Aprendizaje automático fiable

Capítulo 1. Introducción Introducción

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Comenzamos con un modelo, o marco, para añadir aprendizaje automático (AM) a un sitio web, ampliamente aplicable a una serie de dominios, no sólo a este ejemplo. A este modelo lo llamamos bucle ML.

El ciclo de vida del ML

Las aplicaciones de ML nunca terminan realmente. Tampoco empiezan ni terminan en un solo lugar, ni desde el punto de vista técnico ni desde el punto de vista organizativo. Los desarrolladores de modelos ML a menudo esperan que sus vidas sean sencillas, y que sólo tengan que recoger datos y entrenar un modelo una vez, pero rara vez ocurre así.

Un sencillo experimento mental puede ayudarnos a entender por qué. Supongamos que tenemos un modelo de ML, y estamos investigando si el modelo funciona lo suficientemente bien (según un determinado umbral) o no. Si no funciona lo suficientemente bien, los científicos de datos, los analistas empresariales y los ingenieros de ML suelen colaborar para entender los fallos y mejorarlos. Esto implica, como cabría esperar, mucho trabajo: tal vez modificar el conducto de entrenamiento existente para cambiar algunas características, añadir o eliminar algunos datos y reestructurar el modelo para iterar sobre lo que ya se ha hecho.

Por el contrario, si el modelo funciona bien, lo que suele ocurrir es que las organizaciones se entusiasman. El pensamiento natural es que si podemos ...