Machine Learning
Machine learning es una rama de la inteligencia artificial en la que los algoritmos mejoran automáticamente su desempeño en una tarea aprendiendo patrones a partir de datos, sin ser programados explícitamente con reglas específicas de tarea para cada caso.
Machine learning (ML) abarca algoritmos y técnicas estadísticas que construyen un modelo a partir de ejemplos en lugar de a partir de reglas de decisión escritas a mano. Los tres paradigmas de aprendizaje principales son: aprendizaje supervisado, donde el algoritmo aprende de pares entrada-salida etiquetados (p. ej., imágenes emparejadas con etiquetas de clase); aprendizaje no supervisado, donde el algoritmo descubre estructura en datos sin etiquetar (p. ej., agrupar clientes por comportamiento); y aprendizaje por refuerzo, donde un agente aprende recibiendo señales de recompensa de un entorno como resultado de sus acciones.
Una canalización típica de ML supervisado implica recopilar y limpiar un conjunto de datos, seleccionar una familia de modelos (árbol de decisión, gradient boosting, máquina de vectores de soporte, o red neuronal), minimizar una función de pérdida en ejemplos de entrenamiento para ajustar el modelo, y evaluar el desempeño en datos de prueba retenidos para estimar la generalización. La ingeniería de características — transformar entradas sin procesar en representaciones numéricas informativas — es central para métodos clásicos de ML como XGBoost o regresión logística, pero se automatiza en gran medida en canalizaciones de deep learning.
El machine learning impulsa filtros de spam, motores de recomendación de productos, puntuación de crédito, detección de fraude, mantenimiento predictivo en manufactura, pronóstico del clima, e interpretación de variantes genómicas. Su impacto económico se estima que afecta billones de dólares de producción en todos los sectores, principalmente a través de automatización mejorada, personalización, y cuantificación de riesgos a una escala que sería imposible con sistemas codificados manualmente.
A partir de 2026, 'machine learning' a menudo se usa indistintamente con deep learning en contextos comerciales, pero los métodos clásicos — gradient boosting (XGBoost, LightGBM), bosques aleatorios, y modelos lineales — siguen siendo ampliamente utilizados para tareas de datos tabulares donde los volúmenes de datos son moderados, la interpretabilidad es legalmente requerida, o la latencia de inferencia en CPU es crítica. Los desafíos centrales del campo se han desplazado hacia sistemas de ML que son robustos, justos en todos los grupos demográficos, privados por diseño, y alineados con valores humanos e intención organizacional.