Machine Learning explicado con ejemplos cotidianos de México

Cada vez que abres una aplicación para comprar en línea y ves productos que “casualmente” son justo lo que buscabas, o cuando tu banco te manda un mensaje de seguridad porque detectó un movimiento “raro”, no es que tu teléfono te espíe: es el Machine Learning trabajando.

El Machine Learning no es una tendencia pasajera; se espera que este mercado en México alcance los 8 mil millones de dólares para el año 2030. Si quieres conocer más sobre este tipo de IA cotidiana en México, aquí te lo explicamos todo con ejemplos.

El Machine Learning (o aprendizaje automático) son programas que aprenden patrones de la realidad para hacer predicciones o tomar decisiones.

Imagina que le pides a alguien que, de una serie de imágenes de tacos, identifique cuáles son de pastor y cuáles de suadero. Si esa persona no sabe cómo se ve un taco, no podrá hacerlo. Pero, si le muestras 100 fotos de tacos al pastor y 100 de suadero, empezará a notar patrones: el color de la carne, la presencia de piña, el tipo de tortilla. Muy seguramente, después de ver suficientes ejemplos, podrá identificar y clasificar los tacos sin tu ayuda.

Eso es exactamente el Machine Learning (ML). No se trata de memorizar reglas, sino de encontrar patrones en los datos que le das. Entre más ejemplos procese, mejor se volverá para predecir o clasificar cosas nuevas.

El proceso, en el fondo, tiene tres momentos:

🔷 Dar muchos ejemplos: pueden ser miles de transacciones bancarias (algunas fraudulentas, otras legítimas), fotos de productos etiquetados, o registros de ventas diarias de una tienda.
🔶 Encontrar relaciones: el modelo busca conexiones entre las características de los datos y los resultados. Por ejemplo, notará que las compras de madrugada desde otro país son más probables de ser fraude, o que las ventas suben los fines de semana.
🔷 Predecir cosas nuevas: cuando le muestras algo que nunca ha visto, hace su predicción con base en lo que aprendió. Si le das una nueva transacción, dirá “esto parece fraude” o “esto parece normal”.

La clave está en los datos de entrada (características) y los datos de salida (lo que quieres predecir). Entre mejores y más abundantes sean tus ejemplos, más acertado será el entrenamiento del modelo.

El nombre “Machine Learning” suena a una tecnología muy lejana, salida de Silicon Valley, ¿verdad? Pero la realidad es que ya lo usas todos los días sin saberlo: está en tu celular, en tus compras en línea, en tu banco y hasta en qué decides comer.

¿Aún no lo crees? Aquí unos ejemplos más específicos de cómo usas este modelo de predicciones sin saberlo:

Cuando buscas unos tenis deportivos y de repente te aparecen shorts, calcetas y playeras de ejercicio, no es coincidencia. Mercado Libre usa Machine Learning para detectar qué productos suelen comprar juntas personas con hábitos similares a los tuyos.

Su sistema de recomendación analiza millones de búsquedas, clics, compras y tiempo que la gente pasa viendo estos productos. Si mil personas que compraron los mismos tenis que ves ahora también compraron una camiseta en específico, el modelo aprende ese patrón y te la sugiere.

¿Por qué salir un viernes a las 9 de la noche cuesta el triple que un martes a las 3 de la tarde? Machine Learning. Las apps de movilidad urbana entrenan modelos que predicen la demanda por zona, hora del día, día de la semana, clima y hasta eventos cercanos (conciertos, partidos, fiestas regionales).

El modelo aprende que en ciertas colonias, a ciertas horas, hay más solicitudes que conductores disponibles. Entonces ajusta el precio para equilibrar oferta y demanda. También considera factores como si llueve (más gente pide viajes) o si hay un evento en algún recinto importante (avalancha de solicitudes al terminar el concierto).

Cada vez que usas tu tarjeta, un modelo de Machine Learning evalúa en milisegundos si esa transacción “parece tuya” y la compara con tu comportamiento histórico: dónde compras, cuánto gastas, a qué horas, en qué tipo de establecimientos.

Aquí el Machine Learning detecta anomalías y transacciones sospechosas que sugieren fraude bancario, y bloquea la operación o te pide confirmación.

¿Cómo es que tu celular puede buscar “playa” y te muestra todas las fotos que tomaste en la costa? Los modelos de reconocimiento de imágenes aprendieron a identificar elementos visuales; por ejemplo:

🔷 arena y agua azul = playa;
🔶 platos con comida = alimentos;
🔷 rostros específicos = personas.

