Definición
El aprendizaje supervisado es la forma más común de entrenar un modelo: le das ejemplos donde ya está la respuesta correcta y él aprende la relación entre una cosa y la otra.
La palabra "supervisado" viene de ahí. Hay un supervisor —una persona, normalmente— que ha ido diciendo para cada caso cuál era la respuesta buena. Ese trabajo se llama etiquetar, y es la parte cara y aburrida de casi todo proyecto de IA.
Frente a él están el aprendizaje no supervisado, donde el modelo busca estructura en datos sin etiquetas (agrupar clientes parecidos sin decirle qué grupos existen), y el aprendizaje por refuerzo, donde aprende probando y recibiendo premios o castigos.
Cómo funciona
El planteamiento tiene siempre la misma forma:
- Reunir el dataset: pares de entrada y respuesta correcta. Mil facturas y, para cada una, si estaba pagada o no.
- Partirlo en tres: entrenamiento (~70 %), validación (~15 %) y prueba (~15 %). El de prueba no se toca hasta el final.
- Entrenar: el modelo predice, se mide el error contra la etiqueta real y se corrigen los parámetros.
- Validar: se comprueba el acierto sobre datos que no vio, para ajustar hiperparámetros sin engañarse.
- Probar una sola vez: el conjunto de prueba da la cifra honesta que puedes enseñar.
Dos familias de problema:
- Clasificación, cuando la respuesta es una categoría: ¿este email es spam? ¿este cliente va a irse?
- Regresión, cuando la respuesta es un número: ¿cuántas unidades venderemos el mes que viene?
Ejemplo práctico
En IMDICA queremos saber qué presupuestos tienen posibilidades reales de cerrarse, para que el comercial no persiga a todo el mundo por igual.
Tenemos histórico: miles de presupuestos emitidos y, para cada uno, si acabó en pedido o no. Esa es la etiqueta, y la tenemos gratis, porque es un dato que el negocio ya guardaba.
Como entrada le damos lo que sabíamos en el momento de emitirlo: importe, número de líneas, familia de producto, si el cliente ya había comprado antes, cuántos días tardó en pedirlo, si pidió muestra. El modelo aprende qué combinaciones acaban en venta.
El resultado no es una bola de cristal: es una probabilidad. Y su valor está menos en el número que en el orden — saber a qué diez presupuestos de los cincuenta abiertos merece la pena llamar hoy.
Detalle importante: hay que entrenar solo con información disponible en el momento de emitir. Si metes como variable "número de llamadas de seguimiento", el modelo acertará muchísimo en las pruebas y no servirá para nada en real, porque esas llamadas ocurren después. Es la fuga de datos, y es el fallo más habitual del oficio.
Errores comunes
- Fuga de datos (data leakage): colar en las variables algo que solo se sabe después del hecho que quieres predecir. Da resultados espectaculares en las pruebas y ridículos en producción.
- Clases desbalanceadas: si solo el 2 % de los casos son fraude, un modelo que diga siempre "no hay fraude" acierta el 98 %. Y no vale nada. Hay que mirar precisión y exhaustividad, no acierto global.
- Etiquetas inconsistentes: si dos personas etiquetaron con criterios distintos, el modelo aprende la contradicción.
- Mirar el conjunto de prueba mientras iteras: en cuanto lo usas para decidir, deja de ser una medida honesta.
Cuándo usarlo
Sí cuando tienes histórico con la respuesta ya registrada —y a menudo la tienes sin saberlo, en el ERP o en el CRM— y cuando el problema es predecir algo concreto y medible.
No cuando etiquetar costaría más de lo que vale el resultado, cuando lo que buscas es descubrir patrones que no sabes nombrar (ahí va el no supervisado), o cuando las reglas del negocio cambian tan rápido que el histórico ya no describe el presente.
