Los modelos discriminativos aprenden a distinguir datos determinando directamente la frontera entre clases: responden a la pregunta «¿A qué categoría pertenece esta entrada?». Ejemplos son la regresión logística, las máquinas de vectores de soporte y muchos clasificadores neuronales, por ejemplo para detectar spam. Los modelos generativos, en cambio, describen cómo se originan los propios datos y por eso pueden generar ejemplos nuevos.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoLa IA generativa engloba los sistemas de IA que crean contenido nuevo, como textos, imágenes, audio, vídeo o código, en lugar de limitarse a ordenar o valorar datos existentes. Se basa en modelos que aprenden patrones de grandes volúmenes de datos y los usan para producir resultados nuevos y verosímiles. En la empresa se usa, por ejemplo, para borradores de correos, resúmenes, descripciones de producto o ideas visuales. Los resultados pueden tener errores y conviene revisarlos antes de usarlos.
La regresión logística es un método estadístico que predice la probabilidad de uno de dos resultados, por ejemplo «compra» o «no compra». Pondera las variables de entrada y convierte su suma en un valor entre 0 y 1 mediante una función en forma de S. Como sus pesos son fáciles de interpretar, se usa mucho en la evaluación de créditos, la medicina y el marketing, a menudo como referencia para modelos más complejos.
Un clasificador es un modelo o método que asigna una entrada a una de varias categorías predefinidas. Las variantes clásicas, como los árboles de decisión o Naive Bayes, se entrenan con ejemplos etiquetados; los modelos de lenguaje también pueden clasificar textos a partir de una descripción de las categorías. Usos típicos son detectar spam, ordenar consultas de clientes por tema o clasificar justificantes. La calidad se mide con métricas como exactitud, precisión y exhaustividad (recall).
Naive Bayes es una familia de métodos de clasificación sencillos basados en el teorema de Bayes. Se llaman «ingenuos» porque suponen que todas las variables son independientes entre sí, algo que rara vez se cumple en la práctica pero que a menudo da buenos resultados. Son rápidos, necesitan pocos datos de entrenamiento y funcionan especialmente bien con textos. Un ejemplo clásico es el filtro de spam que clasifica correos según palabras típicas.