Tu teléfono procesa cada foto que tomas, extrae características y la clasifica automáticamente sin que tengas que hacer nada.

Cuando ves anuncios de gimnasios después de buscar rutinas de ejercicio, o te aparecen promociones de viajes a Cancún justo cuando estabas investigando hoteles, ese es Machine Learning en acción.

Las plataformas construyen un perfil de tus intereses basado en todo lo que haces: páginas que visitas, publicaciones con las que interactúas, tiempo que pasas viendo cierto contenido, búsquedas, etc.

Los modelos de targeting publicitario predicen qué anuncios tienen más probabilidad de que hagas clic según patrones de comportamiento, por lo que empiezan a mostrarte ads personalizados.

Cuando pides comida y la aplicación marca que “llegará en 35 minutos”, no es un cálculo simple de distancia; es toda una operación logística. Los modelos de predicción de tiempos consideran el tráfico en tiempo real, la distancia entre el restaurante y tu casa, la hora del día, el día de la semana, cuántos pedidos tiene el repartidor, e incluso qué tan rápido prepara ese restaurante específico la comida. Estos sistemas aprenden de millones de entregas previas, y por eso las estimaciones son cada vez más precisas.

¿Por qué casi nunca ves correos sospechosos de estafa o promociones falsas en tu bandeja principal? Los filtros inteligentes de spam usan Machine Learning para identificar patrones de correos maliciosos o no deseados. Hacen una clasificación automática donde analizan el texto, el remitente, los enlaces, el formato y el comportamiento de millones de usuarios.

Si miles de personas marcan como spam correos con ciertas palabras (“ganaste un premio”, “haz clic aquí urgente”, “transferencia pendiente”), el modelo aprende que los mensajes con esas características probablemente son basura.

Ya sabes que el Machine Learning está presente en tu vida diaria de diferentes maneras, pero todavía hay más que aprender sobre esta inteligencia artificial, pues no todos estos sistemas aprenden de la misma forma.

Este es el tipo más común de Machine Learning. Le das al modelo datos de entrada junto con la respuesta correcta (la “etiqueta”), y aprende la relación entre ambos.

Ejemplo: una tiendita de abarrotes quiere predecir cuánto venderá cada día. Tiene datos históricos de ventas diarias, junto con información adicional, como si era día de quincena, si llovía, si era fin de semana o si había alguna festividad. El modelo detecta que las ventas suben 40% los días de quincena, 25% los sábados, y bajan 15% cuando llueve.

Este método se llama “supervisado” porque le enseñas con ejemplos donde ya conoces la respuesta correcta, como un maestro que supervisa a un estudiante.

Aquí no le ofreces etiquetas al modelo, y le pides que encuentre patrones o agrupaciones por su cuenta. Es útil cuando no sabes qué buscas exactamente.

Ejemplo: una cadena retail como Liverpool quiere segmentar a sus clientes, pero sin categorías predefinidas. El modelo analiza comportamientos de compra y agrupa naturalmente: “compradores de ofertas” (solo compran con descuento), “clientes premium” (compran artículos caros regularmente), “compradores estacionales” (solo en fechas especiales), “cazadores de tendencias” (compran novedades constantemente).

Este método es “no supervisado”, porque el modelo explora los datos sin que le digas qué buscar, y es él quien descubre los patrones ocultos.

Este tipo funciona como enseñarle a alguien a través de recompensas cuando hace algo bien, y penalizaciones cuando se equivoca. El modelo aprende qué acciones maximizan las recompensas.

Ejemplo: una empresa de logística como Estafeta quiere optimizar sus rutas. El modelo actúa como un agente que toma decisiones sobre qué ruta seguir: si entrega todos los paquetes rápido y con poco combustible, recibe alta recompensa. Si se atora en tráfico o da muchas vueltas, recibe baja recompensa.

Con el tiempo, el modelo aprende estrategias, como evitar ciertas avenidas a ciertas horas, agrupar entregas por zonas, o priorizar paquetes urgentes. No le programaste las reglas exactas, sino que las descubrió experimentando millones de escenarios simulados, hasta encontrar las mejores estrategias.

Ahora viene lo interesante: cómo las industrias más importantes de México están usando estas tecnologías para transformar sus operaciones.

Las cadenas retail más grandes de México usan Machine Learning para predecir inventarios y evitar quiebres de stock. Los modelos analizan ventas históricas, temporadas, promociones, clima, eventos locales y tendencias para estimar cuánto producto necesita cada tienda.

Sus modelos crean pronósticos por tienda, por producto, por día. Por ejemplo, si hay un concierto cerca de una sucursal Oxxo, el sistema anticipa mayor venta de bebidas y botanas.

