Por qué el supervisado se come el 90% del trabajo

Pregunta a diez personas que trabajan con modelos qué hacen la mayor parte del día, y las diez te hablarán de datos: de buscarlos, de limpiarlos, de entender por qué una columna que debería estar llena está medio vacía, de pelearse con una respuesta que resultó estar mal apuntada. Casi ninguna te hablará de elegir algoritmos, porque elegir el algoritmo es la parte corta y, a menudo, la más fácil. Hay una frase que circula desde hace años en el oficio y que resume esto mejor que cualquier manual: los modelos son commodities, los datos etiquetados son el oro. Esta lección va de entender esa frase: por qué el territorio supervisado domina el trabajo real, y por qué su materia prima, las etiquetas, es lo que de verdad decide si un proyecto sale bien.

Ya tienes el mapa de los tres territorios y sabes que el supervisado ocupa alrededor del noventa por ciento del trabajo. Esa cifra, dicha así, parece una exageración o una estadística hueca. No lo es, y hoy vas a entender de dónde sale. No sale de que el supervisado sea más elegante ni más potente que los otros territorios: sale de una coincidencia muy práctica entre lo que el supervisado necesita y lo que las organizaciones tienen guardado sin haberlo pedido. Entender esa coincidencia te va a cambiar la forma de mirar cualquier proyecto, porque vas a aprender a preguntar lo primero que hay que preguntar.

## La coincidencia afortunada: el mundo guarda su pasado

El aprendizaje supervisado necesita ejemplos del pasado con su respuesta puesta. Y resulta que las organizaciones, por el simple hecho de funcionar, generan y guardan exactamente eso, aunque nunca lo hicieran pensando en entrenar un modelo. Un banco apunta qué préstamos se devolvieron y cuáles no, porque necesita saberlo para su contabilidad. Una tienda registra qué clientes dejaron de comprar, porque lo ve en sus ventas. Una empresa de reparto anota qué pedidos llegaron tarde, porque los clientes se quejan. Nadie apuntó esas cosas para hacer aprendizaje automático: las apuntaron para trabajar. Pero ese registro de "esto fue así" es, sin que nadie lo planease, la pila de exámenes corregidos que el supervisado necesita.

Esta es la clave de todo, así que vale la pena decirla despacio: el pasado deja un rastro, y ese rastro ya trae la respuesta puesta. Cuando un cliente se da de baja, el sistema lo registra; meses después, ese registro es un ejemplo etiquetado ("este cliente, con estas características, se marchó"). Cuando una transacción resulta ser fraude y alguien lo confirma, queda marcada; esa marca es una etiqueta. El tiempo convierte los hechos en etiquetas de forma natural, porque los desenlaces acaban conociéndose y quedando apuntados. El supervisado se come el trabajo porque se alimenta de algo que el mundo produce solo: historia con el final ya escrito.

Compáralo con lo que necesitarían los otros territorios para dominar. El refuerzo necesita un entorno donde un agente pueda actuar miles de veces y recibir consecuencias; eso casi ningún negocio lo tiene, porque no puedes dejar que un modelo pruebe decisiones reales miles de veces sobre clientes reales para ver qué pasa. El no supervisado no necesita etiquetas, lo cual parece una ventaja, pero a cambio renuncia a poder predecir una respuesta concreta, que es lo que casi todo el mundo quiere en realidad. El supervisado cae en el punto dulce: pide algo que el mundo ya produce (historia etiquetada) y entrega lo que la gente quiere (predecir un desenlace). De ahí el noventa por ciento.

Vale la pena insistir en por qué el no supervisado, pese a no necesitar etiquetas, no se come el trabajo. Parecería que no pedir etiquetas es una ventaja enorme, y en cierto modo lo es: te ahorras toda la dificultad de conseguirlas. Pero esa ventaja viene con una renuncia que casi nadie quiere pagar. Un método no supervisado puede decirte "estos clientes se parecen entre sí", pero no puede decirte "este cliente va a darse de baja", porque nunca ha visto una baja: no tenía etiquetas que le enseñaran qué es una baja. Y resulta que lo que casi todo el mundo quiere, al final, es predecir un desenlace concreto, no descubrir grupos. Por eso el no supervisado, aun siendo más cómodo en materia prima, atiende a menos problemas: ofrece algo que es menos de lo que la gente suele pedir.

## Qué es exactamente una etiqueta

Hemos usado la palabra "etiqueta" muchas veces; toca definirla sin ambigüedad, porque es el concepto central de todo el territorio supervisado. Una etiqueta es la respuesta correcta de un ejemplo: lo que querrías que el modelo adivinara, puesto de antemano para los casos del pasado. En el inglés del oficio se le llama "label", y lo vas a leer así en muchos sitios, así que conviene conocer las dos palabras. Si tu modelo intenta predecir si un correo es spam, la etiqueta de cada correo del entrenamiento es su "spam" o "no spam". Si intenta predecir cuántas unidades se venderán, la etiqueta de cada día pasado es cuántas unidades se vendieron ese día. La etiqueta es, literalmente, la columna que quieres aprender a rellenar.

