AI, Machine Learning and Generative AI Fundamentals

Resumen

La inteligencia artificial deja de ser un proyecto experimental para convertirse en una capa que se acopla a los procesos de negocio: clasifica, predice, recomienda, transcribe y genera. Este tema establece el vocabulario mínimo para razonar sobre ella con criterio de negocio —qué es IA, qué es machine learning, en qué se diferencia la inteligencia artificial de la analítica y de la business intelligence, qué clase de problemas resuelve y cuándo no conviene aplicarla— antes de entrar en los productos de Google Cloud que los implementan.

La distinción central es de pregunta, no de tecnología. La business intelligence y la analítica describen lo que ha ocurrido y lo que está ocurriendo mediante agregaciones y consultas sobre datos históricos; el machine learning produce estimaciones sobre casos aún no observados —¿qué cliente tiene más probabilidad de abandonar?, ¿cuánta demanda habrá la próxima semana?, ¿esta transacción parece fraudulenta?— a partir de patrones aprendidos de datos. Ambas cosas se necesitan: la analítica es a la vez el insumo que alimenta los modelos y el lugar donde se leen sus resultados.

El valor de negocio del ML se apoya en tres palancas que conviene memorizar porque el examen las formula como escenarios: la capacidad de aprovechar datasets demasiado grandes o demasiado no estructurados para reglas humanas, la posibilidad de escalar decisiones a millones de operaciones con consistencia, y la extracción de señal de texto, imagen, audio y video. Detrás de las tres hay una condición inexcusable: el modelo es tan bueno como los datos que recibe. Ruido, etiquetas incorrectas, muestras no representativas y desequilibrios de clase no se corrigen con más potencia de cómputo; se corrigen con disciplina de datos.

El tema cierra con la dimensión que separa un piloto de una adopción sostenida: la IA explicable y responsable. Un modelo que decide sobre crédito, empleo, salud o acceso a servicios tiene que poder explicarse, no discriminar, respetar la privacidad y tener una persona responsable del resultado. Comprender estos principios no es un añadido ético: es la condición de que la organización pueda auditar, defender y escalar sus sistemas de IA.

Objetivos de Aprendizaje

Al terminar este contenido, serás capaz de:

Definir inteligencia artificial y machine learning, e indicar que el ML es un subconjunto de la IA y el deep learning un subconjunto del ML.
Diferenciar IA y ML de la analítica y de la business intelligence según la pregunta que responden, la salida que producen y el momento del proceso de decisión en el que se aplican.
Clasificar los problemas que resuelve el ML en aprendizaje supervisado, no supervisado y por refuerzo, y asociar a cada uno ejemplos de negocio concretos.
Relacionar tipos de problema (clasificación, regresión, clustering, detección de anomalías, recomendación, lenguaje, visión) con el dato de entrada necesario y con la familia de solución de Google Cloud correspondiente.
Explicar las tres palancas de valor del ML —grandes datasets, escalar decisiones y datos no estructurados— y traducirlas a indicadores de negocio.
Evaluar cuándo un problema no debe abordarse con machine learning y proponer la alternativa adecuada.
Argumentar por qué los datos de alta calidad son esenciales, identificando los defectos de datos con mayor impacto sobre el rendimiento del modelo.
Seleccionar controles de calidad de datos aplicables a un proyecto de ML: etiquetado, representatividad, documentación y monitorización de deriva.
Explicar qué significa una IA explicable y responsable, y justificar su importancia en sectores regulados y en la adopción interna.
Distinguir una métrica de modelo (precisión, recall) de una métrica de negocio (coste evitado, tasa de conversión) y conectar ambas.

Contenido Principal

Subtema 1: Qué es IA, qué es machine learning y en qué se diferencian de la analítica

La inteligencia artificial es el campo que construye sistemas capaces de realizar tareas que asociamos con la inteligencia humana: reconocer patrones en imágenes, comprender y generar lenguaje, clasificar, razonar sobre información, recomendar y tomar decisiones bajo incertidumbre. Es un término amplio que incluye desde sistemas basados en reglas sofisticadas hasta modelos entrenados con datos.

