En las dos lecciones anteriores hemos visto de dónde viene la inteligencia artificial y cuáles son sus áreas. Ahora toca responder a la pregunta que se hacen Marta y Diego en NovaMarket: "¿para qué se está usando esto realmente?". Recorreremos los principales sectores (salud, transporte y logística, finanzas, comercio electrónico y marketing, industria, atención al cliente, educación, hogar y ocio) y, para cada aplicación, identificaremos qué técnica hay debajo (conectando con el mapa de áreas de la lección 01-02) y qué beneficios y riesgos aporta. Al final aterrizaremos todo en NovaMarket: fijaremos su lista de casos de uso candidatos, que será el mapa del resto del curso, y construiremos un primer recomendador trivial en Python para que veas que la distancia entre la idea y un prototipo puede ser sorprendentemente corta.

1. Cómo leer una aplicación de IA: problema, técnica, beneficio, riesgo
2. Salud
3. Transporte y logística
4. Finanzas
5. Comercio electrónico y marketing
6. Industria
7. Atención al cliente
8. Educación
9. Hogar y ocio
10. Tabla resumen: sector, problema, técnica, ejemplo
11. Los casos de uso candidatos de NovaMarket
12. Ejemplo en Python: un recomendador trivial

Antes de recorrer los sectores, conviene fijar un esquema de lectura. Cada vez que veas una aplicación de IA, hazte cuatro preguntas:

1. ¿Qué problema resuelve? Casi siempre es una de estas cuatro cosas: predecir algo (demanda, fallo, riesgo), clasificar algo (imagen, texto, transacción), optimizar algo (ruta, horario, precio) o interactuar con personas (responder, conversar, generar).
2. ¿Qué técnica hay debajo? Usa el mapa de 01-02: machine learning, PLN, visión, robótica, sistemas expertos, búsqueda y planificación, agentes, IA generativa. Muchas aplicaciones combinan varias.
3. ¿Qué beneficio aporta? Ahorro de costes, más ingresos, más rapidez, más seguridad, mejor experiencia.
4. ¿Qué riesgo introduce? Errores con consecuencias, sesgos, opacidad, dependencia, privacidad, impacto en el empleo. Estos riesgos se tratan a fondo en la lección 02-04; aquí solo los señalamos.

Este esquema es el que usará Marta para evaluar propuestas en NovaMarket, y es el que aplicaremos a cada sector.

• Diagnóstico por imagen: detección de tumores en mamografías, retinopatía diabética en fotografías de retina, fracturas en radiografías. Técnica: visión por computador (redes convolucionales). Beneficio: segunda opinión rápida, cribado masivo. Riesgo: falsos negativos, modelos entrenados con poblaciones que no se parecen a la local.
• Ayuda al diagnóstico y triaje: sistemas que, a partir de síntomas y análisis, sugieren diagnósticos o priorizan pacientes en urgencias. Técnica: sistemas expertos históricamente (recuerda MYCIN), hoy combinados con ML y razonamiento probabilístico. Riesgo: responsabilidad legal, exceso de confianza del médico.
• Predicción de riesgo: probabilidad de reingreso hospitalario, de sepsis, de complicaciones. Técnica: ML sobre historiales clínicos. Riesgo: sesgos históricos en los datos (por ejemplo, poblaciones con menos acceso a la sanidad aparecen "más sanas").
• Descubrimiento de fármacos y plegamiento de proteínas: AlphaFold (2020) predijo la estructura 3D de casi todas las proteínas conocidas. Técnica: deep learning.
• Asistentes para profesionales: transcripción de consultas, redacción de informes. Técnica: PLN e IA generativa.

• Navegación y cálculo de rutas: el GPS que elige el camino más rápido en tiempo real. Técnica: búsqueda en grafos (A* y variantes) sobre el mapa de calles, con predicción de tráfico por ML. Beneficio: tiempo y combustible.
• Optimización de rutas de reparto: cómo repartir 200 paquetes con 8 furgonetas minimizando kilómetros y cumpliendo franjas horarias. Técnica: algoritmos de optimización (búsqueda local, heurísticas, programación matemática). Beneficio: menos vehículos, menos emisiones. Este es exactamente uno de los problemas de Diego.
• Previsión de demanda de transporte: cuántos viajes habrá en cada zona de la ciudad en la próxima hora (VTC, bicicletas compartidas). Técnica: ML de series temporales.
• Conducción autónoma y asistentes de conducción: frenado de emergencia, mantenimiento de carril, coches sin conductor en zonas acotadas. Técnica: visión, sensores (lidar, radar), planificación, aprendizaje por refuerzo. Riesgo: accidentes en situaciones no vistas en el entrenamiento; responsabilidad.
• Mantenimiento predictivo de flotas y aviones: anticipar averías a partir de sensores. Técnica: ML sobre series de sensores.