Conviene separar bien dos cosas que a veces se confunden. Por un lado están las entradas: todo lo que sabes de un caso antes de conocer el desenlace (de un cliente, su antigüedad, su gasto, cuántas veces llamó al soporte). Por otro está la etiqueta: el desenlace que quieres predecir (ese cliente, ¿se fue o se quedó?). El modelo aprende la relación entre las entradas y la etiqueta usando los ejemplos pasados, y luego, ante un caso nuevo del que solo tienes las entradas, predice la etiqueta. Toda la maquinaria del supervisado gira alrededor de esa pareja: entradas conocidas, etiqueta que se quiere adivinar.

Un detalle de vocabulario que conviene fijar: a las entradas se les llama con mucha frecuencia por su nombre en inglés, "features", que a veces se traduce como "características" o "variables de entrada". Las tres palabras apuntan a lo mismo: cada columna que describe un caso y que el modelo puede mirar para decidir. Lo verás escrito de las tres maneras según quién lo cuente, y conviene reconocerlas todas para no pensar que son cosas distintas. En este recorrido las llamaremos sobre todo entradas o variables de entrada, pero cuando leas "features" en cualquier otro sitio, piensa "las columnas que describen cada caso" y no te equivocarás.

## La parte que nadie cuenta: conseguir buenas etiquetas

Aquí llega la verdad incómoda del oficio, la que no aparece en los cursos que empiezan por el algoritmo. Tener etiquetas, y que sean buenas, es muchas veces la mitad más difícil del trabajo. La parte de entrenar el modelo, una vez tienes datos limpios y bien etiquetados, puede ser cuestión de unas pocas líneas, como irás viendo. Pero llegar a esos datos bien etiquetados puede llevar semanas, costar dinero y esconder trampas que hunden el proyecto sin hacer ruido. Quien solo ha estudiado la parte del algoritmo cree que el aprendizaje supervisado es fácil. Quien ha trabajado con datos reales sabe que la dificultad vive casi toda del lado de las etiquetas.

El primer problema es que a veces las etiquetas simplemente no existen y hay que fabricarlas a mano. Si quieres un modelo que distinga fotos de productos defectuosos de los correctos, alguien tiene que mirar miles de fotos y marcar cuáles tienen defecto. Eso es trabajo humano, caro y lento, y además aburrido, lo que lleva a que se haga con prisa y con errores. Hay empresas enteras dedicadas solo a etiquetar datos para otros, porque es un cuello de botella tan real que se ha convertido en un negocio. Cuando alguien dice "tenemos muchos datos", la pregunta inmediata de un profesional no es cuántos, sino cuántos están etiquetados, porque un millón de casos sin etiqueta no vale, para el supervisado, lo que valen mil bien etiquetados.

El segundo problema es más sutil y más peligroso: las etiquetas pueden estar mal, y un modelo entrenado con etiquetas malas aprende a repetir el error con total convicción. Si la mitad de los correos marcados como spam en tu pila en realidad no lo eran, el modelo aprenderá una idea de "spam" deformada, y acertará mucho en imitar esa deformación. El modelo no sabe que sus etiquetas estaban mal: confía en ellas ciegamente, porque son todo lo que tiene de "verdad". La calidad de un modelo supervisado está limitada por la calidad de sus etiquetas, y ninguna sofisticación del algoritmo arregla una etiqueta equivocada. Es el viejo principio de que si entra basura, sale basura, pero con un disfraz especialmente convincente, porque el modelo basura puede parecer brillante en sus propios números.

El tercer problema es que, a veces, la etiqueta parece clara y en realidad esconde una definición resbaladiza. "Cliente que se dio de baja" suena inequívoco, pero ¿cuenta como baja quien canceló y volvió a los dos días? ¿Quien dejó de pagar pero no canceló formalmente? ¿Quien tiene la cuenta abierta pero no compra desde hace un año? Según cómo respondas a esas preguntas, tus etiquetas cambian, y con ellas lo que el modelo aprende a predecir. Definir bien la etiqueta es una decisión de negocio disfrazada de detalle técnico, y equivocarse en ella significa construir un modelo excelente para predecir algo que no era lo que querías. La etiqueta no es un dato que recoges: es una definición que decides.

Hay una variante especialmente traicionera del problema de las etiquetas equivocadas, y es cuando el error no es aleatorio sino sistemático. Si quien etiquetó se equivocó al azar unas cuantas veces, el modelo lo encaja razonablemente bien: el ruido se diluye entre muchos ejemplos buenos. Pero si el error sigue un patrón (por ejemplo, se marcaron como fraude sobre todo las transacciones de un país concreto, porque quien revisaba desconfiaba de ese país), el modelo aprende ese patrón como si fuera una verdad y lo aplicará a rajatabla. El sesgo de las etiquetas se convierte en el sesgo del modelo, amplificado y automatizado. Por eso no basta con preguntar si las etiquetas tienen errores: hay que preguntar si esos errores van todos en la misma dirección, porque un error con dirección es mucho peor que un error al azar.