El machine learning (ML) es el subconjunto de la IA que resuelve el problema de otra forma: en lugar de programar la regla, se entrega al sistema un conjunto de datos de ejemplo y el algoritmo aprende los patrones que conectan esas entradas con la salida deseada. La consecuencia práctica es que el comportamiento del sistema deja de depender exclusivamente de quien lo escribió y pasa a depender de la calidad y representatividad de los datos. Un modelo entrenado se evalúa sobre datos que no ha visto, se mide con métricas explícitas y se reentrena cuando el mundo cambia.

El deep learning es ML con redes neuronales de muchas capas. Es la familia que impulsa el reconocimiento de voz, la visión por ordenador, la traducción automática y los modelos generativos actuales, incluidos los grandes modelos de lenguaje. Conviene situarlo correctamente: deep learning ⊂ machine learning ⊂ inteligencia artificial.

Frente a ello, la business intelligence y la analítica responden a otra pregunta. La BI agrega y visualiza datos históricos para explicar qué pasó y qué está pasando —ventas por región, margen por línea, ticket medio— mediante consultas y dashboards; la analítica predictiva anticipa tendencias con métodos estadísticos; y el ML produce predicciones individualizadas sobre casos nuevos que aún no existen en los datos. La frontera operativa es sencilla: si la respuesta se calcula agregando filas que ya tienes, es analítica; si la respuesta es una estimación sobre un caso no observado, es ML.

Las dos se alimentan mutuamente. Las métricas de la BI son features y etiquetas potenciales del modelo, y la salida del modelo es una nueva métrica que hay que gobernar y visualizar en la BI. Por eso la pregunta "¿esto es BI o es ML?" casi nunca es excluyente: en una organización madura, el dato pasa de la consulta descriptiva al modelo y del modelo al proceso de decisión, que a su vez genera nuevo dato para la analítica.

Concepto	Pregunta que responde	Salida típica	Ejemplo de negocio	Cuándo usarlo
Business intelligence	¿Qué pasó y qué está pasando?	Agregaciones, tablas, dashboards	Ventas por región y trimestre	Seguimiento de KPIs y cierres
Analítica (descriptiva/predictiva)	¿Cómo evolucionó y cómo seguirá?	Series, proyecciones, correlaciones	Previsión de demanda a tres meses	Planificación y objetivos
Machine learning	¿Qué debería esperarse en este caso concreto?	Puntuación, etiqueta, valor estimado, texto generado	Probabilidad de abandono por cliente	Decisión automatizada o asistida
Reglas explícitas	¿Se cumple esta condición definida?	Booleano	"Monto > umbral y país en lista"	Procesos conocidos y estables

Ejemplo Práctico

La mayoría de organizaciones descubre su primer modelo no en un laboratorio, sino dentro del warehouse donde ya vive el dato. BigQuery ML permite entrenar y evaluar un modelo sin sacar los datos de BigQuery, lo que ilustra la relación analítica–ML mejor que cualquier diagrama:

# 1. Etiquetas disponibles: comprobar que el dato de entrenamiento es utilizable
bq query --use_legacy_sql=false '
SELECT
  COUNT(*) AS filas,
  COUNTIF(abandono IS NULL) AS sin_etiqueta,
  COUNTIF(abandono = TRUE) AS positivos,
  MAX(fecha_actualizacion) AS ultima_carga
FROM `PROJECT_ID.retail.clientes_entrenamiento`'

# 2. Entrenar un modelo de clasificación con SQL
bq query --use_legacy_sql=false '
CREATE OR REPLACE MODEL `PROJECT_ID.ml.abandono`
OPTIONS (model_type = "logistic_reg", input_label_cols = ["abandono"]) AS
SELECT * FROM `PROJECT_ID.retail.clientes_entrenamiento`'

# 3. Evaluar antes de usarlo en un proceso de negocio
bq query --use_legacy_sql=false '
SELECT * FROM ML.EVALUATE(MODEL `PROJECT_ID.ml.abandono`)'

Lectura de la salida en términos de negocio. La primera consulta es la pregunta que hay que hacer antes de cualquier proyecto de IA: si sin_etiqueta es elevado, el problema no es de algoritmo sino de captura, y hay que instrumentar la recolección de la etiqueta antes de prometer predicciones. Si positivos es una fracción mínima del total, el dataset está desequilibrado y una exactitud aparentemente alta no significará nada en producción: la métrica correcta dejará de ser la exactitud global. Y ultima_carga mide la distancia entre el mundo real y el entrenamiento: un modelo entrenado sobre datos de hace un año predice el comportamiento de hace un año.

