[{"data":1,"prerenderedAt":259},["ShallowReactive",2],{"blog-post-/es/blog/machine-learning-talk-unapec":3},{"id":4,"title":5,"author":6,"body":13,"date":248,"description":249,"extension":250,"image":251,"meta":252,"minRead":253,"navigation":254,"path":255,"seo":256,"stem":257,"__hash__":258},"blog_es/es/blog/machine-learning-talk-unapec.md","¿Puede una máquina predecir quién va a renunciar? Notas de una charla de machine learning en UNAPEC",{"name":7,"description":8,"username":9,"twitter":10,"avatar":11},"Víctor Garcés","Desarrollador full-stack y creador de contenido","YTvictorworld","https://twitter.com/YTvictorworld",{"src":12,"alt":7},"https://mir-s3-cdn-cf.behance.net/project_modules/disp/49f056206375265.68b77ee9dd6a7.jpg",{"type":14,"value":15,"toc":240},"minimark",[16,35,42,47,66,78,85,89,100,115,126,152,159,166,170,189,196,199,203,232],[17,18,19,20,24,25,34],"p",{},"El 15 de julio asistí a una charla de machine learning en ",[21,22,23],"strong",{},"UNAPEC"," (Universidad Acción Pro Educación y Cultura, en Santo Domingo) impartida por el ",[26,27,31],"a",{"href":28,"rel":29},"https://www.linkedin.com/in/ariel-gonzalez-batista-b619a9231/",[30],"nofollow",[21,32,33],{},"Ing. Ariel González Batista",". La sala estaba llena de gente haciéndose las mismas dos preguntas que escucho por todas partes últimamente: ¿quién trabaja realmente en este campo, y cómo entro yo?",[17,36,37,38,41],{},"En vez de responder en abstracto, Ariel construyó toda la sesión alrededor de un problema concreto y muy humano: ",[21,39,40],{},"¿puede una máquina predecir quién va a irse de una empresa?"," Equivocarse en retención de empleados sale caro, así que si un modelo puede señalar el riesgo de salida a tiempo, Recursos Humanos puede actuar antes de que llegue la carta de renuncia. Esa sola pregunta nos llevó por sesenta años de historia de la IA y un flujo completo de modelado.",[43,44,46],"h2",{"id":45},"sesenta-segundos-de-historia-de-la-ia","Sesenta segundos de historia de la IA",[17,48,49,50,53,54,57,58,61,62,65],{},"La inteligencia artificial nació como disciplina alrededor de ",[21,51,52],{},"1956",", sobre los cimientos que puso ",[21,55,56],{},"Alan Turing",". Entre los años 50 y 60 llegó el ",[21,59,60],{},"perceptrón"," y, después, la idea de apilarlos en el ",[21,63,64],{},"perceptrón multicapa",": el ancestro de las redes neuronales de hoy.",[17,67,68,69,72,73,77],{},"Un salto rápido al presente y el tema dominante es el ",[21,70,71],{},"LLM",". La tarea de lectura que Ariel dejó a la sala fue el paper que los hizo posibles: ",[74,75,76],"em",{},"Attention Is All You Need",". Está en mi lista.",[17,79,80,81,84],{},"Una distinción de esa historia se me quedó grabada porque explica mucho de cómo se sienten estos sistemas al usarlos: ",[21,82,83],{},"determinístico vs. probabilístico",". El software clásico devuelve la misma respuesta siempre. El machine learning devuelve una probabilidad, y todo lo relativo a cómo se evalúa y despliega se deriva de esa diferencia.",[43,86,88],{"id":87},"el-titanic-las-hipótesis-y-los-smoke-tests","El Titanic, las hipótesis y los smoke tests",[17,90,91,92,95,96,99],{},"Para aterrizar el flujo de trabajo, Ariel usó el clásico ",[21,93,94],{},"dataset del Titanic de Kaggle",": predecir quién sobrevive al hundimiento. Todo el mundo conoce la respuesta histórica, mujeres y niños primero, así que la lección interesante es en qué se convierte ese conocimiento dentro de un modelo: ",[21,97,98],{},"selección de features",". Si la supervivencia dependía de ser mujer o niño, entonces la edad y el sexo son las columnas que importan. Mira los datos que tienes y encuentra lo que de verdad es importante en ellos.",[17,101,102,103,106,107,110,111,114],{},"También me gustó que se detuviera a descomponer la palabra ",[74,104,105],{},"hipótesis",": de ",[74,108,109],{},"hypo"," (debajo) y ",[74,112,113],{},"thesis"," (poner). Una hipótesis es literalmente \"lo que se pone debajo\" del trabajo que viene después. Todo el proceso descansa sobre ella.",[17,116,117,118,121,122,125],{},"Luego vino la parte que más conectó con mi día a día como desarrollador: antes de celebrar cualquier modelo, necesitas un ",[21,119,120],{},"benchmark"," y un ",[21,123,124],{},"smoke