Casi todo lo que se enseña de aprendizaje automático empieza por los algoritmos. El primer error caro no está ahí: está en cómo se mide si el modelo sirve, y se comete antes de elegir ninguno.
Un solo número de exactitud junta dos equivocaciones que no cuestan lo mismo, las promedia, y devuelve un porcentaje alto sobre un sistema que no sirve. Separarlas es por donde empieza este tema, y no necesita ni una línea de código.
Los dos errores no cuestan lo mismo
Una cooperativa cafetera de Armenia, en el Quindío, instaló una cámara sobre la banda de selección para apartar el grano picado por la broca antes del tueste. Una semana de operación, 900 granos revisados a mano después para comparar.
De esos 900, la cámara dejó pasar 852 granos sanos y apartó 12 sanos. Apartó 28 picados, que es para lo que se compró. Y dejó pasar 8 picados. La exactitud sale de sumar los aciertos: 880 sobre 900, un poco más del 97%, medida en 2026 sobre esa semana.
Un aparato que no hiciera nada, que dejara pasar todo, acertaría 864 de 900, que es el 96%. La exactitud sobre un evento raro casi la iguala el modelo que no hace nada, y por eso ese número no puede decidir nada: separa a la cámara del aparato apagado por un punto porcentual.
Cuenta los dos errores por separado, porque no cuestan lo mismo. Los 12 sanos apartados cuestan veinte segundos en la mesa de selección. Los 8 picados que pasaron cuestan tueste, empaque, flete y un lote rechazado en destino, que es el tipo de costo que se paga en dólares y llega dos meses después. Un solo puntaje suma los dos y no dice cuál subió.
Un modelo aprende la etiqueta que escribiste
La cámara de Armenia no aprendió qué es un grano picado. Aprendió a reproducir lo que dos personas marcaron durante tres semanas, y las dos no marcaban igual: una apartaba el grano negro y el picado juntos, la otra solo el picado con el orificio visible. Un modelo aprende la etiqueta que escribiste, no la cosa que querías decir.
De ahí sale una regla barata y poco practicada: antes de entrenar nada, dos personas etiquetan las mismas cien filas por separado y se comparan. Donde no coinciden, el modelo tampoco va a coincidir consigo mismo, y ese desacuerdo es el techo de todo lo que venga después. Ningún algoritmo lo levanta.
Sobre una tabla, lo viejo sigue ganando
Cuando el problema son filas y columnas, y no imágenes ni texto, la respuesta de 2026 sigue siendo la de 2016. Sobre una tabla de filas, gradient boosting todavía le gana a una red neuronal, con menos datos, en menos tiempo y en una computadora sin tarjeta gráfica.
Ese término se queda en inglés, y no por pereza: la documentación, los mensajes de error y los nombres de los parámetros están en inglés, así que aprenderlo traducido obliga a traducirlo de vuelta cada vez que algo falla. Es la misma razón por la que Inglés no es un desvío desde aquí. Vale la lista corta de términos que conviene tener en inglés desde el primer día: entrenar, ajustar, sobreajuste, validación, características.
Las Redes neuronales se aprenden igual, sobre todo para saber cuándo no usarlas. Un equipo que empieza por ahí sobre un problema de tabla gasta un mes en llegar a un resultado que Modelos clásicos daba en una tarde.
El orden
El último campamento queda más lejos que los tres primeros juntos
Una tarde, una semana, un mes, y después un año. Las listas de lectura dibujan 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 usarlas
- 04Imágenes, o lenguaje y hablaUna temporada cada una, y son dos oficios distintos
- 05Ponerlo a trabajarMás largo que todos juntos, y casi nada de eso es modelar
La pendiente es la afirmación y nada más lo es. Los campamentos no son etapas: un equipo puede parar en el segundo y haber terminado.
La partición decide si algo de esto era cierto
El error que más resultados falsos produce no está en el modelo, está en cómo se apartan los datos de prueba. Parte por tiempo y no al azar cuando lo que predices es el mañana.
La cooperativa quiso predecir qué lotes iban a salir con defecto alto. Partiendo al azar, el modelo acertaba el 91% en 2026 sobre datos de tres cosechas. Partiendo por fecha, entrenando con las cosechas viejas y probando con la última, acertaba mucho menos, y ese segundo número es el único que dice algo sobre la cosecha que viene. Al azar, filas del mismo lote y del mismo día caen a los dos lados, y el modelo no predice: reconoce.
La otra mitad de lo mismo llega después. Un modelo que no se reentrena es un modelo del año pasado, y aquí eso tiene fecha de vencimiento corta: cambia la variedad sembrada, cambia el beneficio, cambia la cámara de lugar. Eso es El modelo en servicio, y es la parte más larga del tema.
Los campamentos no están parejos
Las listas de lectura dibujan este tema como cinco capítulos iguales y el terreno no es plano. La forma del campo, que es saber cuál de las tres clases es tu problema, es una tarde. Un modelo clásico sobre una tabla es una semana, y muchas veces es donde el proyecto termina, bien terminado.
De ahí para arriba los tramos se estiran. Visión por computadora y Lenguaje y habla son una temporada cada una y son dos oficios distintos, no dos capítulos del mismo. Bibliotecas se cruza en el camino y no es un campamento aparte: es con qué se hace todo lo anterior, y se aprende usándola, no leyéndola. Elegir entre una biblioteca y otra antes de tener un problema concreto es la forma más común de perder la primera semana del tema.
El atasco de este tema tiene forma de cuaderno que funcionó. Un cuaderno de Colab con un puntaje alto adentro se siente como un proyecto terminado, y le falta todo lo que decide si sirve: la partición por fecha, los dos errores contados aparte, y alguien que vuelva a correrlo en marzo. Los datos que entran a todo esto son otro tema entero, y viven en Análisis de datos.
Qué abrir en 2026, y qué corre sin tarjeta
scikit-learn es la puerta y sigue siéndolo. Es libre, se instala con pip, corre en cualquier laptop, y reemplazó a escribir a mano el ajuste, la partición y la validación cruzada en cada proyecto. Trae las dos métricas separadas de arriba con los nombres que usa toda la documentación.
Para tablas, XGBoost o LightGBM. Son libres, reemplazaron a ajustar un solo árbol y esperar que generalizara, y son lo que gana los problemas de filas y columnas. Corren en la misma laptop y no necesitan tarjeta gráfica, que desde aquí importa más que en cualquier página en inglés: una máquina con tarjeta buena llega con arancel e impuesto encima, y sale más cara que el modelo entero.
Cuando de verdad hace falta una tarjeta, Google Colab. Reemplazó a comprarla, tiene nivel gratuito con horas limitadas, y con una cuenta de correo alcanza para entrenar una red chica sin poner una tarjeta de crédito internacional. Lo que se paga, si se paga, es la versión con más horas, en dólares.
Queda una pregunta que este tema no contesta y que aparece apenas el modelo funciona: qué le pasa al trabajo de la gente que estaba haciendo eso a mano. En Armenia son las dos personas de la mesa de selección, y la respuesta no fue la que se supone. Eso se trabaja en IA en el trabajo, dentro de Inteligencia artificial, y el mecanismo de los modelos de lenguaje que dominan la conversación está en Cómo funciona la IA.