Subtema 2: Tipos de problemas que resuelve el machine learning

El ML no resuelve "cualquier problema": resuelve problemas donde existe una relación entre entradas y salida que puede aprenderse de ejemplos. Su taxonomía clásica es la que el examen espera reconocer en un caso práctico.

Aprendizaje supervisado. El dato de entrenamiento incluye la respuesta correcta (etiqueta), de modo que el modelo aprende la función que conecta características con resultado. Se divide en dos familias:

Clasificación: predecir una categoría. ¿Este cliente se irá o se quedará? ¿Esta transacción es legítima o fraudulenta? ¿Este documento es una factura, un contrato o una reclamación?
Regresión: predecir un valor continuo. ¿Cuánta demanda habrá? ¿Cuánto costará el mantenimiento? ¿Qué precio soporta este producto?

Aprendizaje no supervisado. No hay etiquetas; el modelo descubre estructura en el dato. Clustering para segmentar clientes por comportamiento sin categorías preexistentes; detección de anomalías para encontrar lo raro —intrusiones, sensores defectuosos, transacciones atípicas— cuando "lo anómalo" no está etiquetado; y reducción de dimensionalidad para comprimir cientos de variables en componentes manejables.

Aprendizaje por refuerzo. Un agente aprende una política por ensayo y error con una señal de recompensa. Su uso de negocio aparece en optimización secuencial —asignación de recursos, estrategias de precio, control— más que en clasificación.

Problemas de lenguaje y de visión. No son una categoría de aprendizaje distinta, sino dominios donde se aplican las anteriores: clasificación de texto y análisis de sentimiento (supervisado), extracción de entidades, traducción, resumen y generación de contenido (lenguaje); clasificación de imágenes, detección de objetos y lectura de documentos (visión). La IA generativa pertenece a este grupo y se estudia en Generative AI, Foundation Models and LLMs in Enterprise.

Recomendación. Predice qué le gustará o qué necesita a cada usuario a partir de interacciones pasadas; combina supervisado y métodos de factorización, y es uno de los casos con retorno de negocio más directo.

Tipo de problema	Entrada necesaria	Pregunta de negocio	Ejemplo	Familia de solución en Google Cloud
Clasificación	Datos con etiqueta	¿A qué categoría pertenece?	Fraude, abandono, tipo de documento	Vertex AI AutoML, BigQuery ML, APIs preentrenadas
Regresión	Datos con valor numérico	¿Cuánto será?	Demanda, precio, consumo	AutoML tabular, BigQuery ML
Clustering	Datos sin etiqueta	¿Qué grupos existen?	Segmentación de clientes	BigQuery ML (k-means), AutoML
Detección de anomalías	Datos con o sin etiqueta	¿Qué se sale de lo normal?	Intrusión, sensor defectuoso	BigQuery ML, Vertex AI
Forecasting	Serie temporal	¿Qué pasará?	Previsión de ventas	BigQuery ML (ARIMA), Vertex AI
Lenguaje	Texto	¿Qué dice y qué implica?	Sentimiento, entidades, resumen	Natural Language API, modelos de lenguaje
Visión	Imagen o vídeo	¿Qué hay en la imagen?	Inspección, clasificación de fotos	Vision API, AutoML Vision
Recomendación	Historial de interacción	¿Qué mostrarle?	Sugerencias de producto	Vertex AI, BigQuery ML

Subtema 3: El valor de negocio del machine learning

El ML no crea valor por su sofisticación, sino porque resuelve tres limitaciones estructuradas del modelo de decisión manual.

