No hay atajos
Estamos muy malacostumbrados en creer que el camino corto existe, nos gusta la idea de que un nuevo móvil nos hará tomar mejores fotos, unos nuevos tenis nos harán correr más rápido o que la inteligencia artificial nos resolverá todos los problemas por sí sola.
Más allá de aplicaciones como ChatGPT
En el último año estudié un diplomado en Inteligencia Artificial a nivel de desarrollador (no en el uso de ChatGPT o Gemini, ni para hacer «prompts mágicos») y desde entonces he puesto más atención en lo que sucede a mi alrededor y donde está presente la IA: proyectos en los que quieren meter IA solo porque «todos lo están implementando», soluciones milagro de los directivos para cualquier problema («¿no se puede con IA?») y otros que confían ciegamente en sus soluciones solo porque Copilot le dio una respuesta; estos agentes se han convertido casi en un oráculo.
🚀 ¿Te interesa seguir leyendo sobre cómo aplicar la inteligencia artificial en la vida real, más allá de las modas y el humo?
Suscríbete a mi newsletter y recibirás reflexiones, ejemplos prácticos y aprendizajes de mi experiencia estudiando y aplicando IA.
IA sin datos es como un motor sin gasolina
Cuando hablamos de inteligencia artificial, estamos hablando de una disciplina de la informática, una ciencia que requiere de datos para poder funcionar, sin ellos, cualquier modelo es tan útil como un motor sin gasolina en medio del desierto. Puedes tener el mejor equipo de cómputo y a los mejores desarrolladores, pero si tus datos son un desastre, tus resultados serán puro humo.
Durante mis estudios trabajé con bases de datos con valores duplicados, números en distintos formatos y campos vacíos: entrenar un modelo así, es como intentar armar un motor sin un manual (obviamente sin conocimiento previo).
No necesitas ser OpenAI para empezar
En el sentido estricto, puedes entrenar un modelo o aplicar distintas técnicas de inteligencia artificial como regresión lineal para predicción, clustering para segmentar a tus clientes por hábitos de compra, o un modelo de clasificación que distinga si un correo es spam o no, incluso con un archivo CSV bien ordenado.
Si lo tienes, el 70% de tu problema está resuelto. La IA entra cuando quieres escalar, automatizar o encontrar patrones imposibles o que son muy complicados para realizarse de forma manual o para que el ojo humano pueda percibirlos.
💻 ¿Quieres ver un ejemplo práctico?
Prepara tu entorno de Python y descarga este pequeño script de regresión lineal. Con datos reales, podrás visualizar cómo un modelo simple encuentra patrones y predice tendencias.
La clave es el perfeccionamiento
Entrenar un modelo o aplicar técnicas de inteligencia artificial a los datos de tu proyecto es lo mismo que entrenar para un 15k, llegar a la meta se consigue a base disciplina, constancia y paciencia (iteraciones, métricas y ajustes), no hay magia, no hay camino corto.
Además, conocer a la perfección los datos ayudará mucho a conseguir tu objetivo, sobre todo si trabajas con grandes cantidades de información, pues necesitas detectar si tu materia prima está libre de ruido.
Si tus datos no están limpios y así estás entrenando un modelo, es igual a tener una súper cámara de medio formato y esperar a capturar la toma de tu vida con los ojos cerrados.
Así que cuando alguien te pida resolver algún problema con IA como si esta lo fuera a hacer como por arte de magia, recuérdalo: menos humo, más acción. Menos marketing, más datos limpios.
