4 min de lectura

Plataforma de machine learning: Booking.com la construyó en 20 años y hoy hace 400.000 millones de predicciones al día

Plataforma de machine learning de Booking.com: 400.000 millones de predicciones al día, 150.000 experimentos y lecciones de 20 años para aplicar en tu empresa.

Menos del 25% de los experimentos de Booking.com funcionan. Aun así, la compañía ha lanzado más de 150.000 y hoy su plataforma de machine learning responde a unos 400.000 millones de predicciones al día. Detrás de esa cifra hay una idea contraintuitiva: el objetivo no es acertar, sino aprender rápido. Así lo contó Jabez Eliezer Manuel, ingeniero principal de la empresa, en QCon London, con una charla que él mismo bautizó como «la historia sin pulir».

Manuel repasó dos décadas de evolución en tres capas: gestión de datos, ingeniería de ML e inteligencia de dominio. Todo empezó en 2005, cuando Booking.com tenía 9 años, aún no formaba parte del grupo Priceline y ejecutó su primer experimento A/B. Hoy cualquier usuario que visita el sitio participa en más de 1.000 experimentos simultáneos, sea un cambio de CSS o de infraestructura. Su stack original era Perl y Postgres; pronto lo cambiaron por MySQL, sobre todo por su replicación asíncrona. En 2005 operaban un maestro y cuatro réplicas. Quince años después gestionaban uno de los mayores clústeres MySQL del mundo gracias a tres pilares: un único nodo de escritura, cadenas de replicación y mucha automatización. Más tarde retiraron Hadoop para migrar a una arquitectura en la nube y construyeron servicio de modelos de alto rendimiento y un feature store, las piezas que sostienen los 400.000 millones de predicciones diarias. El último paso es una nueva base de IA agéntica, con foco en la memoria a largo plazo de los agentes.

Experimentación A/B: la cultura que sostiene la IA

La lección más valiosa no es técnica. Según Manuel, la experimentación A/B construyó el «ADN basado en datos» de la empresa y eliminó a los HIPPO (la opinión de la persona mejor pagada de la sala). No hay debates interminables: se construye, se prueba y se decide. Además, creó una cultura de humildad, porque nadie en la sala puede asegurar de antemano qué funcionará.

Esto importa porque muchas empresas compran modelos antes de tener la disciplina para medirlos. Sin ella, es fácil sumarse a las estadísticas de proyectos de IA fallidos, donde el 42% se abandona. Booking.com hizo el camino inverso: primero la medición, luego la sofisticación.

Lecciones para tu organización sobre plataformas de ML

El caso permite extraer pasos concretos, con una salvedad: la fuente es una charla, no un estudio de resultados financieros, así que conviene adaptar el enfoque y no copiarlo.

  • Empieza por la experimentación, no por el modelo. Si no puedes medir el impacto de un cambio con una prueba controlada, no sabrás si tu IA aporta valor. Asume que la mayoría de las pruebas fallará: Booking.com acierta en menos de una de cada cuatro.
  • Escala los datos antes que los algoritmos. Su base de datos pasó de cinco servidores a uno de los mayores clústeres del mundo con una topología simple (un escritor, cadenas de réplicas) y automatización. No necesitaron arquitecturas exóticas.
  • No te cases con tu infraestructura. Retiraron Hadoop y se movieron a la nube cuando dejó de servirles. Revisa cada cierto tiempo qué piezas heredadas frenan a tus equipos.
  • Invierte en un feature store y en serving. Reutilizar variables y servir modelos con baja latencia es lo que permite pasar de un modelo aislado a cientos de casos. Un ejemplo comparable es cómo Airbnb redujo de dos días a segundos el retraso de sus recomendaciones con Chronon.
  • Prepara la capa agéntica sobre una base sólida. Booking.com construye ahora la memoria de largo plazo para sus agentes sobre dos décadas de plataforma de datos. Los agentes sin datos fiables ni memoria bien diseñada no escalan.
  • Cuándo tiene sentido adoptar esta estrategia

    Para una empresa mediana, la pregunta no es si necesita 400.000 millones de predicciones diarias, sino en qué etapa está. Si todavía decide con intuición, el primer movimiento es una práctica de experimentación. Si ya mide, toca ordenar los datos y reutilizar variables. Y si ya sirve modelos en producción, el reto será el coste y la latencia, como muestra el caso de LinkedIn, que redujo un modelo de 7.000 a 400 millones de parámetros para servirlo a escala.

    El mensaje de fondo de Booking.com es incómodo pero útil: su ventaja no es un algoritmo secreto, sino 20 años de paciencia acumulada. Construir una plataforma de machine learning sólida es un maratón de pruebas fallidas, datos bien gestionados y humildad organizativa. La pregunta para tu comité de dirección: ¿cuántos experimentos podría lanzar tu empresa mañana, y cuántos de ellos serías capaz de medir de verdad?

    Preguntas frecuentes

    ¿Cuántas predicciones hace al día la plataforma de machine learning de Booking.com?

    Según Jabez Eliezer Manuel, ingeniero principal de Booking.com, su plataforma de machine learning opera con unos 400.000 millones de predicciones diarias. Esa escala se apoya en un sistema de servicio de modelos de alto rendimiento y en un feature store construidos durante dos décadas de evolución.

    ¿Cuántos experimentos hace Booking.com y qué porcentaje tiene éxito?

    Booking.com ha ejecutado más de 150.000 experimentos desde su primera prueba A/B en 2005. Un usuario participa en más de 1.000 a la vez. Su tasa de éxito es inferior al 25%, y la empresa lo asume como parte del proceso: el objetivo es aprender rápido, no acertar siempre.

    ¿Qué puede aprender una empresa de la evolución de IA de Booking.com?

    Lo esencial es empezar por una cultura de experimentación A/B, ordenar y escalar los datos con arquitecturas simples y automatizadas, y construir un feature store antes de sumar IA agéntica. Booking.com también retiró Hadoop y migró a la nube cuando la infraestructura heredada dejó de servirle.