El machine learning se divide, en su base, en dos grandes tipos: supervisado y no supervisado. La diferencia no es demasiado técnica para que un gestor la entienda — y entenderla ayuda a saber qué problemas de negocio la IA puede, o no, resolver.
Aprendizaje supervisado: aprender con ejemplos etiquetados
En el supervisado, el modelo aprende con datos donde ya sabemos la respuesta correcta. Le mostramos miles de emails marcados como "spam" o "no spam" y aprende a clasificar nuevos. Necesita datos etiquetados — eso es lo que lo "supervisa".
Aprendizaje no supervisado: encontrar patrones solo
En el no supervisado, no hay respuestas correctas — el modelo busca estructura oculta en los datos. Le damos los clientes y los agrupa por semejanza, sin decirle qué grupos existen. Descubre patrones que ni sabíamos buscar.
Cuándo usar cada uno
- Supervisado: cuando tienes histórico con resultados conocidos y quieres predecir — detección de fraude, predicción de churn, clasificación de solicitudes.
- No supervisado: cuando quieres explorar y segmentar — agrupar clientes, detectar anomalías, encontrar temas en texto.
La pregunta que decide: ¿tienes etiquetas?
La pregunta práctica es simple: ¿tus datos tienen la "respuesta correcta" registrada? Si es así (clientes que se fueron vs se quedaron, transacciones fraudulentas vs legítimas), el supervisado brilla. Si no, el no supervisado te ayuda a descubrir grupos y patrones antes incluso de definir el problema.
En la práctica
Muchos proyectos reales combinan ambos: el no supervisado descubre segmentos de clientes, y luego el supervisado predice el comportamiento dentro de cada uno. No necesitas elegir un lado para siempre — necesitas saber qué herramienta encaja con la pregunta que tienes delante. ¿Tus datos ya tienen etiquetas, o aún estás en la fase de descubrir patrones?
