Métricas de medición de la bondad de los modelos de IA

Fiabilidad

¿Qué son las métricas de medición de la bondad de los modelos de IA?

Las métricas de medición de la bondad de los modelos de IA son un conjunto de reglas que ayudan a los desarrolladores a evaluar lo bien que un modelo de IA realiza sus tareas. ¿Es exacto, preciso y fiable en sus decisiones?

Estas métricas arrojan luz sobre la capacidad del programa para tomar decisiones adecuadas mientras lleva a cabo las tareas que le han sido asignadas.

Diccionario Techopedia: Métricas de medición de la bondad de los modelos de IA

El término “IA”, abreviatura de inteligencia artificial, es un concepto tecnológico que capta la inteligencia similar a la humana en los programas informáticos.

La IA es la próxima ola de innovación tecnológica que automatiza diversas tareas similares a las humanas. En esencia, la IA permite a las personas y a las empresas lograr una mayor eficacia con una inversión mínima de tiempo y recursos. Para conseguirlo, se necesitan modelos de IA.

Los modelos de IA son software y algoritmos diseñados para analizar conjuntos de datos, identificar patrones y hacer predicciones. Se entrenan utilizando datos para reconocer estos patrones y apoyar la toma de decisiones. Cuantos más puntos de datos se expongan a un modelo de IA, más precisos serán sus resultados.

Estos modelos son la inteligencia central de los programas informáticos, que comprenden los conjuntos de datos derivados para tomar decisiones basadas en datos. Aprovechan la visión informática, el procesamiento del lenguaje natural y el aprendizaje automático para detectar patrones.

Los modelos de IA encuentran diversas aplicaciones en el mundo real, desde hacer posible la conducción autónoma de coches hasta potenciar asistentes virtuales y sistemas de recomendación.

Para garantizar la precisión de estos modelos en el cumplimiento de las tareas para las que fueron creados, se establecieron métricas de medición de la bondad de los modelos de IA. Estas métricas se centran principalmente en evaluar la corrección de las decisiones tomadas por los modelos de IA.

Por ejemplo, a un modelo de IA en sanidad se le encomendará la responsabilidad de identificar rápidamente las enfermedades de los pacientes cuando se le proporcionen los datos pertinentes.

La bondad de este modelo viene determinada por la eficacia y coherencia con que puede lograr este objetivo con un mínimo de errores.

En esencia, las métricas de medición de la bondad del modelo de IA sirven como mecanismo de garantía de calidad para los programas de IA, asegurando que cualquier modelo de IA proporcione previsiones precisas y fiables.

Métricas de medición de la bondad de los modelos de IA: Conceptos comunes

Se emplean varios tipos de métricas de medición de modelos de IA para evaluar el rendimiento de un programa, y una parte importante corresponde al tipo de predicción.

Una de ellas es la regresión, que predice resultados numéricos y continuos. Otro tipo de predicción es la métrica de clasificación, que determina la categoría a la que pertenece la salida.

Sin embargo, entre estas métricas, cuatro tienen una importancia primordial:

  • Exactitud
  • Precisión
  • Recall
  • Puntuación F1

Métrica de exactitud

La métrica de precisión puede compararse a un boletín de notas, que mide lo bien que un modelo de IA hace las cosas. Es la métrica utilizada para evaluar el rendimiento general del modelo de IA en todas las clases relacionadas. Esta métrica es especialmente útil cuando todas las clases tienen la misma importancia.

Por ejemplo, a un robot dotado de IA se le asigna la tarea de elegir el rojo entre los azules dentro de una lista de 10 colores. Si elige con éxito el rojo 7 de cada 10 veces, su nivel de precisión es del 70%, por encima de la media. La métrica de precisión se calcula como la relación entre las predicciones correctas y el número total de predicciones.

Métrica de precisión

La métrica de precisión revela el grado de precaución ejercido por un modelo de IA al clasificar elementos sin cometer errores excesivos. Suele calcularse como la relación entre el número de muestras positivas verdaderas (correctamente etiquetadas como positivas) y el número total de muestras clasificadas como positivas (correcta o incorrectamente).

En esencia, la precisión evalúa la exactitud de un modelo de IA a la hora de identificar correctamente una muestra como positiva. Un ejemplo adecuado es cuando una máquina clasificadora impulsada por IA separa rápidamente las manzanas de un montón de frutas. Si clasifica con exactitud el 80% de todas las manzanas de la pila, su rendimiento de precisión está representado por este porcentaje. Esto indica que es probable que el modelo de IA minimice los errores en sus tareas.