Aprovechar grandes datasets. Existe patrón donde no hay regla: miles de señales débiles —secuencia de clics, textos de soporte, historial de pagos, sensores— que ninguna mente humana ni ninguna lista de condiciones puede combinar. El valor aparece cuando el volumen y la variedad del dato, ya almacenados en la plataforma, se convierten en capacidad de predicción sin coste incremental proporcional. Es el argumento que conecta la inversión previa en datos con un retorno nuevo: el almacén deja de ser memoria y pasa a ser materia prima.

Escalar decisiones. Hay procesos donde la decisión se toma miles de veces por hora y la variabilidad humana es un problema: revisar transacciones, priorizar incidencias, calificar solicitudes, enrutar llamadas. El ML aporta consistencia, disponibilidad inmediata y coste marginal bajo por decisión, y reserva a las personas las excepciones y la supervisión. El resultado no es solo ahorro: es un SLA de decisión que antes no existía.

Extraer valor de los datos no estructurados. Documentos, correos, grabaciones, imágenes y vídeos contienen la mayor parte del conocimiento operativo de una empresa y no se pueden analizar con SQL directamente. El ML permite clasificarlos, transcribirlos, extraer sus campos y buscar dentro de ellos, convirtiendo coste de procesamiento manual en activo consultable.

El contraargumento es igual de importante. Un problema no es candidato a ML cuando la regla es conocida, estable y barata de verificar (validar un formato de IBAN es regla, no modelo); cuando no hay suficientes ejemplos del resultado que se quiere predecir; cuando la decisión no se puede medir después, de modo que nadie sabría si el modelo mejora el negocio; o cuando el patrón observado en los datos históricos no se mantendrá (por cambio regulatorio o de comportamiento). Meter ML donde basta una regla añade opacidad, coste y riesgo sin retorno.

La última pieza del valor es la traducción a dinero. La exactitud del modelo no es un objetivo de negocio: lo es el coste de sus errores. Un clasificador de fraude con falsos positivos que bloquea pedidos legítimos puede destruir más ingreso del que protege; la métrica que hay que llevar al comité es coste evitado frente a coste inducido, no el porcentaje de aciertos.

Palanca de valor	Problema de negocio que resuelve	Evidencia de éxito	Indicador típico
Grandes datasets	Patrones invisibles para reglas manuales	Modelo que detecta señales débiles de forma estable	Incremento de detección a igualdad de falsos positivos
Escalar decisiones	Decisiones repetitivas malas y caras	Cobertura automatizada con revisión de excepciones	Coste por decisión, tiempo de ciclo
Datos no estructurados	Conocimiento atrapado en documentos y audio	Búsqueda y clasificación automatizadas	Horas de procesamiento manual evitadas

Subtema 4: Por qué los datos de alta calidad son esenciales

El ML tiene una propiedad incómoda: aprende exactamente lo que se le enseña, incluidos los defectos. No existe un modelo que compense de forma fiable datos sucios; lo que ocurre es que los defectos se propagan a las decisiones con apariencia de automatización. Por eso la calidad del dato es un requisito de diseño, no un paso de revisión posterior.

Los defectos que más daño hacen, con su efecto observable:

Etiquetas incorrectas o ambiguas. Es el techo del aprendizaje supervisado: si "abandono" significa cosas distintas en tres sistemas fuente, el modelo aprenderá el desacuerdo. Requiere definición escrita de la etiqueta y revisión de muestras.
Falta de etiquetas. Sin ejemplos del resultado que se quiere predecir no hay aprendizaje supervisado posible; la captura de la etiqueta es un trabajo de proceso, no de algoritmo.
Desbalance de clases. En fraude, reclamación o fallecimiento de cliente, la clase positiva es rara: la exactitud global se dispara prediciendo siempre "no" y el modelo resulta inútil. Exige métricas por clase y tratamiento del desbalance.
Datos no representativos. El entrenamiento debe parecerse al entorno de producción: si se entrena con clientes de una región o de un canal, el modelo fallará donde no ha visto datos.
Distribución que cambia (drift). El comportamiento del cliente, la normativa o el catálogo cambian: el patrón aprendido envejece. Sin reentrenamiento programado y monitorización, el rendimiento cae en silencio.
Ruido y faltantes no tratados. Campos vacíos, duplicados y errores de captura convierten la señal en azar; los modelos profundos son particularmente sensibles porque pueden memorizar el ruido.