• Detección de fraude en tarjetas y pagos: marcar en milisegundos una transacción sospechosa (importe inusual, país distinto, patrón de compras extraño). Técnica: ML de clasificación y detección de anomalías. Beneficio: pérdidas evitadas. Riesgo: bloquear pagos legítimos (falsos positivos) y molestar al cliente. NovaMarket sufre exactamente este problema en su tienda.
• Scoring de crédito: decidir si conceder un préstamo y a qué tipo. Técnica: ML (a menudo modelos interpretables por exigencia regulatoria) y motores de reglas. Riesgo: discriminación indirecta (el modelo aprende sesgos históricos), obligación legal de explicar la decisión.
• Trading algorítmico: sistemas que compran y venden en microsegundos. Técnica: ML, optimización. Riesgo: inestabilidad de mercado (flash crashes).
• Cumplimiento normativo y blanqueo de capitales: detectar patrones de movimientos sospechosos. Técnica: análisis de grafos, ML, reglas.
• Asistentes y análisis de documentos: leer contratos, extraer cláusulas, responder consultas. Técnica: PLN e IA generativa.

Es el sector más cercano a NovaMarket, así que nos detendremos algo más:

• Sistemas de recomendación: "los clientes que compraron esto también compraron...", "recomendado para ti", el orden de la página de inicio. En grandes plataformas de comercio y vídeo, una parte muy importante de las ventas o visualizaciones proviene de las recomendaciones. Técnica: ML (filtrado colaborativo, modelos de contenido, redes neuronales). Beneficio: más ventas por cliente, descubrimiento de catálogo. Riesgo: burbujas de recomendación (siempre lo mismo), recomendar productos inapropiados.
• Previsión de demanda y gestión de stock: cuántas unidades comprar y en qué almacén tenerlas. Técnica: ML de series temporales. Beneficio: menos roturas de stock y menos capital inmovilizado. Riesgo: fallos en eventos inéditos (una pandemia, una campaña viral).
• Precios dinámicos: ajustar precios según demanda, competencia y stock. Técnica: ML y optimización. Riesgo: percepción de injusticia por parte del cliente, guerras de precios.
• Búsqueda en el catálogo: entender que "cargador para el móvil de mi hija" busca cargadores USB-C. Técnica: PLN.
• Análisis de opiniones (reseñas, redes sociales): saber qué productos generan quejas por el envío y cuáles por la calidad. Técnica: PLN (clasificación de sentimiento y de temas).
• Segmentación de clientes y predicción de abandono: agrupar clientes por comportamiento y anticipar quién dejará de comprar. Técnica: ML no supervisado y supervisado.
• Generación de contenido: descripciones de producto, imágenes de campaña, correos personalizados. Técnica: IA generativa. Riesgo: errores en las descripciones, contenido genérico.
• Publicidad programática: decidir en milisegundos qué anuncio mostrar y cuánto pujar. Técnica: ML de predicción de clic.

• Control de calidad visual: cámaras que detectan piezas defectuosas en la línea de producción. Técnica: visión por computador. Beneficio: inspección del 100 % de las piezas en lugar de muestreo.
• Mantenimiento predictivo: predecir cuándo fallará una máquina a partir de vibraciones, temperatura y consumo. Técnica: ML de series temporales y detección de anomalías. Beneficio: menos paradas no planificadas.
• Robótica industrial y colaborativa: brazos que ensamblan, robots móviles que mueven material en almacenes (picking). Técnica: robótica, visión, planificación. Los grandes operadores logísticos usan miles de robots en sus centros; NovaMarket lo tiene en su lista "a medio plazo".
• Optimización de la producción y la energía: programar turnos y máquinas, reducir consumo energético de una planta o de un centro de datos. Técnica: optimización, aprendizaje por refuerzo.
• Gemelos digitales: simulaciones de una fábrica alimentadas con datos reales para probar cambios antes de aplicarlos.