Walmart, por otro lado, usa ML para optimizar precios dinámicos, detectar productos que rotan rápido frente a los que se quedan en anaqueles, y hasta para predecir qué productos complementarios colocar juntos (cerveza cerca de botanas, pañales cerca de toallitas húmedas, etc.).

El sector financiero mexicano es quizás el que más aprovecha Machine Learning. Los casos de uso son múltiples:

🔷 Evaluación de riesgo crediticio: fintech como Nu o Kueski no tienen acceso al historial del Buró de Crédito tradicional de muchas personas. Entonces entrenan modelos con datos alternativos: comportamiento de navegación en su app, patrones de gasto, estabilidad de ingresos reportados, hasta datos de geolocalización. Estos patrones permiten estimar si alguien es buen pagador, sin necesitar historial crediticio tradicional.
🔶 Detección de fraude: los modelos identifican compras atípicas, intentos de acceso desde ubicaciones sospechosas, transacciones repetidas en corto tiempo, o patrones que históricamente han sido fraudulentos.
🔷 Scoring crediticio y segmentación: los modelos clasifican clientes en segmentos de riesgo, lo que permite ofrecer productos personalizados (tasas de interés según perfil), y hasta predecir qué clientes están en riesgo de irse a la competencia.

Las empresas de telecom mexicanas usan ML principalmente para detectar churn (clientes que están por cancelar su servicio) y optimizar ofertas.

Los modelos analizan el comportamiento: si un cliente comenzó a usar menos datos, si llamó al servicio al cliente varias veces con quejas, si su contrato está por terminar, o si empezó a buscar información de otras operadoras. Cuando el sistema predice alto riesgo de cancelación, activa ofertas personalizadas o contacto proactivo.

También usan ML para predecir la demanda de red por zona y horario, optimizar el mantenimiento de antenas (predicen cuáles fallarán pronto), y recomendar paquetes según el uso real de cada cliente.

Las empresas de logística enfrentan desafíos complejos que el Machine Learning ayuda a resolver: optimización de rutas, predicción de tiempos de entrega, estimación de demanda por temporada, y detección de envíos con riesgo de retraso.

Los modelos consideran variables que cambian constantemente para crear rutas inteligentes, como el tráfico en tiempo real, el clima, eventos especiales (partidos, conciertos, bloqueos), capacidad de vehículos, prioridad de paquetes y ventanas de entrega. En temporadas altas como el Buen Fin o Navidad, predicen cuántos paquetes llegarán a cada centro de distribución para asignar personal y recursos adecuadamente.

¿Sientes que todavía no te queda del todo claro? ¿O que aún no sabrías cómo explicarle a alguien qué es el Machine Learning? No te preocupes. A veces la mejor forma de entender algo técnico es compararlo con situaciones de la vida diaria que resumen perfectamente cómo funciona:

Imagina a la señora que lleva 30 años vendiendo pan en tu colonia. Ella sabe cuánta gente llegará cada día sin hacer cuentas complicadas, porque conoce los patrones: los lunes vende menos porque la gente no trae dinero después del fin de semana, los viernes vende más por los días de quincena, y cuando llueve llegan más clientes porque a todos se les antoja el pan calientito.

No estudió estadística ni programación, simplemente acumuló experiencia. Eso es Machine Learning: aprender de la experiencia para predecir el futuro. La diferencia es que una computadora puede analizar millones de “colonias” simultáneamente.

El taquero experimentado sabe cuánta carne preparar cada noche sin desperdiciar. Aprendió por repetición: martes tranquilo, viernes lleno, si hay partido de fútbol triplicar el pastor, días nublados baja la venta. No usa fórmulas, es aprendizaje por repetición.

El Machine Learning hace lo mismo, pero con datos estructurados. Un modelo entrenado con las ventas históricas del taquero podría decirle: “hoy prepara 20 kilos de pastor, 15 de suadero; hay 78% de probabilidad de vender todo”.

Un repartidor novato sigue el GPS al pie de la letra y se atora en el tráfico. Después de meses, aprende: “esta calle se congestiona entre 7 y 9 a. m.”, “es mejor rodear el mercado los sábados”, “por aquí hay baches que retrasan 5 minutos”. No calculó estas rutas matemáticamente, las descubrió probando, equivocándose y mejorando.

El Machine Learning opera igual: prueba estrategias, mide resultados, ajusta decisiones. La ventaja es que puede “practicar” millones de rutas en simulaciones antes de aplicarlas en el mundo real, logrando en horas lo que a un humano le tomaría años.

