AECODE × COSAPIPrograma COSAPIENS · S3
Cómo aprende un modelo · de lo simple a lo potente

De la regresión lineal a XGBoost

El mismo problema de obra, dos modelos. Mira cómo la recta se queda corta y cómo el boosting de árboles (lo que usa XGBoost) captura la curva. Todo se entrena aquí, en tu navegador.

El dato

Rendimiento vs. tiempo muerto

Cada punto es una jornada: a más tiempo muerto (paradas), menos rendimiento. Pero la relación no es una recta: cae fuerte en el medio y se aplana en los extremos. Ese es el reto.

1 · Regresión linealtraza la mejor recta
—R²
Ajusta una sola recta: rendimiento = a · tiempo_muerto + b. Es simple, rápida y explicable, pero asume que la relación es una línea — y aquí se le escapan las curvas.
# Regresión lineal · scikit-learn
from sklearn.linear_model import LinearRegression
modelo = LinearRegression().fit(X, y)
pred = modelo.predict(X_nuevo)
2 · XGBoostmuchos árboles que se corrigen
—R²
Suma muchos árboles pequeños: cada uno corrige el error del anterior (boosting). Captura curvas y quiebres. Mueve los controles y mira cómo mejora.
árbol 0 / 40
# XGBoost · árboles + boosting
from xgboost import XGBRegressor
modelo = XGBRegressor(n_estimators=40, max_depth=2).fit(X, y)
pred = modelo.predict(X_nuevo)
La idea: se empieza simple (una recta, fácil de entender) y se sube a modelos más potentes (árboles + boosting) cuando el dato lo pide. No siempre lo más complejo es lo mejor — elige el más simple que resuelva.
El flujo de todo modelo

Entrenar → inferir → reentrenar

Un modelo no se hace una vez y ya. Vive en un ciclo:

1
Entrenamiento

El modelo ve datos históricos con la respuesta conocida y ajusta sus parámetros hasta reducir el error. Ocurre una vez (o cada cierto tiempo).

2
Inferencia

Ya entrenado, recibe un caso nuevo y devuelve su predicción en milisegundos. Es el uso del día a día.

3
Reentrenamiento

Con datos nuevos (y las correcciones humanas) se vuelve a entrenar para no quedar desactualizado. Aquí entra su ojo de obra.

↻ vuelve al paso 1
Con qué se entrena

Las librerías, según el dato

No hace falta programar desde cero: estas librerías de Python hacen el trabajo pesado.

pandas

Cargar y limpiar los datos (tablas): el paso previo a todo.

scikit-learn

Modelos clásicos: regresión lineal, árboles, clasificación, métricas.

xgboost / lightgbm

Boosting de árboles: el estándar para datos en tablas. Potente y rápido.

ultralytics (YOLO)

Visión: detección de objetos como el EPP sobre imágenes y video.

Dónde vive esto

En el ecosistema Microsoft, con Copilot

Estos modelos no viven en un cuaderno de laboratorio: corren en la nube que ya usan a diario. Y Copilot es la puerta de entrada.

Microsoft Copilot

Tu asistente de IA dentro de Teams, Word, Excel y PowerPoint. Le pides en tu propio idioma — "resume este informe", "arma este tablero" — y hasta te escribe el código de estos modelos (pandas, scikit-learn, XGBoost) para que no partas de cero.

Azure Machine Learning

Entrena y despliega los modelos (scikit-learn, XGBoost) en la nube, sin servidor propio.

Microsoft Fabric

Junta y prepara los datos: data lake y pipelines en un solo lugar.

Power BI

Los tableros y la curva S, conectados al modelo en vivo.

Azure AI Vision

Visión lista para usar: detección de EPP sin entrenar desde cero.

Azure OpenAI

Modelos de lenguaje (LLM) para reportes, RFIs y búsqueda.

Copilot Studio

Arma tus propios asistentes/agentes sobre tus documentos y procesos.

Y también existen, con el mismo concepto: Databricks · Google Vertex AI · AWS SageMaker · Jupyter / Colab · Hugging Face. El motor cambia; la idea no.