• Asistentes conversacionales (chatbots y voicebots): responden preguntas frecuentes, informan del estado de un pedido, tramitan gestiones sencillas. Técnica: PLN e IA generativa, integradas como agentes que consultan sistemas internos. Beneficio: atención 24/7, reducción de la carga del equipo humano. Riesgo: respuestas inventadas ("alucinaciones"), frustración si el bot no sabe derivar a una persona, exposición de datos personales.
• Clasificación y enrutamiento de tickets: leer un correo de queja y enviarlo al departamento correcto con la prioridad adecuada. Técnica: PLN de clasificación.
• Asistencia al agente humano: sugerir respuestas, resumir la conversación, buscar en la base de conocimiento. Técnica: IA generativa.
• Análisis de la voz del cliente: detectar el tono emocional de llamadas y chats para intervenir a tiempo. Técnica: PLN y procesamiento de audio.
• Sistemas de reglas para políticas: aplicar automáticamente las condiciones de devolución, garantía o compensación. Técnica: sistemas expertos / motores de reglas. Beneficio: coherencia y trazabilidad.

• Tutores inteligentes y aprendizaje adaptativo: plataformas que ajustan la dificultad de los ejercicios al ritmo de cada estudiante. Técnica: ML, modelos del estudiante, a veces sistemas expertos.
• Corrección automática y retroalimentación: evaluar respuestas abiertas, código o redacciones. Técnica: PLN e IA generativa. Riesgo: evaluaciones injustas o manipulables.
• Detección de abandono: identificar estudiantes en riesgo a partir de su actividad en la plataforma. Técnica: ML.
• Generación de materiales: resúmenes, cuestionarios, explicaciones alternativas. Técnica: IA generativa. Riesgo: errores de contenido, dependencia del estudiante.
• Accesibilidad: subtitulado automático, lectura en voz alta, traducción. Técnica: reconocimiento de voz, PLN.

• Asistentes de voz (altavoces inteligentes, móviles): reconocen la voz, entienden la petición y actúan. Técnica: reconocimiento de voz (deep learning), PLN, agentes.
• Domótica: termostatos que aprenden horarios, robots aspiradores que mapean la casa. Técnica: ML sencillo, robótica, planificación.
• Recomendación de contenido: series, música, vídeos cortos, noticias. Técnica: ML de recomendación. Riesgo: adicción, burbujas informativas.
• Videojuegos: personajes controlados por IA (búsqueda, máquinas de estados, minimax en juegos de mesa), generación de niveles, ajuste de dificultad. Técnica: búsqueda con adversario, planificación, ML.
• Fotografía y creatividad: mejora automática de fotos, eliminación de fondos, generación de imágenes y música. Técnica: visión e IA generativa.
• Traducción y comunicación: traducción instantánea de texto y voz. Técnica: transformers.

Dos observaciones sobre la tabla:

• La misma técnica aparece en muchos sectores. La detección de anomalías sirve para fraude bancario, averías industriales y devoluciones sospechosas. Aprender la técnica te habilita para muchos dominios.
• El riesgo casi nunca es "que la IA se rebele". Los riesgos reales son mundanos: falsos positivos, sesgos en los datos, situaciones no previstas, decisiones opacas. Volveremos sobre ellos en 02-04.

Marta y Diego han hecho el mismo recorrido que tú y han salido con una lista de problemas de NovaMarket que la IA podría abordar. Esta lista es importante porque es el mapa del resto del curso: cada caso de uso se trabajará en uno o más módulos, siempre con los datos ficticios de la empresa (clientes.csv, pedidos.csv, productos.csv, resenas.csv, incidencias.csv).

Además, transversalmente:

• El módulo 2 usará estos casos para hablar de agentes, tipos de IA, datos y ética (¿qué pasa si el detector de fraude bloquea sistemáticamente a clientes de un barrio?).
• El módulo 7 presentará las herramientas con las que se construyen (Python, NumPy, pandas, librerías de ML).
• El módulo 8 desarrollará el ciclo de vida completo de un proyecto tomando uno de estos casos como ejemplo.
• El módulo 9 contiene las prácticas, y su proyecto integrador combina varios casos.

No todo se hace a la vez. Marta y Diego aplican tres criterios, que te servirán para cualquier empresa:

1. Valor: ¿cuánto dinero, tiempo o satisfacción está en juego? (Las devoluciones cuestan a NovaMarket alrededor de un 4 % de la facturación; el reparto, otro tanto).
2. Viabilidad: ¿tenemos los datos y son de calidad? ¿La técnica está madura? (Recomendación y previsión de demanda: datos abundantes y técnica madura. Visión para daños en fotos: pocos ejemplos todavía).
3. Riesgo: ¿qué pasa si el sistema se equivoca? (Recomendar mal un producto es inocuo; bloquear un pedido por fraude falso enfada al cliente; un asistente que promete una devolución que la política no permite genera un problema legal).