Las respuestas organizativas son conocidas y tienen dueño: definición de la etiqueta y del dataset, documentación de origen y transformaciones, perfiles de calidad automatizados en el pipeline, muestreo de revisión humana, particiones temporales de entrenamiento y prueba que eviten el data leakage, y monitorización de deriva en producción. En Google Cloud, la ingesta y transformación con Dataflow, la calidad y el catálogo con Dataplex y las tablas gobernadas de BigQuery son la infraestructura sobre la que se apoya todo esto; el detalle está en Data-Driven Business and Transformation.

Defecto de dato	Efecto sobre el modelo	Señal temprana	Control
Etiqueta incorrecta	Aprendizaje erróneo con buena métrica aparente	Discrepancia entre revisores	Definición escrita y muestreo de revisión
Falta de etiquetas	No hay qué aprender	Campos de resultado vacíos	Instrumentación del proceso que genera la etiqueta
Desbalance de clase	Predicción sesgada hacia la clase mayoritaria	Exactitud alta, recall nulo	Métricas por clase y tratamiento del desbalance
No representatividad	Fallo en segmentos sin datos	Buenos resultados en pilotos, malos al escalar	Segmentación del rendimiento por grupo
Drift	Degradación silenciosa en producción	Métricas caen sin cambio de código	Monitorización y reentrenamiento programado

Ejemplo Práctico

# Perfil de calidad previo al entrenamiento: etiquetas, frescura y cobertura
bq query --use_legacy_sql=false '
SELECT
  canal,
  COUNT(*) AS clientes,
  SAFE_DIVIDE(COUNTIF(abandono IS NULL), COUNT(*) * 1.0) AS tasa_sin_etiqueta,
  MAX(fecha_actualizacion) AS ultima_carga
FROM `PROJECT_ID.retail.clientes_entrenamiento`
GROUP BY canal
ORDER BY clientes DESC'

# Distribución de la clase objetivo (¿es predecible el "sí" trivialmente?)
bq query --use_legacy_sql=false '
SELECT abandono, COUNT(*) AS n
FROM `PROJECT_ID.retail.clientes_entrenamiento`
GROUP BY abandono'

# Modelos ya registrados y su fecha de entrenamiento (¿está vigente?)
bq ls --project_id=PROJECT_ID --all --format="table(type,Id)"

Lectura de la salida en términos de negocio. Si tasa_sin_etiqueta difiere entre canales, el modelo aprenderá de un subconjunto sesgado de clientes y fallará en el canal con peor captura: la corrección es de proceso, no de algoritmo. Si abandono = FALSE domina abrumadoramente, se confirma el desbalance y la conversación con negocio debe ir a cuánto cuesta un falso positivo frente a un falso negativo antes de elegir umbral. Y la fecha de los modelos listados es el indicador de vigencia: un modelo entrenado hace mucho tiempo sobre un dataset que sigue cambiando es una decisión desactualizada que nadie está revisando.

Subtema 5: Fundamentos de IA explicable y responsable

Un modelo que influye en decisiones sobre personas y procesos tiene que poder someterse a escrutinio. La IA explicable responde a la pregunta "¿por qué el modelo decidió esto?": identifica qué variables contribuyeron a la predicción, en qué sentido y con qué peso. En la práctica, las técnicas más extendidas asignan a cada característica una contribución a la puntuación final —por ejemplo, que el saldo caído y las reclamaciones recientes explican la mayor parte de una puntuación de riesgo— y existen tanto en plataformas como Vertex AI (con Explainable AI) como en BigQuery ML.

La explicabilidad tiene valor de negocio directo en cuatro frentes: permite al negocio detectar que el modelo usa una variable equivocada (por ejemplo, un código postal como sustituto de un atributo protegido); permite responder a un cliente o a un auditor que cuestiona una decisión; acelera la adopción interna, porque un equipo que no entiende el modelo no confiará en su salida; y habilita la revisión humana de excepciones con contexto suficiente.

