De las 1.500 naranjas que pasaron aquella mañana por la línea, 45 iban picadas. Una cámara apagada habría acertado en 1.455 de ellas. La que Amparo Bellver Fuster instaló en el almacén de Alzira acertó en 1.471, y las dos cifras se dan con la misma palabra.
Dieciséis naranjas de diferencia son el valor entero de la máquina, y el número que resume las dos es justo el que lo esconde. Aquí empieza la lectura útil, porque 1.471 aciertos y 1.455 aciertos describen una inspección que funciona y un cartón clavado encima de la cinta.
Los dos errores, contados por separado
La cámara marcó 52 piezas. De esas, 34 iban picadas de verdad y 18 estaban sanas y se apartaron para nada. Quedan 11 naranjas picadas que la cámara dejó pasar, y 1.437 naranjas sanas que dejó pasar con razón.
Cuenta los dos errores por separado, porque no cuestan lo mismo. Una picada que pasa se encaja, se paletiza, viaja cuatro días y se abre en un almacén de Hamburgo, donde ya no es una naranja sino un palé rechazado y un cliente que ha aprendido algo del almacén de Alzira. El acierto sobre un suceso raro es un número que casi iguala el modelo que no hace nada, y lo iguala acertando en las 1.455 piezas por las que no se preocupaba nadie.
La costumbre que sale de aquí es la que se lleva uno a todas partes. Escribe lo que cuesta cada uno de los dos errores antes de que exista el modelo, en las unidades que usa la empresa de verdad:
- Una marca de más: veinte segundos en la mesa de repaso, y la pieza se vende igual.
- Una picada que pasa: una caja, un palé, cuatro días de camión y una devolución que llega con nombre y apellidos.
Ese número decide dónde se pone el umbral, y el umbral es el único mando que necesitan casi todos los proyectos.
El modelo aprende la etiqueta que escribiste
Las 45 salieron de algún sitio. Dos repasadoras marcaron cuatro semanas de fotografías, y sobre una muestra de 60 no coincidieron entre ellas en nueve. Un modelo aprende la etiqueta que escribiste, no la cosa que querías decir, así que la cámara está entrenada para reproducir un criterio que dos personas con años de línea aplican distinto en una pieza de cada siete.
Eso no es un argumento para no hacerlo. Es la razón de que exista un techo, y saber dónde está evita gastar un trimestre en arquitectura cuando el retorno estaba en escribir dos líneas definiendo qué es una picada y volver a marcar las nueve discrepancias. Aquí hay un segundo techo que solo aparece en este mercado: el criterio no es el mismo en el almacén de al lado.
La confección de cítricos en España está repartida entre muchas cooperativas y almacenes privados, cada uno con su plantilla de repaso y su cliente final, así que un modelo entrenado en Alzira no se instala en Alcira, se vuelve a etiquetar. Dónde se decide todo esto es la forma del campo, y se decide antes que ninguna otra cosa.
Sobre una tabla siguen ganando los métodos viejos
El segundo problema de Amparo era una hoja de cálculo: qué partidas salen con más destrío, a partir de la parcela, la variedad, los días entre corte y confección, la humedad de la cámara y la semana de campaña. Filas y columnas, unas once mil.
Sobre una tabla de filas, el gradient boosting sigue ganando a una red neuronal, y lleva ganando cerca de una década. Entrena en segundos en un portátil, dice qué columna cargó con la decisión y no necesita que los datos se normalicen antes.
Los modelos clásicos son aquí lo primero que hay que probar, y la alternativa interesante es el movimiento equivocado, que conviene decir con todas las letras porque casi nada de lo publicado en los últimos cinco años lo dice. Las redes neuronales se ganan el sitio en imagen, en sonido y en texto, que es exactamente lo que está haciendo la cámara de la línea.
La partición decide si algo de esto era verdad
El modelo del destrío puntuó precioso y perdió casi todo dentro del almacén. Las filas se habían barajado y cortado al azar, y una campaña de cítricos no es un montón de filas intercambiables: empieza con navelina en noviembre y termina con valencia late en primavera, con la fruta cambiando de piel, de calibre y de manejo por el camino. Barajada, la partición entrenaba con marzo y examinaba con diciembre.