Ejemplo de script de regresión lineal
📥 Si quieres descargar este y otros ejemplos de IA práctica, también lo encuentras en mi GitHub: 👉 ia_scripts_examples
# ------------------------------------------------------
# Ejemplo práctico: Regresión lineal simple en Python
# Tema: Relación entre nivel educativo y días de ejercicio
#
# Requisitos:
# - Python 3.x
# - Librerías: numpy, matplotlib
#
# Instrucciones:
# 1. Copia este código en un archivo llamado 'regresion_lineal.py'
# 2. Ejecuta en tu terminal: python regresion_lineal.py
# ------------------------------------------------------
import numpy as np
import matplotlib.pyplot as plt
# -----------------------------
# 1. Definir los datos
# -----------------------------
# Variable independiente: Nivel educativo (0 = sin estudios, 9 = nivel más alto en este ejemplo)
educacion = np.array([
7, 3, 0, 7, 7, 8, 6, 7, 0, 7, 4, 6, 3, 7, 3, 4, 3, 3, 7, 7, 6, 8, 7, 7,
4, 3, 6, 4, 3, 0, 3, 4, 3, 3, 6, 3, 4, 4, 4, 7, 6, 4, 8, 4, 3, 0, 3, 7,
7, 4, 7, 8, 4, 7, 3, 2, 3, 6, 2, 4, 7, 7, 9, 4, 7, 2, 2, 3, 7, 3, 3, 4,
3, 7, 3, 2, 3, 2, 3, 4, 2, 2, 3, 3, 2, 3, 0, 2, 3, 3, 4, 2, 4, 3, 2, 6,
2, 4, 7, 8, 7, 3, 3, 7, 4, 7, 4, 7, 4, 2, 3, 2, 2, 7, 7, 7, 7, 7, 9, 7,
4, 3, 2, 2, 6, 4, 4, 3, 3, 2, 2, 6, 4, 7, 7, 7, 7, 2, 8, 7, 7, 6, 7, 7,
7, 3, 7, 3, 7, 7, 7, 7, 4, 4, 2, 7, 6, 8, 3, 7, 7, 7, 8, 3, 3, 2, 2, 4,
2, 3, 7, 4, 3, 3, 4, 6, 2, 3, 6, 2, 2, 4, 4, 4, 4, 3, 3, 2, 4, 4, 7, 7,
2, 3, 7, 2, 2, 2, 4, 3, 2, 7, 4, 7, 7, 7
])
# Variable dependiente: Días de ejercicio a la semana (0 a 7)
ejercicio = np.array([
7, 5, 0, 4, 3, 3, 4, 5, 0, 0, 3, 7, 0, 5, 0, 7, 0, 6, 5, 5, 0, 4, 3, 5,
5, 0, 0, 4, 6, 6, 6, 6, 0, 6, 0, 0, 6, 0, 5, 4, 0, 2, 4, 0, 0, 0, 0, 4,
4, 6, 4, 0, 0, 5, 0, 0, 0, 0, 6, 6, 3, 6, 4, 0, 4, 0, 0, 0, 5, 5, 0, 0,
6, 0, 0, 2, 0, 0, 0, 5, 5, 0, 5, 0, 0, 5, 0, 1, 0, 0, 0, 0, 6, 0, 0, 0,
0, 3, 0, 0, 4, 6, 0, 5, 4, 0, 0, 6, 5, 0, 0, 0, 6, 0, 0, 0, 7, 6, 5, 0,
3, 7, 0, 0, 0, 6, 0, 0, 0, 6, 0, 0, 0, 3, 2, 0, 3, 5, 5, 0, 0, 0, 0, 6,
0, 4, 0, 6, 0, 3, 0, 5, 7, 6, 0, 0, 0, 6, 0, 0, 0, 4, 0, 5, 6, 0, 0, 6,
0, 0, 4, 0, 0, 0, 0, 0, 0, 6, 6, 0, 0, 5, 0, 0, 0, 0, 0, 0, 5, 0, 0, 6,
0, 0, 0, 0, 0, 0, 0, 0, 0, 4, 0, 5, 6, 0
])
# Validación: ambas variables deben tener el mismo número de registros
assert len(educacion) == len(ejercicio), "Los conjuntos de datos deben tener la misma longitud"
# -----------------------------
# 2. Visualizar los datos
# -----------------------------
plt.figure(figsize=(8, 6))
plt.scatter(educacion, ejercicio, color='blue', label='Datos reales')
plt.xlabel('Nivel educativo')
plt.ylabel('Días de ejercicio por semana')
plt.title('Relación entre nivel educativo y ejercicio\nEjemplo de regresión lineal')
plt.legend()
# -----------------------------
# 3. Calcular la regresión lineal
# -----------------------------
coeficientes = np.polyfit(educacion, ejercicio, 1)
pendiente, interseccion = coeficientes
print("Coeficiente (pendiente):", pendiente)
print("Ordenada al origen (intersección):", interseccion)
# Línea de regresión
x_line = np.linspace(educacion.min(), educacion.max(), 100)
y_line = pendiente * x_line + interseccion
# -----------------------------
# 4. Graficar resultados
# -----------------------------
plt.plot(x_line, y_line, color='red',
label=f'Regresión lineal\n y = {pendiente:.2f}x + {interseccion:.2f}')
plt.legend()
plt.show()Los datos usados en este script provienen de un estudio del Instituto Nacional de Estadística y Geografía disponible aquí, pero en este ejemplo se utilizan únicamente con fines demostrativos para ilustrar cómo aplicar regresión lineal en Python. No representan una conclusión científica.
Carlo Jurado 
Deja un comentario