Saltar al contenido

Fast Track Week · 27–29 oct

Elige tus talleres ›
Glosario

¿Qué es Machine Learning?

En resumen

Machine Learning (ML) es un subcampo de la Inteligencia Artificial donde los sistemas aprenden patrones a partir de datos sin ser programados explícitamente con reglas. Está detrás de las recomendaciones de Netflix, la detección de fraude bancario y los modelos de predicción de churn.

ML en 60 segundos

  • •Qué es: software que aprende patrones de datos en vez de seguir reglas fijas.
  • •Tres tipos clave: Supervisado, No-Supervisado, Reforzamiento.
  • •Diferencia con IA: ML es un subconjunto de IA, no toda IA es ML.

Los 3 tipos de Machine Learning

  1. •Supervisado — aprende de ejemplos etiquetados. Ejemplo: "estos 1,000 emails son spam, estos 1,000 no". El modelo aprende a clasificar nuevos emails.
  2. •No-supervisado — encuentra patrones sin etiquetas. Ejemplo: agrupar clientes en segmentos sin saber a priori cuántos hay.
  3. •Por reforzamiento — aprende por prueba y error con recompensas. Ejemplo: AlphaGo, robots, recomendaciones dinámicas.

ML aplicado a negocios mexicanos

Casos comunes en empresas mexicanas en 2026:

  • •Banca (BBVA, Banorte): modelos de scoring crediticio, detección de fraude
  • •Retail (Walmart, Liverpool): predicción de demanda, optimización de inventario
  • •Telecom (Telcel, AT&T): predicción de churn, segmentación de clientes
  • •Logística (Rappi, Cornershop): optimización de rutas, ETA dinámico
  • •Salud: diagnóstico asistido, predicción de hospitalizaciones

¿ML o IA Generativa?

Son complementarios. ML predictivo es ideal para problemas con datos estructurados y métricas claras (predecir, clasificar, segmentar). IA Generativa es ideal para problemas creativos y de lenguaje (generar contenido, asistentes conversacionales). Las empresas serias usan ambos.

¿Necesitas un equipo de ML para empezar?

No siempre. Hoy puedes empezar con plataformas no-code (DataRobot, Vertex AI AutoML, AWS SageMaker Canvas) que entrenan modelos sin programar. Para producción seria sí necesitas data engineers y ML engineers, pero la primera prueba la puedes hacer con tu equipo actual.

Preguntas frecuentes

IA es el campo amplio. ML es un subcampo: sistemas que aprenden de datos. Deep Learning es un subcampo de ML que usa redes neuronales profundas. Los LLMs como ChatGPT son Deep Learning aplicado a lenguaje. Todo ML es IA, pero no toda IA es ML.

Python es el estándar de la industria (libraries: scikit-learn, PyTorch, TensorFlow). R sigue siendo común en estadística y academia. Para producción a escala, también se usa Scala y Java en stacks corporativos.

Para un MVP con consultoría externa: 30,000-100,000 USD en 3-6 meses. Para producción seria con equipo interno: 200,000-500,000 USD en 6-12 meses. La barrera más cara no es ML, es la calidad de los datos.

En 2026, un ML Engineer junior gana 50,000-90,000 MXN/mes; senior 120,000-200,000 MXN/mes; tech lead 200,000-350,000 MXN/mes. En empresas globales con base en MX (FAANG remotas) los rangos suben 50-100%.