Fundamentos de machine learning

Un programa tradicional sigue reglas que alguien escribió. Un modelo de machine learning aprende las reglas a partir de ejemplos. Esa diferencia decide cuándo conviene usar ML, cómo se entrena, cómo se pone a trabajar y cómo se sabe si funciona. El panorama de IA en AWS presenta los servicios; aquí está la base que esos servicios dan por sabida.

IA, machine learning, deep learning, IA generativa y agentes

Son círculos concéntricos, del más amplio al más específico, más una forma de usarlos:

La IA generativa tiene su propia lección: IA generativa y modelos fundacionales. Los agentes, en agentes de IA.

Los datos: la materia prima

Un modelo solo aprende lo que hay en sus datos. Conviene nombrarlos bien:

• Etiquetados (labeled): cada ejemplo trae la respuesta correcta. «Esta transacción fue fraude». Etiquetar cuesta tiempo y dinero; Amazon SageMaker Ground Truth ayuda a organizar ese trabajo con personas.
• Sin etiquetar (unlabeled): solo los datos, sin respuesta. Abundan y son baratos.
• Estructurados: filas y columnas, como una tabla de clientes (datos tabulares). Las series de tiempo son tabulares con orden temporal: ventas por día, lecturas de un sensor.
• No estructurados: texto libre, imágenes, audio, video. Son la mayoría de los datos de una empresa.

Tres formas de aprender

Dentro del aprendizaje supervisado y no supervisado hay tres tareas que el examen pide distinguir:

La pista está en la salida. Si la respuesta es «cuánto», es regresión. Si es «cuál de estas opciones», es clasificación. Si no hay etiquetas y quieres descubrir grupos, es clustering.

Entrenamiento e inferencia

El entrenamiento ajusta los parámetros internos del modelo hasta que sus predicciones se parecen a las etiquetas. Es caro, se hace de vez en cuando y suele usar GPU. La inferencia usa el modelo ya entrenado para responder casos nuevos. Ocurre miles o millones de veces y, en producción, suele costar más en total que el entrenamiento. Hay cuatro formas de servirla:

En SageMaker AI estas cuatro opciones existen con esos nombres; los detalles están en SageMaker AI y MLOps.

Cuándo no usar machine learning

ML no es la respuesta por defecto. Descártalo cuando:

• Las reglas son claras y deterministas. Calcular el IVA o validar un formato de correo se programa en diez líneas y nunca se equivoca.
• Necesitas un resultado exacto siempre. Un modelo da probabilidades, no certezas.
• El costo supera el beneficio. Datos, entrenamiento, monitoreo y reentrenamiento cuestan. Si el problema es pequeño, no compensa.
• Debes explicar cada decisión y el modelo no lo permite. Algunos sectores regulados exigen razones concretas. Un modelo simple e interpretable, o reglas, puede ser la opción correcta.
• No hay datos suficientes o representativos. Sin datos buenos, el modelo aprende ruido.

Cómo saber si un clasificador funciona

Un banco tiene 1.000 transacciones de prueba: 50 son fraude y 950 legítimas. El modelo marca 60 como fraude. La matriz de confusión (confusion matrix) cruza lo que era con lo que el modelo predijo:

• Exactitud (accuracy): aciertos sobre el total. (40 + 930) / 1.000 = 97 %.
• Precisión (precision): de lo que marcó como fraude, cuánto lo era. 40 / 60 = 66,7 %. Importa cuando un falso positivo es caro: bloquear la tarjeta de un buen cliente.
• Exhaustividad (recall o sensibilidad): de los fraudes reales, cuántos atrapó. 40 / 50 = 80 %. Importa cuando un falso negativo es caro: dejar pasar un fraude o no detectar una enfermedad.
• F1: media armónica de precisión y recall. 2 × (0,667 × 0,8) / (0,667 + 0,8) ≈ 72,7 %. Útil cuando ambos errores importan.
• AUC (área bajo la curva ROC): mide qué tan bien separa las clases el modelo en todos los umbrales posibles. 0,5 es azar; 1 es perfecto.

Para regresión no hay matriz de confusión. Se mide cuánto se aleja la predicción del valor real. La más común es RMSE (raíz del error cuadrático medio): si tasas casas y el RMSE es 15.000 dólares, te equivocas en unos 15.000 en promedio, castigando más los errores grandes. También se usa MAE (error absoluto medio) y R².

Sobreajuste, subajuste y cómo preparar las características

El sobreajuste (overfitting) es el aprendiz que memorizó las casas del curso y falla con cualquier casa nueva: muy bien en entrenamiento, mal en datos nuevos. Tiene alta varianza. El subajuste (underfitting) es el que apenas estudió: falla en ambos. Tiene alto sesgo: el modelo es demasiado simple para el patrón. El objetivo es el punto medio.

• Contra el sobreajuste: más datos, un modelo más simple, regularización, detener el entrenamiento antes (early stopping).
• Contra el subajuste: un modelo más capaz, mejores características, entrenar más tiempo.

Ojo: aquí «sesgo» es un término estadístico. El sesgo injusto contra un grupo de personas es otro problema y se trata en IA responsable.

La ingeniería de características (feature engineering) convierte datos crudos en entradas útiles:

1. 1

   Dividir los datos primero

   Separa entrenamiento (para aprender), validación (para ajustar hiperparámetros) y prueba (para la nota final, que el modelo nunca vio). Una división típica es 70/15/15 u 80/10/10. Con series de tiempo, divide por fecha, no al azar.
2. 2

   Limpiar

   Trata valores faltantes, duplicados y atípicos. Decide si imputas, descartas o marcas.
3. 3

   Escalar y normalizar

   Lleva los números a rangos comparables: que «ingresos» en millones no aplaste a «edad» en decenas. Normalización a 0–1 o estandarización a media 0 y desviación 1.
4. 4

   Codificar categorías

   Los modelos necesitan números. One-hot encoding convierte «color: rojo, verde, azul» en tres columnas de 0 y 1.
5. 5

   Crear características nuevas

   Día de la semana a partir de una fecha, monto promedio de los últimos 30 días, distancia entre dos direcciones.