## El retraso: la etiqueta llega tarde

Hay una propiedad de las etiquetas que merece atención propia porque cambia la planificación de un proyecto entero: muchas etiquetas solo se conocen con retraso, porque dependen de que el futuro ocurra. Para saber si un cliente se dio de baja este trimestre, hay que esperar a que el trimestre termine. Para saber si un préstamo a cinco años se devolvió, hay que esperar, en el peor caso, cinco años. Las entradas las tienes hoy; la etiqueta llega cuando el desenlace sucede. Eso significa que, para entrenar un modelo que prediga algo a largo plazo, necesitas datos del pasado lo bastante antiguos como para que su desenlace ya se conozca.

Esta diferencia de tiempo tiene una consecuencia práctica que atrapa a mucha gente. Si una empresa empieza a recoger datos hoy pensando en entrenar un modelo, no podrá entrenarlo hasta que pase el tiempo suficiente para que esos casos tengan desenlace. No es un problema de velocidad del ordenador: es que la etiqueta, literalmente, todavía no ha ocurrido. Un profesional que entiende esto sabe que la frase "empezamos a guardar datos y en una semana tenemos el modelo" solo funciona si los desenlaces son rápidos. Si quieres predecir algo que tarda meses en resolverse, el reloj de las etiquetas manda sobre el reloj del proyecto.

## Ejemplos de negocio: dónde brilla el supervisado

Para que el territorio deje de ser abstracto, mira cuatro usos concretos donde el supervisado es la herramienta natural, y fíjate en cada caso de dónde salen las etiquetas, porque es lo que decide la dificultad real. Una compañía de seguros quiere estimar el riesgo de que una póliza acabe en siniestro: sus etiquetas son el histórico de pólizas que acabaron o no en siniestro, abundante y fiable, así que el terreno es cómodo. Una plataforma quiere predecir qué usuarios dejarán de usarla el mes que viene: sus etiquetas son quién dejó de entrar en meses anteriores, fáciles de obtener del propio registro de actividad.

Los otros dos casos muestran el lado difícil. Un fabricante quiere detectar piezas defectuosas en una cadena de montaje a partir de fotos: aquí las etiquetas no existen de serie, hay que poner a alguien a revisar fotos y marcar los defectos, con todo el coste y el riesgo de error que eso implica. Y un hospital quiere predecir qué pacientes reingresarán en treinta días: las etiquetas existen, pero llegan con un mes de retraso por definición, y además esconden la pregunta resbaladiza de qué cuenta exactamente como reingreso. Los cuatro son supervisado, pero su dificultad real no está en el modelo: está en el estado de sus etiquetas.

• ▹Seguros: etiqueta = siniestro o no, del histórico. Abundante y fiable: terreno fácil.
• ▹Abandono de una plataforma: etiqueta = dejó de entrar o no, del registro de actividad. Fácil de obtener.
• ▹Piezas defectuosas por foto: etiqueta inexistente de serie, hay que fabricarla a mano. Caro y con riesgo de error.
• ▹Reingreso hospitalario a 30 días: etiqueta con un mes de retraso y una definición resbaladiza. Lenta y delicada.

La lección de estos cuatro casos es la misma, y es la que resume el tema: el territorio supervisado domina porque el mundo produce historia etiquetada, pero dentro de ese territorio la dificultad no la pone el algoritmo, la ponen las etiquetas. Dos problemas que usan exactamente el mismo modelo pueden ser uno trivial y el otro durísimo según el estado de sus etiquetas. Por eso un profesional mira primero las etiquetas y solo después piensa en el modelo. Es, con mucho, la costumbre más rentable que puedes adquirir en este oficio.

## Lo que te llevas, y lo que viene

El supervisado se come el noventa por ciento del trabajo porque pide algo que el mundo ya produce sin querer (historia con el desenlace apuntado) y entrega lo que la gente de verdad quiere (predecir ese desenlace para un caso nuevo). Su materia prima es la etiqueta: la respuesta correcta de cada ejemplo, puesta de antemano para los casos del pasado. Y la verdad que casi nadie cuenta es que conseguir buenas etiquetas (que existan, que sean fiables, que estén bien definidas y que lleguen a tiempo) suele ser la mitad más difícil del proyecto, mucho más que elegir o entrenar el modelo.

Hasta aquí todo ha sido mapa y terreno: dónde estás, qué datos necesitas, qué significan. Ha llegado el momento de hacer algo con las manos. En la siguiente parada vas a entrenar tu primer modelo supervisado de verdad, vas a ver qué significan en código esas entradas y esa etiqueta, y vas a medir por primera vez cómo de bien lo hace. Y justo ahí, en el momento de medir, aparecerá la primera trampa seria del oficio, la que define todo lo que viene después. Pero no adelantemos: primero, entrenar.