test",".",[127,128,129,136,146],"ul",{},[130,131,132,135],"li",{},[21,133,134],{},"Método 1: el baseline tonto."," Alrededor del 62% de los pasajeros falleció, así que un \"modelo\" que siempre predice fallecimiento acierta el 62% de las veces. Cualquier modelo real tiene que superar ese número para justificar su existencia.",[130,137,138,141,142,145],{},[21,139,140],{},"Método 2: un modelo de verdad."," Un ",[21,143,144],{},"bosque aleatorio"," (random forest), entrenado con las features que importan.",[130,147,148,151],{},[21,149,150],{},"Método 3: interpretación."," ¿Qué está mirando el modelo realmente? Si no puedes responder eso, no sabes qué construiste.",[17,153,154,155,158],{},"Esa idea del baseline se traduce directo a la ingeniería: mide primero la solución trivial, o nunca sabrás si la sofisticada vale la pena. Como dice el refrán que citó Ariel: ",[74,156,157],{},"\"cuando solo tienes un martillo, todo parece un clavo\"",". El baseline es cómo compruebas si siquiera necesitabas el martillo.",[17,160,161,162,165],{},"Todo esto, de la regresión a los bosques aleatorios, vive en ",[21,163,164],{},"scikit-learn",", la librería de Python que se ha convertido en la puerta de entrada estándar al campo.",[43,167,169],{"id":168},"análisis-de-supervivencia-o-predecir-el-cuándo","Análisis de supervivencia, o predecir el \"cuándo\"",[17,171,172,173,176,177,180,181,184,185,188],{},"Volvamos al problema de los empleados. Predecir ",[74,174,175],{},"si"," alguien se va es una pregunta de clasificación. Predecir ",[74,178,179],{},"cuándo"," es más difícil, y ahí la charla introdujo el ",[21,182,183],{},"análisis de supervivencia"," y el ",[21,186,187],{},"Random Survival Forest",": modelos de tiempo-a-evento que siguen cada paso de un proceso y le asignan una probabilidad.",[17,190,191,192,195],{},"Aquí levanté la mano. Pregunté cómo interpretan estos modelos la ",[21,193,194],{},"data censurada",": los empleados que todavía no se han ido, cuya historia el dataset solo conoce a medias. La respuesta lo conectó de vuelta con el modelado de tiempo-a-evento, donde esas observaciones incompletas no se descartan sino que se incorporan, porque \"todavía no ha pasado\" también es información.",[17,197,198],{},"Mi segunda pregunta fue sobre dimensionalidad: si se puede generar cualquier cantidad de datos en base a las probabilidades que se quieran medir. Como referencia, el ejercicio del Titanic que discutimos trabajaba con una dimensionalidad de 63 columnas. Los problemas reales se ensanchan rápido, y saber cuáles de esas columnas llevan señal es la mayor parte del trabajo.",[43,200,202],{"id":201},"lo-que-me-llevo","Lo que me llevo",[127,204,205,211,217,223],{},[130,206,207,210],{},[21,208,209],{},"Baselines antes que brillantez."," Mide siempre primero el predictor trivial.",[130,212,213,216],{},[21,214,215],{},"Las features son producto del conocimiento del dominio."," \"Mujeres y niños primero\" es historia; edad y sexo como inputs es ingeniería.",[130,218,219,222],{},[21,220,221],{},"Pensar en probabilidades es otra disciplina."," Evaluar un modelo no se parece en nada a testear una función.",[130,224,225,228,229,231],{},[21,226,227],{},"Lista de lectura:"," ",[74,230,76],{},", y la documentación de scikit-learn.",[17,233,234,235,239],{},"Gracias al Ing. Ariel González Batista y a UNAPEC por la sesión. Si trabajas en ML y crees que algo de esto está mal, o quieres decirme qué debería estudiar después, ",[26,236,238],{"href":237},"mailto:victorericksongv@gmail.com","escríbeme",". Claramente no he terminado de hacer preguntas.",{"title":241,"searchDepth":242,"depth":242,"links":243},"",2,[244,245,246,247],{"id":45,"depth":242,"text":46},{"id":87,"depth":242,"text":88},{"id":168,"depth":242,"text":169},{"id":201,"depth":242,"text":202},"2026-07-15T00:00:00.000Z","Asistí a una charla de machine learning del Ing. Ariel González Batista en UNAPEC. Del dataset del Titanic al análisis de supervivencia, estas son las ideas que me llevé y las preguntas con las que salí.","md","/images/blog/machine-learning-talk-unapec.jpg",{},6,true,"/es/blog/machine-learning-talk-unapec",{"title":5,"description":249},"es/blog/machine-learning-talk-unapec","fVG3EuW_RzddH9lDijx3_MJvT6SwztsRGOVSpPKEurQ",1784316712636]