Capítulo 3: Cómo Funciona la Inteligencia Artificial
Entrenamiento, inferencia y el arte de aprender
Aquí se abre la caja negra. El capítulo explica los dos momentos fundamentales de todo sistema de IA: el entrenamiento (donde el modelo aprende de los datos) y la inferencia (donde aplica lo aprendido a situaciones nuevas).
Se introduce la función de pérdida como el "juez implacable" que mide qué tan lejos están las predicciones del modelo respecto a la realidad, guiando el proceso de optimización. El capítulo también distingue entre parámetros (lo que el modelo aprende) e hiperparámetros (lo que el humano configura antes del entrenamiento).
Una advertencia crucial: existen dos tipos de "sesgo" en IA. El sesgo matemático es un parámetro neutral. El sesgo social produce resultados injustos y no se corrige solo.
Conceptos clave
Conceptos clave
- Entrenamiento vs. Inferencia: Aprender de datos históricos vs. aplicar lo aprendido a datos nuevos.
- Función de pérdida: El mecanismo que guía al modelo hacia mejores predicciones.
- Sobreajuste (Overfitting): Cuando el modelo memoriza los datos en lugar de aprender patrones generalizables.
- Parámetros vs. Hiperparámetros: Lo que aprende la máquina vs. lo que configura el humano.
- Dos tipos de sesgo: Matemático (neutral) vs. social (peligroso).