La IA responsable es el marco más amplio. Google Cloud suele expresarlo en cinco áreas —fair (equitativa), accountable (con responsables), transparente (abierta a examen), privacy-secured (protege la privacidad) y safe (segura)— y de ellas se derivan los riesgos que hay que gestionar desde el diseño:

Sesgo y equidad: el modelo puede aprender desigualdades presentes en los datos históricos y reproducirlas con escala. La respuesta combina revisión de representatividad, evaluación del rendimiento por segmento y corrección en datos, objetivo o umbral.
Seguridad: resiliencia a entradas adversas, control de los usos previstos y restricción de los que no lo son.
Privacidad: minimización de datos personales, control de acceso y tratamiento acorde a la regulación aplicable.
Responsabilidad: una persona o equipo es dueño del modelo, de sus métricas y de su retirada.
Transparencia: documentación del propósito, los datos, las métricas y los límites de uso.

Este tema solo pone las bases; los principios en detalle, la equidad y la gobernanza de modelos se tratan en Responsible AI Principles and Model Governance, y el proceso de selección de soluciones en Google Cloud AI Solutions and Vertex AI.

Temas relacionados: Google Cloud AI Solutions and Vertex AI, Responsible AI Principles and Model Governance, Data-Driven Business and Transformation

Conceptos Clave

Concepto	Descripción	Cuándo usarlo
Inteligencia artificial	Campo que construye sistemas capaces de tareas asociadas a la inteligencia humana: reconocer, razonar, generar, decidir	Como término paraguas que incluye reglas, ML y modelos generativos
Machine learning	Subconjunto de la IA que aprende patrones de datos de ejemplo en lugar de programar la regla	Cuando existe relación aprendible entre entradas y salida y hay datos de ejemplo
Deep learning	ML basado en redes neuronales profundas; base de visión, lenguaje y modelos generativos	En dominios de imagen, audio y texto a gran escala
Business intelligence	Agregación y visualización de datos históricos para explicar qué pasó y qué pasa	KPIs, cierres, informes de gestión
Analítica predictiva	Proyección estadística sobre tendencias y escenarios	Planificación y previsión de agregados
Aprendizaje supervisado	Entrenamiento con etiquetas: clasificación y regresión	Cuando se conoce la respuesta correcta de los ejemplos
Aprendizaje no supervisado	Descubrimiento de estructura sin etiquetas: clustering y anomalías	Segmentación y detección de lo raro
Clasificación	Predicción de una categoría sobre un caso nuevo	Fraude, abandono, tipo de documento, sentimiento
Regresión	Predicción de un valor continuo	Demanda, precio, consumo, tiempo estimado
Detección de anomalías	Identificación de registros atípicos respecto a lo normal	Seguridad, calidad industrial, fraude sin etiquetas
Recomendación	Predicción de preferencia individual a partir de interacción previa	Productos, contenidos, siguiente mejor acción
Datos no estructurados	Texto, imagen, audio y vídeo sin esquema tabular	Cuando el conocimiento operativo no está en tablas
Calidad del dato	Exactitud, completitud, consistencia, representatividad y frescura del dato de entrada	Como requisito previo e inexcusable de todo proyecto de ML
Drift (deriva)	Cambio de la distribución de datos o de la relación entre variables y resultado	Para decidir cuándo reentrenar un modelo en producción
IA explicable	Capacidad de justificar una predicción identificando las variables que la explican	En decisiones sobre personas, auditoría y sectores regulados
IA responsable	Marco de equidad, responsabilidad, transparencia, privacidad y seguridad aplicado al ciclo de vida del modelo	Desde el diseño de un caso de uso hasta la retirada del modelo

Comparaciones

Dimensión	Business intelligence / analítica	Machine learning
Pregunta	¿Qué ocurrió y qué está ocurriendo?	¿Qué ocurrirá o qué corresponde en este caso?
Salida	Agregados, tablas, dashboards	Puntuación, etiqueta, valor estimado, generación
Alcance	Registros históricos conocidos	Casos aún no observados
Fallo característico	Cifras mal definidas o desactualizadas	Modelo sesgado, desactualizado o sobreajustado
Condición de éxito	Gobernanza de métricas y frescura	Calidad, etiquetas y monitorización del modelo
Responsable típico	Equipo de datos y negocio	Científico de datos con dueño de negocio

