Automatizaciones que aprenden tus rutinas (sin que tengas que programarlas)

La promesa original de la domótica era: “tu casa te conoce y se adapta”. La realidad de la domótica clásica es: vos te pasás los fines de semana editando YAML para que la luz se prenda a las 19:00 si es verano y a las 18:00 si es otoño. Esto no escala.

El cambio de los últimos años es que ya hay herramientas reales para que la casa aprenda sola patrones desde la actividad histórica. Sin enviar tus datos a la nube. En este post te cuento qué existe hoy, qué funciona bien, y qué todavía es promesa.

¿Qué tipo de “aprendizaje” hablamos?

Hay tres niveles bien distintos:

1. Estadística básica: “siempre encendés la luz del living entre 19:00 y 19:30”. Esto cualquier sistema decente lo puede hacer con SQL sobre el historial.
2. Predicción de eventos: “cuando subís persianas + ponés música + son las 7am, vas a salir a correr”. Modelos ML simples (random forest, gradient boosting).
3. Aprendizaje federado: modelos entrenados con datos de múltiples hogares sin centralizar la data. Cada casa entrena local y solo comparte gradientes anonimizados. Promesa interesante pero todavía emergente en domótica.

Lo que ya funciona en Home Assistant hoy

1. Predict (estadísticas + ML simple)

Hay varios add-ons y blueprints de la comunidad que aplican modelos al historial. El más popular es Predictive Heating que usa regresión lineal sobre el clima y la respuesta térmica de tu casa para anticipar cuándo prender la calefacción.

Esquema típico:

# Sensor que predice consumo de mañana basado en histórico de los últimos 30 días
sensor:
  - platform: statistics
    name: "Consumo mañana predicho"
    entity_id: sensor.consumo_total
    state_characteristic: average_linear
    sampling_size: 720  # 30 días en horas
    max_age:
      days: 30

Esto no es “IA” en el sentido marketing, pero soluciona el 70% de los casos prácticos.

2. Sensores de presencia avanzados

El componente clave para automatización adaptativa es saber dónde estás dentro de la casa. Hay varias capas:

• Bluetooth tracking vía ESPresense — múltiples ESP32 triangulan la posición de tu celular o smartwatch con precisión por habitación.
• Wi-Fi probe sniffing — sensores que escuchan los probes de tu celular (privacy-aware, pero legalmente borderline en algunos países).
• mmWave radar (Aqara FP2, Tuya, LD2410) — detecta personas estáticas, distingue cantidad, sin cámara.
• Ultrasónico + PIR combinado — la combinación clásica para reducir falsos negativos.

Combinando 2-3 fuentes obtenés una señal de “Rafa está en el escritorio” con >95% de precisión.

3. Adaptive Lighting

Adaptive Lighting es probablemente la integración más usada en este espacio. Ajusta automáticamente:

• Temperatura de color según la hora del día (cálido al amanecer/atardecer, frío al mediodía).
• Brillo según luz natural disponible (vía sensor de iluminancia).
• Se integra perfecto con Philips Hue, IKEA Tradfri, Sonoff, cualquier marca.

adaptive_lighting:
  - name: "Living"
    lights:
      - light.living_room_main
    sleep_brightness: 1
    sleep_color_temp: 1000
    sunrise_offset: "-00:30:00"
    sunset_offset: "00:30:00"

Esto sí es “aprendizaje” en el sentido de que se adapta al ciclo natural sin que vos toques nada.

4. Plugins ML emergentes

• HASS-EveryThing-AI (proyectos comunitarios) — modelos de regresión sobre eventos.
• TimescaleDB + Grafana ML — para los que quieren bajar al fierro.
• Integración custom con Ollama que puede analizar tu histórico vía prompt: “según mi rutina, ¿qué automatización tendría sentido a las 23:30?”.

Federated learning: lo que viene

Federated learning es un paradigma donde el modelo se entrena distribuidamente sin nunca centralizar los datos. Cada casa entrena local con su propia data, comparte solo los gradientes (anonimizados, con noise), y un servidor agrega los gradientes para producir un modelo mejor.

Aplicado a domótica sería: tu casa aprende del comportamiento de 10.000 hogares similares sin que ninguno comparta datos. Hoy esto está en investigación académica y en algunos pilotos (Google lo usa en Android para teclados predictivos), pero todavía no hay un framework production-ready específicamente para Home Assistant. Vale tenerlo en el radar.

Ejemplo concreto: rutina matinal aprendida

Caso real con un cliente nuestro (anonimizado). Sensores en la casa:

• mmWave en dormitorio (detecta cuándo se sienta en la cama).
• Sensor en el baño (humedad por ducha).
• Smartlock (apertura de puerta principal).
• ESPresense Bluetooth tracker (sigue al usuario por la casa).

Después de 30 días, un script Python con scikit-learn detectó:

Día	Hora despertar	Tiempo en baño	Salida puerta
Lun-Vie	06:45 ± 10min	20-25 min	07:35 ± 5min
Sáb-Dom	09:00 ± 60min	variable	variable

Las automatizaciones que se generaron solas:

• Lun-Vie a las 06:30: pre-calentar el baño a 22°C.
• Detección de “primera presencia en cocina” → encender pava eléctrica inteligente.
• 5 minutos antes de la salida estimada → si está lloviendo, mandar push “llevate paraguas”.

Cero líneas de YAML escritas a mano por el cliente.

Limitaciones honestas

• Necesita datos: mínimo 30 días de histórico. Una casa nueva no tiene de dónde aprender.
• Cambios bruscos rompen el modelo: vacaciones, mudanza, COVID, embarazo. Los modelos buenos detectan “concept drift” y reentrenan, los malos siguen ofreciendo automatizaciones que ya no aplican.
• Privacidad real requiere todo local: hay servicios SaaS que ofrecen “AI smart home” pero te quedan los datos en su nube. Nuestro enfoque siempre es on-premise.
• No reemplaza pensamiento crítico: si detecta que apagás las luces a las 23:30, no significa que sea bueno hacerlo automático sin tu confirmación. Las mejores integraciones proponen, no imponen.

Hardware mínimo para empezar

• Home Assistant Yellow / Green o un mini-PC.
• 1-2 sensores mmWave (Aqara FP2 ~USD 80 cada uno).
• 3-5 ESP32 corriendo ESPresense (USD 8 cada uno + impresión 3D del case).
• SSD para que la base de datos no se rompa con el writeup constante.

Total estimado: USD 300-500 para una casa de 80-120 m².

Cuándo conviene ir por este camino

• Vivís en la misma casa hace +1 año (necesitás histórico).
• Sos varios en la casa (multiplicás los patrones a aprender, multiplicás el valor).
• Te molesta la pantalla de “hub” para todo, querés que la casa funcione sin que la pienses.
• Te importa que los datos se queden adentro.

Disclaimer

El uso de Wi-Fi probe sniffing puede tener implicancias legales según la jurisdicción (afecta a dispositivos de terceros que pasen). Bluetooth tracking está limitado por el “MAC randomization” de iOS/Android moderno; ESPresense lo mitiga vía BLE advertising de Apple Watch o un beacon que llevés. Los modelos ML de uso doméstico no garantizan precisión 100% — pensá tus automatizaciones con fallbacks seguros.

Fuentes

• Home Assistant — documentación oficial
• Adaptive Lighting en GitHub
• ESPresense — presencia indoor
• Wikipedia — Federated learning
• Wikipedia — Edge artificial intelligence

---

Posts relacionados: Asistente de voz local, Frigate cámaras AI, Optimización energética con IA. ¿Te interesa? Hablá con nosotros.