4 min de lectura

Plataforma de machine learning: Booking.com llega a 400.000 millones de predicciones al día tras 20 años de ensayo y error

Plataforma de machine learning de Booking.com: 20 años, 400.000 millones de predicciones al día y menos del 25% de experimentos exitosos. Las lecciones clave.

Menos del 25%. Ese es el porcentaje de experimentos que le salen bien a Booking.com, una compañía que, en cualquier momento, tiene más de 1.000 pruebas corriendo a la vez sobre sus usuarios. Y aun así, su plataforma de machine learning hoy sirve 400.000 millones de predicciones al día. Jabez Eliezer Manuel, Principal Engineer de la empresa, lo contó en QCon London bajo un título honesto: «la historia sin pulir».

La charla repasa dos décadas. En 2005, Booking.com tenía nueve años, acababa de ejecutar su primer experimento de experimentación A/B y su base de datos era un único maestro con cuatro réplicas. El machine learning de entonces eran scripts en Perl, librerías estadísticas de CPAN y tareas cron. La estrategia de despliegue, según Manuel: «copiar el script y rezar». Aun así resolvía problemas reales: detección de fraude, previsión de demanda con regresión y recomendaciones con KNN. Hoy la compañía acumula más de 150.000 experimentos y construye lo que llama su nueva base de IA agéntica, con memoria de largo plazo para agentes.

Cómo se construye una plataforma de machine learning que escala sin glamour

Lo más interesante es que la historia no empieza con modelos, sino con datos y disciplina de ingeniería. Booking.com pasó de Postgres a MySQL por su replicación asíncrona y, quince años después, operaba uno de los mayores clústeres MySQL del mundo con cerca de 7.000 instancias. Su receta: un único nodo de escritura, cadenas de replicación con maestros intermedios para reducir tráfico entre centros de datos, y una automatización total con la herramienta Orchestrator. Cada 60 días retiran y reprovisionan esas instancias, lo que implica una acción operativa más o menos cada tres minutos. Ningún equipo humano podría hacerlo a mano.

Las decisiones técnicas van a contracorriente de la moda. Hardware estándar, sin procedimientos almacenados, sin vistas, sin UDFs y sin capa de caché. En su lugar, bases de datos pequeñas (límite blando de 2 TB, duro de 10 TB) que caben en el almacenamiento rápido del servidor. Resultado: consultas puntuales por debajo de 350 microsegundos, comparables a motores en memoria, además de copias de seguridad y recuperaciones más rápidas y menores costos. Tampoco se limitaron a consumir MySQL: decidieron no bifurcarlo y contribuir al proyecto original. La replicación basada en GTID, por ejemplo, existe en parte porque ellos la propusieron.

En 2011 llegó Hadoop, con dos clústeres propios (HDFS, YARN, MapReduce, Oozie, Spark, Hive y Sqoop). Según el resumen de la charla, más tarde la compañía lo retiró en favor de una arquitectura en la nube y construyó un servicio de modelos de alto rendimiento y un feature store para sostener el volumen actual. Cada capa respondió a un límite real de la anterior, no a una tendencia.

Qué puedes aplicar en tu empresa

La lección de fondo es que el volumen de predicciones es la consecuencia de décadas de cimientos, no el punto de partida. Estas son las ideas más transferibles:

  • Normaliza el fracaso medido. Si menos del 25% de los experimentos funcionan, el objetivo no es acertar sino aprender rápido. Fija una cultura de pruebas antes de invertir en modelos sofisticados. Los datos de proyectos de IA fallidos muestran que el 42% se abandona; probar en pequeño reduce ese riesgo.
  • Deja que los datos acaben los debates. Manuel destaca que la experimentación eliminó a los «HIPPOs» (la opinión del jefe mejor pagado) y creó una cultura de humildad. Cualquier cambio, hasta un ajuste de CSS, pasa por prueba.
  • Automatiza lo repetitivo desde el principio. Si una tarea operativa ocurre cada pocos minutos, no es un proceso, es un sistema. Invierte en automatización antes de que el crecimiento te obligue.
  • Mantén tus componentes pequeños y rápidos. Bases de datos acotadas y almacenamiento veloz les dieron latencias de microsegundos sin caché ni hardware exótico. A veces la simplicidad es la mejor optimización.
  • Evoluciona la infraestructura cuando el límite sea real. Hadoop tuvo sentido en 2011 y se retiró cuando dejó de tenerlo. Revisa tu stack con esa misma pregunta.
  • Invierte en servir modelos, no solo en entrenarlos. Un feature store y un servicio de inferencia sólidos son lo que convierte un prototipo en producto. Casos como el de Airbnb con su sistema de recomendación en tiempo real o el de GS Caltex y su MLOps en producción apuntan en la misma dirección.
  • Cuándo dar el salto a la IA agéntica

    Booking.com no llegó a la IA agéntica desde cero. Llegó con datos fiables, una cultura de experimentación consolidada y plataformas de predicción maduras. Ese orden importa: la memoria de agentes y las aplicaciones inteligentes de nueva generación solo rinden si debajo hay una base de datos y un servicio de modelos que aguanten la carga. Si tu organización aún no sabe medir con rigor qué funciona, el momento de los agentes probablemente no ha llegado; el de los experimentos, sí.

    La pregunta para tu comité de dirección no es qué modelo comprar, sino qué parte de tu plataforma de machine learning sería la primera en romperse si mañana multiplicaras por diez tus predicciones. Empieza por ahí, y mide cada paso.

    Preguntas frecuentes

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

    Según la charla de Jabez Eliezer Manuel en QCon London, la plataforma de machine learning de Booking.com opera a unos 400.000 millones de predicciones diarias. Esto se apoya en un servicio de modelos de alto rendimiento y en un feature store, construidos tras casi dos décadas de evolución de sus plataformas de datos.

    ¿Cuántos experimentos hace Booking.com y cuántos tienen éxito?

    Un usuario de Booking.com está expuesto a más de 1.000 experimentos simultáneos, y la empresa ha realizado más de 150.000 en total. Su tasa de éxito es inferior al 25%. Para la compañía, el objetivo de la experimentación A/B no es acertar siempre, sino aprender rápido y descartar ideas con datos.

    ¿Qué puede aprender mi empresa del enfoque de Booking.com antes de adoptar IA agéntica?

    Que primero hay que consolidar los cimientos: cultura de experimentación, automatización operativa, datos rápidos y un servicio de modelos confiable. Booking.com solo avanzó hacia la IA agéntica y la memoria de agentes tras 20 años de evolución de sus plataformas de datos y machine learning. Evalúa tu madurez antes de dar el salto.