Glosario

Precisión y estabilidad de los modelos de IA

¿Qué es Precisión y estabilidad de los modelos de IA?

La precisión describe con qué frecuencia un modelo de IA da resultados correctos; la estabilidad, hasta qué punto ese rendimiento se mantiene con entradas ligeramente distintas, datos nuevos o con el paso del tiempo. Un modelo puede ser muy preciso en las pruebas y, aun así, inestable si basta con reformular una pregunta para obtener otra respuesta. En producción, ambas propiedades se comprueban con casos de prueba fijos, validación cruzada y supervisión continua.

Temas

Calidad del modelo
Robustez
Evaluación

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Robustez de modelos

La robustez de un modelo describe lo fiable que es un modelo de IA cuando las entradas tienen ruido, están incompletas, son inusuales o se han manipulado a propósito. Un modelo robusto ofrece igualmente resultados estables, por ejemplo un reconocimiento de imágenes con poca luz o un modelo de lenguaje ante erratas. Se comprueba con pruebas de estrés, datos de entrenamiento variados y ensayos frente a intentos de engaño, y es clave en aplicaciones críticas para la seguridad.

fiabilidad
calidad del modelo
+1

Deriva del modelo (model drift)

La deriva del modelo (model drift) es la pérdida gradual de calidad predictiva de un modelo en producción porque la realidad cambia respecto a los datos de entrenamiento. Se distingue entre cambios en los datos de entrada (data drift) y cambios en la relación entre entradas y resultado (concept drift). Ejemplo: un modelo de detección de fraude deja de reconocer nuevos tipos de fraude. Los remedios son la supervisión continua de métricas y el reentrenamiento periódico.

MLOps
calidad del modelo
+1

Validación cruzada

La validación cruzada es un método para comprobar lo bien que un modelo generaliza a datos nuevos. En la validación cruzada de k iteraciones, los datos se dividen en k partes; el modelo se entrena k veces con k−1 partes y se evalúa cada vez con la parte restante, y después se promedian los resultados. Así detectas el sobreajuste y comparas de forma justa modelos o configuraciones, sobre todo con pocos datos.

Evaluación de modelos
Validación
+1

Benchmarking

En IA, el benchmarking es la comparación sistemática de modelos o sistemas mediante tareas y criterios definidos. Los benchmarks públicos miden, por ejemplo, conocimientos generales, razonamiento o capacidad de programación; pero para el uso práctico cuentan sobre todo los casos de prueba de tu propio trabajo diario. Se suelen comparar exactitud, exhaustividad, tiempo de respuesta y coste. Así se puede decidir si un modelo más pequeño y barato basta para una tarea.

Comparación de modelos
Evaluación
+1

Plantilla