Con estos criterios, NovaMarket decide empezar por la recomendación (mucho valor, datos abundantes, riesgo bajo) y la previsión de demanda, y dejar el asistente conversacional para cuando el equipo tenga más experiencia. Es una decisión típica y sensata: primero lo que enseña sin hacer daño.

Para cerrar el módulo, vamos a construir la versión más simple posible del caso de uso 1: un recomendador del tipo "los clientes que compraron X también compraron Y". Sin librerías, solo diccionarios y listas de Python. El objetivo no es que sea bueno, sino que veas la mecánica y compruebes que la idea de "aprender de los datos" que introdujimos en 01-02 se aplica también aquí.

Simplificamos pedidos.csv a una lista de pedidos, cada uno con los productos que contenía:

La idea es contar, para cada par de productos, cuántas veces aparecen juntos en un mismo pedido. Guardaremos los recuentos en un diccionario de diccionarios: co_compras["portatil"]["raton"] será el número de pedidos en los que aparecen ambos.

Vamos línea a línea:

1. co_compras empieza vacío. Recorremos cada pedido y, dentro, cada producto.
2. Si es la primera vez que vemos producto, le creamos un diccionario interior vacío.
3. Para cada otro producto del mismo pedido (saltándonos el propio producto), incrementamos el contador co_compras[producto][otro]. Si el contador no existía, lo inicializamos a 0 antes.
4. Al terminar, co_compras["portatil"] nos dice que el portátil ha aparecido 3 veces con el ratón, 2 con la funda, 1 con los auriculares y 1 con la alfombrilla.

Este paso es el "entrenamiento" de nuestro recomendador: hemos convertido los datos en un modelo (el diccionario de recuentos). No hay ninguna regla escrita a mano sobre qué va con qué; todo sale de los pedidos.

Recomendar es sencillo: dado un producto, ordenamos sus co-compras de mayor a menor y devolvemos las primeras.

Explicación:

• vecinos.items() devuelve pares (otro, veces); sorted(..., key=lambda par: par[1], reverse=True) los ordena por el segundo elemento (las veces), de mayor a menor.
• Nos quedamos con los n primeros y devolvemos solo los nombres.
• Si el producto no aparece en el modelo (nadie lo ha comprado nunca), devolvemos una lista vacía. Este es el famoso problema del arranque en frío de los recomendadores: no se puede aprender de lo que no tiene datos.

Un cliente de NovaMarket rara vez lleva un solo producto. Podemos sumar los recuentos de todos los productos del carrito y excluir lo que ya lleva:

Para el carrito ["portatil", "raton"], la funda suma 2 (portátil) + 1 (ratón) = 3 y la alfombrilla suma 1 (portátil) + 2 (ratón) = 3; los auriculares suman 1. El empate se resuelve por el orden de inserción del diccionario, que en este caso es funda primero. En un sistema real habría que definir criterios de desempate (por ejemplo, margen del producto o novedad).

Este recomendador funciona, y de hecho es la idea básica del filtrado colaborativo por ítems que popularizó Amazon a principios de los 2000. Pero le faltan cosas que se tratan en módulos posteriores:

Lo importante es que ya has visto la mecánica completa de una aplicación de IA: datos, "entrenamiento" (contar), modelo (diccionario) y predicción (recomendar). El resto del curso refina cada una de estas piezas.

• Confundir la aplicación con la técnica. "Un chatbot" no es una técnica; puede ser un sistema de reglas (como ELIZA), un clasificador de intenciones más plantillas o un modelo generativo con acceso a datos. Pregunta siempre qué hay debajo, porque cambia el coste, la fiabilidad y los riesgos.
• Elegir el caso de uso más vistoso en lugar del más viable. Muchas empresas empiezan por el asistente conversacional porque impresiona, y fracasan por falta de datos, integración o expectativas realistas. NovaMarket empieza por la recomendación por algo.
• Ignorar los datos. En la tabla de casos de uso, cada fila lleva sus ficheros. Si un caso no tiene datos (o son de mala calidad), no es un proyecto de IA todavía: es un proyecto de recogida de datos (lección 02-03).
• Medir el éxito por "si funciona en la demo". Un recomendador se evalúa por si aumenta las ventas o la satisfacción, un detector de fraude por cuántos fraudes atrapa y cuántos clientes legítimos molesta.
• Olvidar el riesgo. Antes de desplegar, pregúntate qué ocurre cuando el sistema se equivoca y quién lo sufre. Esa reflexión, formalizada, es la ética de la IA (02-04).
• Consejo: guarda la tabla de casos de uso de NovaMarket. Cuando llegues a cada módulo, vuelve a ella y comprueba qué fila estás resolviendo: te ayudará a no perder el hilo entre teoría y aplicación.

