Fundamentos de IA y ML
Qué aprenderá
En este dominio se aprende la relación entre la inteligencia artificial (IA), el aprendizaje automático (ML) y el aprendizaje profundo (DL), las diferencias entre el aprendizaje supervisado, el no supervisado y el aprendizaje por refuerzo, y el ciclo de vida general que sigue un proyecto de ML. Es el dominio fundamental que representa el 20 % de las preguntas del AIF-C01 y constituye la base de todos los contenidos posteriores.
Puntos clave
- Relación de inclusión IA ⊃ ML ⊃ DL: la IA es el concepto más amplio, el ML es un método de la IA y el DL es un método de ML basado en redes neuronales
- Aprendizaje supervisado: aprende a partir de pares de entrada y respuesta correcta (etiqueta). Se divide en clasificación (categórica) y regresión (numérica)
- Aprendizaje no supervisado: descubre la estructura de los datos sin etiquetas de respuesta. El agrupamiento, la reducción de dimensionalidad y la detección de anomalías son ejemplos representativos
- Aprendizaje por refuerzo: un agente interactúa con un entorno y aprende las acciones que maximizan la recompensa
- Ciclo de vida del ML: el ciclo repetido de recopilación de datos → preprocesamiento → entrenamiento → evaluación → despliegue → monitorización
- Sobreajuste (overfitting): el fenómeno por el cual el modelo se ajusta a los datos de entrenamiento pero pierde rendimiento con los datos de prueba. Se requieren técnicas para preservar la capacidad de generalización
- Inferencia (inference): el proceso de obtener predicciones al introducir nuevas entradas en un modelo ya entrenado. Existe la inferencia en tiempo real y la inferencia por lotes
Términos y conceptos
Relación entre IA, aprendizaje automático y aprendizaje profundo
La IA es un concepto amplio que abarca todas las "técnicas que imitan el comportamiento inteligente humano". El ML es un método de la IA que "aprende reglas automáticamente a partir de los datos", y el DL es un método de ML que "utiliza redes neuronales de múltiples capas". La mayoría de la IA generativa es una aplicación del DL.
Aprendizaje supervisado y aprendizaje no supervisado
El aprendizaje supervisado aprende a partir de datos etiquetados y se utiliza para la clasificación de imágenes o la predicción de ventas. El aprendizaje no supervisado descubre la estructura a partir de datos sin etiquetar y se utiliza para la segmentación de clientes o la detección de anomalías. El aprendizaje semisupervisado es un punto intermedio entre ambos.
Aprendizaje por refuerzo (Reinforcement Learning)
Es un método en el que un agente (el aprendiz) elige acciones sobre un entorno y aprende una estrategia que maximiza la recompensa obtenida como resultado. Se utiliza en IA para juegos, control de robots, optimización de recomendaciones y en el RLHF (aprendizaje por refuerzo a partir de retroalimentación humana) de la IA generativa.
Sobreajuste y generalización
El sobreajuste es el fenómeno por el cual el modelo se ajusta en exceso a los datos de entrenamiento y pierde rendimiento con datos desconocidos. Se previene aumentando la cantidad de datos, con regularización, dropout, validación cruzada, etc. Por el contrario, el subajuste (underfitting) es el estado en el que el modelo es demasiado simple y ni siquiera consigue aprender los datos de entrenamiento.
Modalidades de inferencia (Inference)
La inferencia en tiempo real es el método que devuelve una predicción de inmediato en cada solicitud de la API (por ejemplo, un chatbot). La inferencia por lotes es el método que procesa de forma conjunta un volumen de datos (por ejemplo, predecir de noche las compras de todos los clientes). La ventaja de la inferencia en tiempo real es la baja latencia y la de la inferencia por lotes es la eficiencia de costes para grandes volúmenes de datos.
Compruebe su comprensión
Compruebe lo aprendido con 5 preguntas