Desde un punto de vista académico los modelos de Machine Learning intentan, por lo general, minimizar los errores que cometen en sus predicciones. Como aproximación teórica es muy eficaz, pero además los modelos de ML que se usan en el mundo real deben de ser eficientes: queremos que tengan el mayor beneficio posible con el menor coste asociado. Para ello podemos usar diferentes técnicas: desde el ajuste de thresholds al uso de algoritmos con rangos de incertudimbre, pasando por el uso de métricas de error personalizadas que tengan en cuenta el coste asociado a un modelo. En esta sesión hablaremos de casos reales aprendidos: Machine Learning del mundo real.