Métrica de recuperación

La métrica de recuperación se centra en garantizar que un modelo de IA no pasa por alto información crítica o significativa. Su objetivo principal es garantizar que el modelo de IA cumple su misión.

En esencia, mide la eficacia de un modelo de IA para determinar si hay suficientes muestras positivas que respalden su uso a largo plazo. Se fija en cómo se clasifican las muestras positivas.

La métrica recall es la relación entre las muestras positivas de un conjunto clasificadas con precisión como positivas y el número total de muestras positivas. Por tanto, cuanto mayor sea la recuperación, mayor será el número de muestras positivas identificadas.

Métrica de puntuación F1

Esta métrica de medición de la bondad del modelo de IA es una amalgama de las puntuaciones de las métricas de precisión y recuperación en una unidad holística. Consigue un equilibrio entre minimizar los errores y no pasar por alto detalles cruciales en el resultado del modelo de IA.

Para conseguirlo, la puntuación F1 combina la métrica de recuerdo y precisión utilizando su media armónica. Por tanto, generar una puntuación F1 base significa implícitamente maximizar las métricas de recuerdo y precisión.

Estas métricas de medición ayudan a los usuarios a determinar implícitamente el rendimiento de un modelo de IA tanto en entornos aislados (de prueba) como en situaciones reales. Captan la calidad de los resultados de un modelo de IA para garantizar que puede alcanzar sus objetivos.

Historia de la Inteligencia Artificial (IA)

La primera idea de inteligencia a nivel de máquina fue conceptualizada por Alan Turing. En 1935, Turing describió una máquina de computación abstracta consistente en una memoria ilimitada y un escáner que viaja de un lado a otro de la memoria, símbolo a símbolo.

Esta máquina de computación abstracta leerá entonces lo que encuentre y seguirá elaborando su propio conjunto de símbolos de forma independiente.

A lo largo de los años, la IA se ha probado, modificado y ejecutado en diferentes formatos.

A continuación se exponen los más destacados:

Año Evento(s)
1951 Christopher Strachey escribió el primer programa de inteligencia artificial. Creó un programa de damas en la computadora Ferranti Mark 1 en la Universidad de Manchester, Inglaterra.
1952 El programa de Strachey pudo jugar una partida completa sin ayuda a una velocidad razonable.
1952 Arthur Samuel introdujo el programa de damas en Estados Unidos, lo que contribuyó al lanzamiento de la computadora IBM 701.
1955 Samuel modificó el programa original de damas, agregando la capacidad de aprender de las experiencias mediante el aprendizaje por repetición y generalizaciones. Este fue el fundamento para el desarrollo futuro de la IA.

El resultado final

Décadas después, la revolución de la IA ha dejado una huella indeleble en diversos sectores, como la sanidad, las finanzas, el transporte, la logística y muchos otros. Estos avanzados programas informáticos se emplean ahora ampliamente en múltiples industrias.

La capacidad de la IA para funcionar con tanta fluidez se debe a las actividades de modelado de la IA que tienen lugar entre bastidores. Aún más importantes son las métricas de medición de la bondad de los modelos de IA, que garantizan que estos modelos funcionan como se espera.

Por ello, las métricas de medición de la bondad de los modelos de IA son los controles y equilibrios en la ejecución de estos sofisticados programas informáticos.

Temas relacionados

Jimmy Aki
Crypto & Blockchain Writer
Jimmy Aki
Experto en Crypto y Blockchain

Graduado de la Universidad de Virginia y actualmente con base en el Reino Unido, Jimmy ha estado siguiendo el desarrollo de la tecnología blockchain durante varios años, siendo optimista sobre su potencial para democratizar el sistema financiero. Los trabajos previamente publicados de Jimmy se pueden encontrar en BeInCrypto, Bitcoin Magazine, Decrypt, EconomyWatch, Forkast.news, Investing.com, Learnbonds.com, MoneyCheck.com, Buyshares.co.uk y en una variedad de otras destacadas publicaciones mediáticas. Jimmy ha invertido en Bitcoin desde 2018 y, más recientemente, en tokens no fungibles (NFT) desde su auge en 2021, con experiencia en trading, minería de criptomonedas y finanzas personales. Además de escribir para…