Fundamentos de IA gratuitos · Lección 3 de 12
Aprende cómo los modelos utilizan datos
Explica el aprendizaje a partir de ejemplos y por qué es importante una prueba separada.
Comprender
En el aprendizaje supervisado, los ejemplos incluyen una respuesta objetivo, como un mensaje y su categoría correcta. Un clasificador predice una categoría; un modelo de regresión predice un valor numérico. Un método de vecinos más cercanos compara un nuevo ejemplo con ejemplos almacenados similares. La regresión lineal ajusta una relación para un número; la regresión logística se usa comúnmente para estimar la probabilidad de una categoría. Estas son herramientas diferentes, no pasos que siga cada sistema de IA.
El aprendizaje no supervisado busca estructura sin esas etiquetas objetivo, como grupos de elementos similares. El aprendizaje por refuerzo ajusta el comportamiento utilizando recompensas o retroalimentación de las acciones. Una red neuronal combina muchas conexiones numéricas ajustables en capas. El entrenamiento modifica esas conexiones para reducir un error elegido o mejorar un objetivo. Más capas no convierten al sistema en un cerebro humano ni eliminan la necesidad de buenos datos.
Un modelo puede ajustar estrechamente sus ejemplos de entrenamiento y aún fallar en casos nuevos; esto es sobreajuste. Evalúa con ejemplos separados y representativos que no se utilizaron para afinar el sistema. Busca errores en grupos relevantes y casos inusuales, no solo una puntuación promedio. Un cambio en los datos del mundo real puede hacer que el rendimiento de ayer sea menos útil. Para las herramientas generativas, prueba tareas completas y sus resultados en lugar de asumir que la reputación de un modelo establece la calidad.
Pruébalo en tu vida o trabajo
Práctica personal
Crea seis recordatorios ficticios y etiquétalos como hogar, aprendizaje o social. Reserva dos antes de diseñar una regla de clasificación con las otras cuatro. Prueba tu regla en la pareja reservada. Explica qué no puede probar la muestra tan pequeña.
Práctica empresarial
Crea seis fragmentos de consulta ficticios: preguntas rutinarias, solicitudes ambiguas y preocupaciones urgentes. Decide primero la categoría esperada. Úsalos como un pequeño conjunto de práctica para pruebas y registra el tipo de cada error. No uses registros reales de clientes.
Mantén: Un pequeño conjunto de prueba con respuestas esperadas, respuestas observadas y notas de fallos.
Usa información ficticia o no sensible. La práctica escrita no requiere una cuenta de IA. Las demostraciones en vivo son opcionales; otras herramientas tienen sus propios términos y costos.
Mostrar la respuesta y la explicación
Para ver si el método funciona en ejemplos a los que no se ajustó. Una prueba separada ayuda a revelar el sobreajuste. No puede garantizar el rendimiento en cada caso futuro.
Esta es una autoevaluación, no una certificación calificada. Las respuestas y las notas del ejercicio no se envían a AstraCruz.