Parte por campaña y no al azar cuando lo que predices es lo que viene después. Entrena con todo lo anterior a una fecha, examina con lo que vino detrás, y el número que sale es el número que va a dar el almacén. Va a ser peor que el del cuaderno, y va a ser el que dé el almacén en marzo.
El mismo reloj sigue corriendo después de la puesta en marcha. Un modelo que no se reentrena es un modelo del año pasado: cambia el proveedor de cajas, se cambia la iluminación de la línea, entra una variedad nueva, y la cosa empeora en silencio sin que aparezca ni un error en ninguna pantalla. Vigilar eso es el asunto de el modelo en producción.
El orden
El último campamento está más lejos que los tres primeros juntos
Una tarde, una semana, un mes, y después un año. Los temarios los dibujan como cinco capítulos iguales, y el terreno no es plano.
- 01La forma del campoCuál de las tres clases es tu problema. Una tarde
- 02Un modelo clásico sobre una tablaUna semana, y muchas veces donde el proyecto termina bien
- 03Redes neuronalesUn mes, y sobre todo para saber cuándo no
- 04Imágenes, o palabras y sonidoUna campaña cada uno, y un oficio distinto por cada lado
- 05Ponerlo a trabajarMás que todos los demás, y casi nada de ello es modelar
La pendiente es lo único que afirma esta figura. Los campamentos no son etapas: un equipo puede pararse en el segundo y haber terminado.
El atasco es el cuaderno que salió bien
Aquí la gente se para en un número dentro de un cuaderno. La puntuación es buena, las gráficas salen bonitas y el trabajo parece terminado, porque todas las costumbres de este campo tratan un modelo validado como la entrega.
Nada del cuaderno está mal. Lo que pasa es que el cuaderno era la tarde y el almacén es el año.
La señal es concreta y se comprueba uno solo: si no sabes decir qué pasa con una predicción después de hacerla, quién la ve, qué hace distinto y qué ocurre el día en que el modelo no esté disponible, entonces el modelo no está en producción, corra donde corra. Lo de Amparo es que la cámara retiene una naranja cuatro segundos en un ramal y una persona la mira, que es una frase sobre el almacén y no sobre el modelo, y es la frase para la que existía el proyecto.
El orden, y el campamento que no cabe en un temario
Los frameworks de ML son un día de orientación en el que se va quincena y media, porque se parece a avanzar y se deja ver.
Tomado al revés, esto es una carta de arquitecturas, y quien empieza por la visión por ordenador o por lenguaje y voz aprende a construir algo llamativo que no se puede comprobar, porque nunca se escribió lo que costaba cada error y nunca se partió bien. Es la mitad más vieja de inteligencia artificial y la única que trae medidas dentro, que es lo que la hace legible.
Qué abrir en 2026, y qué sustituyó cada cosa
scikit-learn es la caja de herramientas por defecto en 2026, libre y gratuita, y sustituyó a escribir a mano el bucle de ajuste y la validación cruzada. Lo que aporta de verdad es que la partición, el ajuste y la puntuación tienen una sola forma en todos los métodos, que es lo que convierte cambiar de modelo en dos líneas en vez de en una reescritura.
XGBoost y LightGBM son las librerías de gradient boosting, libres y gratuitas en 2026, y entre las dos sustituyeron a echar mano de una red neuronal delante de una hoja de cálculo. Cualquiera de las dos sobre la tabla del destrío, con las columnas tal como están, es una hora de trabajo y la referencia honrada que tiene que batir todo lo que venga después.
PyTorch es donde se escribe la red de la cámara, libre y gratuito en 2026, y sustituyó al grafo estático que había que compilar antes de poder imprimir nada por dentro, que es lo que siguen enseñando los tutoriales anteriores a 2019. Las tres corren en el portátil del almacén sin llamar a nadie, y eso aquí no es una anécdota de coste: las fotos de la línea no salen del edificio porque no hace falta que salgan.
Queda la pregunta sobre la que se apoya toda la página y que no contesta ninguna parte de ella. Todos los números de aquí salieron de las 1.500 piezas y de las cuatro semanas de fotografías, y ninguno dice cómo se recogieron esas filas, quién decidió qué contaba como una, ni qué pasó con las semanas que se tiraron.
Eso es análisis de datos, y es la mitad de este asunto que decide la otra mitad. Cuando las etiquetas son el trabajo de unas personas concretas, deja de ser una pregunta técnica, que es IA en el trabajo.