Para cada una de estas aplicaciones, indica el sector, el tipo de problema (predecir, clasificar, optimizar, interactuar), la técnica principal y un riesgo:

a) Una app que, con la cámara del móvil, identifica una planta y dice si está enferma. b) Un sistema que decide en qué orden atender los pedidos en el almacén de Getafe para que los repartidores no esperen. c) Un sistema que lee los correos de reclamación de NovaMarket y los envía al departamento correcto. d) Un sistema que estima cuántas cafeteras se venderán en Navidad. e) Un altavoz que pone música cuando se lo pides.

Diego propone atacar en primer lugar el caso de uso 9 (diagnóstico automático de incidencias) porque le quita mucho tiempo al equipo. Marta observa que incidencias.csv tiene solo 400 registros, la mitad con el campo "causa" vacío, y que las causas cambian cada vez que se cambia de empresa de mensajería. Aplica los tres criterios de priorización (valor, viabilidad, riesgo) y razona en unas líneas si conviene empezar por ahí y, si no, qué sería necesario para que fuese viable.

Amplía el recomendador de la sección 12:

1. Añade una función productos_populares(pedidos, n) que devuelva los n productos más vendidos en total. Úsala como recomendación por defecto cuando recomendar no tenga datos del producto (arranque en frío).
2. Añade a pedidos dos pedidos nuevos, ["televisor", "soporte_pared"] y ["televisor", "barra_sonido", "soporte_pared"], vuelve a entrenar y comprueba qué recomienda para "televisor".

Solución 1

Solución 2 (orientativa)

Valor: alto (ahorra tiempo al equipo y mejora la respuesta al cliente). Viabilidad: baja hoy: 400 registros son pocos, la mitad no tienen la etiqueta que se quiere predecir y el fenómeno cambia con el tiempo (cada cambio de mensajería invalida parte del histórico). Riesgo: medio: un diagnóstico erróneo retrasa la solución de una incidencia. Conclusión: no conviene empezar por ahí. Para hacerlo viable habría que, primero, obligar a rellenar el campo "causa" de forma estructurada (una lista cerrada de causas en lugar de texto libre), acumular unos meses de datos y, mientras tanto, plantear el caso como un sistema experto basado en las reglas que ya aplican mentalmente los agentes de Diego (módulo 6), que no necesita muchos datos y sirve para recogerlos bien. Después, con datos, se puede evolucionar hacia un modelo aprendido.

Solución 3

Explicación: productos_populares cuenta en cuántos pedidos aparece cada producto y devuelve los más frecuentes; con los datos originales son el portátil (4 pedidos) y el ratón (4 pedidos). Cuando el televisor no tiene historial, recomendar_v2 recurre a esa lista. En cuanto añadimos dos pedidos con televisor y reentrenamos (volvemos a llamar a contar_co_compras), el modelo ya sabe que el televisor va con el soporte de pared (2 veces) y con la barra de sonido (1 vez). Observa de nuevo el patrón: no hemos escrito ninguna regla sobre televisores; ha bastado con darle datos.

En esta lección hemos recorrido las aplicaciones reales de la IA por sectores (salud, transporte y logística, finanzas, comercio electrónico y marketing, industria, atención al cliente, educación, hogar y ocio), leyendo cada una con el mismo esquema: qué problema resuelve, qué técnica hay debajo, qué beneficio aporta y qué riesgo introduce. Hemos comprobado que unas pocas técnicas (clasificación, predicción, optimización, búsqueda, PLN, generación) se repiten en todos los sectores, y hemos fijado la lista de nueve casos de uso candidatos de NovaMarket (recomendación, previsión de demanda, fraude y devoluciones, reseñas, rutas, asignación de pedidos, asistente, reglas de devoluciones y diagnóstico de incidencias) junto con el módulo del curso en el que se trabajará cada uno. Por último, hemos construido un recomendador trivial en Python que ya contiene, en miniatura, todas las piezas de una aplicación de IA: datos, entrenamiento, modelo y predicción.

Con esto cerramos el módulo 1. Ya sabes de dónde viene la IA, qué es y para qué se usa. En el módulo 2, Principios Básicos de la IA, empezaremos a construir los cimientos conceptuales: qué es un agente inteligente y su entorno, qué significa actuar racionalmente, qué tipos de IA existen, por qué los datos son la materia prima de todo lo que hemos visto hoy y qué consideraciones éticas debe tener en cuenta NovaMarket antes de poner cualquiera de estos casos de uso en producción.