Eje	Aprendizaje supervisado	Aprendizaje no supervisado
Datos de entrada	Características + etiqueta	Solo características
Objetivo	Predecir una salida conocida	Descubrir estructura latente
Evaluación	Métricas contra etiquetas reales	Coherencia, estabilidad, utilidad de negocio
Ejemplos	Clasificación, regresión, forecasting	Clustering, anomalías, reducción
Coste de preparación	Alto: el etiquetado define el techo	Menor etiquetado, mayor interpretación posterior

Eje	Regla explícita	Machine learning
Conocimiento	Se escribe desde el dominio	Se aprende de los ejemplos
Cambio de comportamiento	Hay que reescribir la regla	Reentrenar con datos nuevos
Opacidad	Totalmente interpretable	Requiere explicabilidad y evaluación
Coste inicial	Bajo	Medio-alto (datos, ingeniería, validación)
Cuándo elegirlo	Proceso conocido, estable y verificable	Patrón complejo, cambiante y demostrable en datos

Errores Comunes

Error: Presentar machine learning como una alternativa a la business intelligence, o sustituir un dashboard por un modelo. → Solución: Situar cada uno en su pregunta: la BI explica lo ocurrido y sostiene el seguimiento; el ML estima casos nuevos y se integra en el proceso de decisión. Los sistemas maduros usan la BI para definir y medir, y el ML para actuar; la salida del modelo además necesita su propia visualización y gobernanza.
Error: Aplicar ML a un problema cuya regla es conocida, estable y barata de verificar, por el prestigio de la solución. → Solución: Evaluar primero si una regla determinista responde igual de bien con menos opacidad, coste y riesgo. Si la decisión se puede escribir y auditarse como condición, la regla es la respuesta correcta y el modelo añade complejidad sin valor.
Error: Medir el éxito del proyecto con la exactitud del modelo en lugar de con el impacto en el negocio. → Solución: Definir antes del entrenamiento la métrica de negocio y el coste de cada tipo de error (falso positivo y falso negativo), fijar el umbral con negocio y verificar después si el proceso cambió y cuánto coste o ingreso se movió. Un modelo exacto que nadie usa no genera retorno.
Error: Entrenar con datos históricos sin comprobar etiquetas, balance de clases ni frescura, y descubrir el problema cuando el modelo ya está en producción. → Solución: Ejecutar un perfil de calidad previo —tasa de etiquetas faltantes, distribución de la clase objetivo, fecha de última carga y representatividad por canal— y tratar los hallazgos como bloqueantes. La regla práctica es que la revisión de datos ocupe más tiempo que la elección del algoritmo.
Error: Asumir que un modelo entrenado sigue siendo válido con el paso del tiempo, sin vigilancia. → Solución: Monitorizar el rendimiento y la deriva de datos en producción, programar el reentrenamiento y mantener documentados el propósito, los datos y los límites del modelo. El drift no genera errores de sistema: degrada la calidad de decisión en silencio, que es la forma más cara de fallar.

Puntos para el Examen

🎯 Punto clave 1: IA, ML y deep learning son conjuntos anidados (deep learning dentro del ML, ML dentro de la IA), y se diferencian de la BI y la analítica por la pregunta: la BI describe lo ocurrido; el ML estima casos no observados. Las preguntas de definición se resuelven con esta distinción, no con listas de productos.

🎯 Punto clave 2: Los tipos de problema del ML se identifican por la presencia de etiquetas y por el tipo de salida: clasificación (categoría), regresión (valor), clustering (grupos), detección de anomalías (lo raro), forecasting (futuro) y recomendación (preferencia). Reconocer el tipo de problema es el primer paso para cualquier pregunta de caso.

🎯 Punto clave 3: El valor de negocio del ML se apoya en tres palancas: grandes datasets, escalar decisiones y datos no estructurados. Si un escenario habla de patrones que las reglas no capturan, de millones de decisiones por hora o de documentos y audio sin explotar, la respuesta corresponde a una de ellas.

