Post actualizado el día octubre 29, 2026 by DeiviSanzPlay
Elegir un algoritmo de machine learning casi nunca es el problema real. El problema aparece cuando el modelo funciona en tu portátil con el dataset de prueba y se desmorona al entrar en producción. Esa brecha entre el cuaderno y el servidor explica más fracasos de proyectos que cualquier discusión sobre si usar XGBoost o una red neuronal.
He visto modelos con métricas excelentes en validación cruzada fallar el primer día porque las columnas llegaban con otro formato, porque una categoría nueva rompía el codificador o porque el reparto de datos no reflejaba la realidad del negocio. El algoritmo de machine learning era correcto; el sistema alrededor, no.
Por qué un algoritmo de machine learning rinde distinto fuera del lab
Un modelo aprende patrones de los datos que le das. Si esos datos se recogieron en un periodo limpio y el despliegue coincide con una campaña, un cambio de precios o una estacionalidad distinta, el patrón se rompe. No es que el algoritmo de machine learning sea malo: es que la distribución cambió y nadie lo monitorizó.
Piensa en un modelo de predicción de impagos entrenado con datos de dos años atrás. Si en ese tiempo la empresa endureció las condiciones de crédito, los nuevos solicitantes se parecen poco a los antiguos. El clasificador seguirá devolviendo probabilidades, pero estarán calibradas sobre una población que ya no existe.
Esto no se arregla con un algoritmo más sofisticado. Se arregla con validación temporal, con muestras de datos recientes y con un plan de reentrenamiento explícito. Un modelo simple bien vigilado suele superar a un modelo complejo abandonado.
El error de comparar algoritmos con el mismo preprocesado
Hay una costumbre extendida en tutoriales: enfrentar regresión logística, random forest y boosting usando exactamente las mismas variables y el mismo escalado. El resultado suele favorecer al boosting y todos concluyen que es el mejor. Es una conclusión engañosa.
Cada familia de algoritmos de machine learning tiene requisitos distintos. Los modelos lineales agradecen variables normalizadas y relaciones aditivas; los árboles toleran escalas dispares pero sufren con relaciones suaves que requieren muchos cortes; las redes necesitan más datos y ajuste fino. Comparar sin adaptar el preprocesado es como cronometrar coches con el mismo neumático.
En un proyecto de previsión de demanda, un modelo de regresión con variables de calendario bien construidas igualaba a un gradient boosting mal afinado. La diferencia no estaba en el algoritmo de machine learning, sino en que alguien había modelado los festivos con cuidado.
Cuándo un algoritmo de machine learning no es la respuesta
Hay preguntas que no se resuelven con aprendizaje automático. Si necesitas una decisión auditable al detalle, un sistema de reglas explícitas puede ser preferible aunque pierda precisión. Si el volumen de datos es mínimo, las heurísticas y el conocimiento experto rinden más que un modelo sobreajustado.
También falla cuando la etiqueta es ambigua. Clasificar tickets de soporte con categorías que los propios agentes asignan de forma inconsistente genera un algoritmo de machine learning que aprende el ruido. Antes de entrenar, conviene medir el acuerdo entre etiquetadores; si es bajo, el problema es de definición, no de modelo.
Y no funciona bien para predecir eventos rarísimos con pocos positivos. El fraude extremo, los fallos catastróficos o las enfermedades poco frecuentes requieren enfoques específicos: detección de anomalías, muestreo adecuado o modelos generativos. Un clasificador estándar te devolverá una precisión alta simplemente prediciendo la clase mayoritaria.
Qué revisar antes de dar por bueno el modelo
Comprueba que el pipeline de entrenamiento y el de producción producen las mismas transformaciones. Es la causa número uno de sorpresas. Un algoritmo de machine learning que ve variables estandarizadas en el entrenamiento y crudas en producción dará predicciones absurdas sin lanzar ningún error.
Revisa también las métricas por segmento. Un AUC global aceptable puede esconder un rendimiento pésimo en un grupo minoritario. Y documenta la fecha de entrenamiento, las variables usadas y el umbral de decisión. Sin esa trazabilidad, el siguiente equipo repetirá el trabajo desde cero.
Ningún enfoque garantiza resultados. Lo que sí reduce el riesgo es tratar el algoritmo de machine learning como una pieza de un sistema: datos, validación, despliegue y monitorización. La parte matemática importa, pero la disciplina operativa decide si el modelo sirve o solo decora una presentación.
Perfiles verificables: Sitio web
Publicado el 29 de October de 2026. Última revisión: 29 de October de 2026.