Ya repasamos todo lo que es el ML y ejemplos muy específicos de su uso diario. Ahora veamos qué NO es el Machine Learning y algunas de sus limitaciones.

🔷 No es magia: necesita datos. El Machine Learning no inventa información de la nada. Si quieres predecir ventas futuras pero no tienes datos históricos, el modelo no puede ayudarte. Los modelos dependen completamente de la calidad y cantidad de datos que reciben: si recibe datos malos o insuficientes, producirá malas predicciones.
🔶 No “piensa” ni “toma decisiones” humanas. Este es un mito de la IA muy común. Cuando un banco rechaza tu préstamo usando Machine Learning, no es porque el modelo “decidió” que no le caes bien. Simplemente encontró que tu perfil se parece más a los perfiles de personas que históricamente no pagaron. El modelo no entiende contextos humanos complejos, solo ve números y patrones; por eso los sistemas importantes siempre deben tener supervisión humana.
🔷 No sirve sin contexto ni supervisión. Un modelo puede predecir que las ventas de una tienda bajarán 30% el próximo mes, pero no puede decirte por qué ni qué hacer al respecto. Tal vez hay una obra que bloqueará la calle, o abrió una competencia cerca. El contexto y las decisiones finales siguen siendo humanos.

Machine Learning es una herramienta poderosísima, pero sigue siendo solo eso: una herramienta. Requiere personas que interpreten resultados, validen predicciones y tomen decisiones informadas.

La demanda de expertos en inteligencia artificial y Machine Learning creció un 95% en México entre septiembre de 2024 y septiembre de 2025. Si estás buscando trabajar en este mercado, este es el momento ideal para hacerlo.

Por último, te compartimos algunos proyectos para principiantes que te ayudarán a empezar a aprender Machine Learning desde tu hogar, utilizando datasets mexicanos:

🔷 Predicciones sencillas de ventas: consigue o crea un dataset ficticio de una panadería, ferretería o tienda con ventas diarias y sus condiciones (día de la semana, si fue quincena, clima, etc.). El objetivo es entrenar un modelo que prediga: “si mañana es sábado, día de quincena y soleado, la panadería venderá aproximadamente $8,500 pesos”. Herramientas como Excel, Google Sheets o Python con librerías básicas te permiten hacerlo sin ser programador experto.
🔶 Clasificación de reseñas de Mercado Libre: entrena un modelo que clasifique reseñas de productos como positivas o negativas. El modelo aprende que palabras como “excelente”, “recomendado” o “calidad” se asocian con reseñas positivas, mientras que “malo”, “defectuoso” o “nunca llegó” se asocian con negativas. Es Machine Learning aplicado a procesamiento de lenguaje natural, y puedes hacerlo con datasets pequeños al principio.
🔷 Análisis de tarifas de Uber: si vives en una ciudad grande, recopila datos de tarifas durante algunas semanas (hora, día, origen, destino, clima, duración, costo) y entrena un modelo para predecir cuánto costará un viaje según esas variables.

Estos ejercicios son excelentes puntos de partida, pero la diferencia entre aprender por tu cuenta y hacerlo en un programa estructurado es enorme. Cuando estudias solo, es fácil atorarte en problemas técnicos, no saber si estás haciendo las cosas correctamente, o perderte entre tantos recursos dispersos en internet.

En TripleTen, nuestro programa de ciencia de datos te enseña Machine Learning con ejercicios aplicados a la vida real. Las personas estudiantes aprenden ML resolviendo problemas reales de México, y no solo memorizando teoría abstracta. ¿Te imaginas siendo quien construye estos sistemas, en lugar de solo usarlos?

¡El Machine Learning está en todo! En tu banco cuando compras con tarjeta, en tu teléfono cuando buscas fotos, en Mercado Libre cuando navegas productos, en tu app de movilidad cuando pides un viaje, en tu correo filtrando spam y en cientos de aspectos de tu vida diaria. Es como la experiencia humana, pero automatizada y escalable.

Esta inteligencia artificial ya está transformando todos los sectores de la economía mexicana. La pregunta no es si esta tecnología llegará a tu industria, sino cuándo y cómo puedes ser parte de ese cambio.

En TripleTen formamos científicos de datos que dominan Machine Learning a través de proyectos prácticos, con mentores expertos y un programa diseñado para el mercado laboral real. Si este artículo despertó tu curiosidad sobre cómo funcionan las tecnologías que usas todos los días, ¡ya diste el primer paso! Lo siguiente es aprenderlo tú.