🎯 Punto clave 4: Los datos de alta calidad son esenciales porque el modelo aprende los defectos: etiquetas erróneas, falta de etiquetas, desbalance, muestras no representativas y drift. En las preguntas sobre "el modelo funciona mal", la primera hipótesis a revisar es el dato, no el algoritmo.

🎯 Punto clave 5: La IA explicable y responsable no es opcional cuando el modelo decide sobre personas o está sujeto a auditoría: explicabilidad de la predicción, equidad frente al sesgo, privacidad, seguridad y una persona responsable del resultado. Este marco aparece tanto en preguntas directas como en escenarios de adopción y de cumplimiento.

Recursos Externos

Google Machine Learning Crash Course — Fundamentos de ML con ejemplos prácticos: supervisado, no supervisado, evaluación y sesgo.
Introduction to ML in BigQuery — Cómo crear y evaluar modelos con SQL sobre datos ya gobernados en el warehouse.
End-to-end user journeys for ML models in BigQuery — De crear el modelo a evaluarlo, explicarlo y predecir con él.
Vertex AI documentation — Plataforma de IA y ML de Google Cloud: entrenamiento, despliegue, explicabilidad y MLOps.
Responsible AI documentation — Prácticas de IA responsable y capacidades de Google Cloud para aplicarlas.

Autoevaluación Rápida

Pregunta: Un responsable de negocio dice que "ya usa inteligencia artificial" porque consulta dashboards de ventas con comparativas de periodo. ¿Es correcto? Respuesta: No. Consultar agregaciones históricas es business intelligence y analítica descriptiva: responde qué pasó y qué está pasando sobre datos ya registrados. La inteligencia artificial aplicada aparecería cuando un sistema produjera una salida sobre un caso no observado —previsión de demanda individual, detección de transacción anómala, generación de contenido—. La distinción importa porque los dos enfoques tienen dueños, métricas y condiciones de éxito distintos.
Pregunta: Quiero predecir qué clientes van a abandonar el servicio. ¿Qué tipo de problema es y qué necesito? Respuesta: Es aprendizaje supervisado de clasificación, porque la salida es una categoría binaria y existe (o hay que construir) una etiqueta de abandono por cliente. Se necesitan características históricas del cliente —uso, pagos, contactos con soporte— y la etiqueta, además de una definición escrita de qué significa "abandonar" y una métrica acordada con negocio, puesto que el coste de un falso positivo (campañar a quien no se iba a ir) y el de un falso negativo (no retener a quien se iba a ir) no son iguales.
Pregunta: ¿Por qué un dataset con un 99% de ejemplos negativos puede producir un modelo aparentemente excelente y inútil? Respuesta: Por desbalance de clase. Un modelo que siempre responde "negativo" alcanza un 99% de exactitud sin aprender nada, de modo que la métrica global deja de ser informativa. La evaluación debe hacerse con métricas por clase (precisión y recall de la clase positiva, F1, área bajo la curva) y con el coste real de cada error definido con negocio; además conviene tratar el desbalance en los datos o en el objetivo del entrenamiento.
Pregunta: La dirección pide un modelo porque "hay muchos datos". ¿Qué debes preguntar primero? Respuesta: Si existe una decisión concreta que el dato permite mejorar y cómo se medirá ese cambio. El volumen de datos es una condición necesaria, no suficiente: hacen falta ejemplos del resultado que se quiere predecir, una relación aprendible que no se va a romper, y un proceso capaz de ejecutar la predicción. Si la respuesta a "qué decisión cambia" o a "cómo sabremos si mejora" es difusa, el proyecto es analítica mal planteada, no ML.
Pregunta: Un modelo de scoring aprueba una solicitud denegada y el cliente exige una explicación. ¿Qué capacidad debe estar disponible y qué valor tiene para la empresa? Respuesta: Debe existir explicabilidad del modelo: la contribución de cada variable a esa puntuación concreta, junto con la documentación del propósito, los datos y los límites del sistema. Su valor de negocio es triple: permite responder al cliente y a los reguladores, revela si el modelo se apoya en variables inadecuadas (por ejemplo, proxies de atributos protegidos) y aumenta la confianza interna, condición para que los equipos usen el sistema en lugar de esquivarlo. Es el puente entre el rendimiento técnico y la adopción sostenida.