ML clásico y datos estructurados
Muchos problemas tabulares tienen soluciones de ML más simples que un LLM.
lo que aprenderás
- Explique: la IA no es un tipo de modelo
- Aplique la idea en un ejemplo: ML clásico y datos estructurados
- Reconocer las limitaciones y verificar el resultado del ejercicio.
Muchos problemas tabulares tienen soluciones de ML más simples que un LLM. Comience con la variable que desea predecir.
Este es un laboratorio conceptual o externo. No asume que la aplicación expone todos los controles descritos.
Cómo funciona, paso a paso
La IA no es un tipo de modelo
La inteligencia artificial es una familia de métodos de reconocimiento, predicción, planificación y generación. Un sistema basado en reglas sigue instrucciones escritas por personas. El aprendizaje automático aprende relaciones a partir de ejemplos; El aprendizaje profundo utiliza redes con muchas capas. La IA generativa produce contenido nuevo. Un LLM trabaja con el lenguaje, pero las recomendaciones de productos o la detección de defectos pueden utilizar otros modelos. Piense en una caja de herramientas: elija una herramienta para el problema. Un algoritmo simple puede ser más adecuado que un agente para una regla fija.
Cómo el aprendizaje cambia un modelo
Los datos de entrenamiento son el conjunto de ejemplos utilizados para ajustar los parámetros del modelo. El aprendizaje supervisado incluye un objetivo, como "spam". El aprendizaje no supervisado encuentra estructuras, como grupos de clientes. El aprendizaje autosupervisado crea objetivos a partir de datos, por ejemplo, predecir el siguiente texto. La validación ayuda a elegir la configuración; el conjunto de prueba permanece separado hasta la evaluación final. Un modelo que memoriza ejemplos y falla con datos nuevos está sobreajustado. Una división adecuada evita que la información del conjunto de prueba se filtre en el entrenamiento.
Defina el éxito antes de optimizar
Preparar solicitudes representativas y respuestas o propiedades esperadas. Incluya casos comunes, ambigüedad, datos faltantes y errores de herramientas. Para RAG, mida la recuperación de evidencia por separado de la corrección de las respuestas. Recall@k mide la proporción de evidencia relevante encontrada en los primeros k resultados; precision@k mide la proporción de resultados devueltos que son relevantes. Para los agentes, también realice un seguimiento de las acciones, los permisos y las detenciones. Un LLM como juez puede acelerar la evaluación, pero necesita una calibración con respecto a los humanos. No cambie el indicador, el modelo y el índice simultáneamente si desea comprender qué mejoró los resultados.
El esquema explicativo
Siga las flechas sólidas para el flujo principal. Las flechas azules discontinuas proporcionan datos o contexto; Las flechas discontinuas de color rosa muestran comentarios o resultados devueltos. Colores y formas distinguen modelos, tiendas, decisiones y resultados. En pantallas pequeñas, desplázate horizontalmente para seguir todo el esquema.
Un ejemplo completo
La clasificación predice una categoría; regresión un valor; agrupar grupos de datos sin etiquetar. Las recomendaciones clasifican las opciones, las previsiones siguen el tiempo y la detección de anomalías encuentra desviaciones.
Pruébalo tú mismo
- Map Six Store necesita seis familias de tareas y métricas adecuadas.
- Registre la entrada, la fuente y el resultado esperado antes de ejecutar el experimento. Utilice únicamente los datos ficticios del ejemplo.
- Siga las etapas del diagrama. En cada paso registre qué información se recibe y se produce; No confunda el resultado intermedio con el resultado final.
- Repita después de eliminar la información necesaria o hacer que la entrada sea ambigua. Compruebe si el sistema aclara, detiene o inventa una respuesta.
- Comparar con la solución explicada. Conserve la configuración, fecha, resultado y una explicación de las diferencias. Cambie una cosa y vuelva a probar.
Una solución explicada
Para la demanda de productos, utilice pronósticos con divisiones temporales; No mezcle datos futuros en el entrenamiento. Un ejercicio exitoso le permite mostrar la conexión entre los aportes, las etapas y el resultado. Cuando falta información, una respuesta cautelosa es más útil que detalles inventados. Compare más que estilo: compruebe también las condiciones, las fuentes y las operaciones.
Cuándo resulta útil y cuáles son sus límites
La correlación no establece causalidad. Elija este enfoque cuando mejore una necesidad medida. Mantenga una línea de base simple y compare los resultados utilizando insumos idénticos. Un ejemplo exitoso no establece confiabilidad en todas las situaciones.
Comprueba lo que has aprendido
¿Toda automatización es IA?
No. Una regla fija puede automatizar algo sin aprendizaje ni razonamiento flexible.
¿Por qué no evaluar sólo los datos de entrenamiento?
Queremos desempeño en situaciones nuevas, no prueba de memorización.
¿Qué resultado debería producir este ejercicio?
Para la demanda de productos, utilice pronósticos con divisiones temporales; No mezcle datos futuros en el entrenamiento.
Términos que conviene recordar
- AI: Una familia de métodos, no sinónimo de chatbot.
- Sobreajuste: El modelo se ajusta demasiado a los ejemplos que ha visto.
- Regresión / Regresión: Un cambio que rompe un caso previamente correcto.
Fuentes y su próximo paso
Para preparar: F01 — ¿Qué es la inteligencia artificial? · F02 - ¿Cómo aprende una máquina? · F07: IA multimodal en lenguaje sencillo