toneladas de datos sucios. Siempre dedicá tiempo a limpiar y entender tus datos antes de entrenar nada.

Otro error clásico es usar un modelo demasiado complejo para un problema simple (overfitting). La máquina memoriza los datos de entrenamiento pero falla miserablemente con datos nuevos. La solución es usar validación cruzada y mantener un conjunto de datos de prueba separado.

También es común pensar que el machine learning reemplaza completamente a las personas. En realidad casi siempre funciona mejor como asistente: un médico que usa un modelo de IA para segundo diagnóstico suele ser más preciso que el médico solo o el modelo solo.

Por último, el sesgo. Si los datos con los que entrenás tienen prejuicios (por ejemplo, si históricamente se otorgaron menos créditos a cierto grupo), la máquina va a aprender y perpetuar ese prejuicio. Siempre revisá qué sesgos pueden tener tus datos y si es posible balancearlos.

Cómo seguir avanzando después de los primeros experimentos

Una vez que hayas creado tu primer modelo simple, el siguiente paso lógico es empezar a integrarlo en algo útil. Podés hacer un bot de Telegram que clasifique si un mensaje es positivo o negativo, o una hoja de cálculo que prediga tus gastos del mes siguiente.

Después podés explorar el mundo de las APIs. Servicios como Google Cloud AI, AWS o Azure ofrecen modelos ya entrenados que podés usar pagando por uso. Eso te permite agregar funciones de visión por computadora o procesamiento de lenguaje natural a tus proyectos sin entrenar nada desde cero.

En la Argentina, comunidades como PyData, Machine Learning Buenos Aires y varios grupos en Discord y Meetup organizan charlas gratuitas y talleres donde podés preguntar y mostrar tus proyectos. No hace falta tener un título en ciencias de la computación; la mayoría de la gente que hoy trabaja en esto viene de carreras muy distintas y aprendió sobre la marcha.

Preguntas frecuentes

¿El machine learning es lo mismo que la inteligencia artificial?

No exactamente. La inteligencia artificial es el objetivo grande y el machine learning es una de las técnicas más exitosas para lograrlo. Hay otras formas de IA, como los sistemas basados en reglas o la programación genética, pero el machine learning domina porque escala muy bien con más datos.

¿Necesito saber matemáticas avanzadas para empezar?

Para usar herramientas listas y plataformas sin código, no. Para entender profundamente cómo funcionan los algoritmos sí ayuda tener nociones de estadística, álgebra lineal y cálculo. Pero podés empezar a crear cosas útiles mucho antes de dominar las matemáticas.

¿Es caro empezar a practicar machine learning?

Casi todo lo que necesitás para empezar es gratis. Google Colab te da notebooks en la nube con GPU gratis (con límites), hay datasets abiertos por todos lados y las bibliotecas principales son open source. Solo cuando tus proyectos crecen mucho empezás a necesitar pagar por más potencia de cómputo.

¿Puede el machine learning reemplazar mi trabajo?

En algunos casos automatiza tareas repetitivas, pero en la mayoría crea nuevas oportunidades. La gente que sabe combinar conocimiento del negocio con la capacidad de usar estas herramientas es cada vez más valiosa. En vez de temerlo, pensá en cómo podés usarlo para hacer mejor tu trabajo actual.

¿Cuánto tiempo se tarda en ver resultados concretos?

Con las herramientas sin código podés tener tu primer modelo funcionando en una tarde. Para proyectos más serios y robustos, la curva de aprendizaje es de varios meses de práctica constante. La clave es empezar con problemas pequeños y concretos.

¿El machine learning siempre necesita internet?

No. Una vez entrenado, muchos modelos pueden correr en tu celular o computadora sin conexión. De hecho, hay frameworks específicos para correr modelos eficientes en dispositivos con poca potencia, como TensorFlow Lite o ONNX Runtime.

Qué hacer después de leer esto

Elegí un problema pequeño que te moleste en tu vida diaria o en tu trabajo. Puede ser predecir cuánto vas a gastar en supermercado el mes que viene, clasificar automáticamente tus gastos, o hacer que tu celular detecte cuándo estás hablando de trabajo en una grabación de voz.

Buscá un dataset relacionado (o crealo vos mismo) y probá primero con una herramienta sin código. Cuando veas que algo funciona, celebrá ese primer éxito. Ese pequeño “¡funcionó!” es el que te va a dar impulso para seguir aprendiendo.

El machine learning ya no es solo para investigadores de Silicon Valley. Está al alcance de cualquiera que tenga curiosidad, un poco de paciencia y ganas de experimentar. Y lo mejor es que cada modelo que entrenás te enseña algo nuevo sobre los datos que te rodean y sobre cómo funciona el mundo.

Empezá hoy con algo chiquito. Abrí Teachable Machine, grabá diez videos haciendo dos gestos distintos con la mano y dejá que la máquina aprenda a distinguirlos. Cuando lo consigas, vas a entender en el cuerpo qué significa que una máquina “aprendió”. A partir de ahí, el camino se abre solo.

Recordá siempre la regla de oro: los mejores proyectos de machine learning no empiezan con la tecnología más avanzada, sino con una pregunta clara y datos honestos. El resto viene después.