Glosario

Interpretabilidad de modelos

¿Qué es Interpretabilidad de modelos?

La interpretabilidad de un modelo describe hasta qué punto las personas pueden entender cómo llega un modelo de IA a sus resultados. Los modelos sencillos, como los árboles de decisión, se leen con facilidad; en redes neuronales complejas ayudan técnicas que muestran, por ejemplo, la influencia de cada variable. Es importante para encontrar errores, generar confianza y cumplir requisitos normativos, por ejemplo cuando hay que justificar la denegación de un crédito.

Temas

  • explicabilidad
  • transparencia
  • confianza

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

Explicabilidad

La explicabilidad (IA explicable, XAI) describe hasta qué punto se puede entender por qué un sistema de IA llega a un resultado concreto. Incluye métodos que muestran qué datos de entrada influyeron más en una decisión, y también recursos prácticos como citar las fuentes o registrar cada paso. Es clave para la confianza, la detección de errores y la regulación, por ejemplo cuando un banco debe justificar por qué rechazó una solicitud.

  • XAI
  • Transparencia
  • +1

Transparencia de la IA

La transparencia de la IA significa dar a conocer cuándo interviene una IA, en qué datos y fuentes se basan sus resultados y cómo se llega a las decisiones. Incluye etiquetar los contenidos generados, citar fuentes verificables, mantener registros y documentar los cambios. Genera confianza, facilita localizar errores y en parte es obligatoria, por ejemplo por las obligaciones de transparencia del AI Act de la UE, según las cuales las personas deben poder saber que interactúan con una IA.

  • Transparencia
  • Confianza
  • +1

Transparencia algorítmica

La transparencia algorítmica significa que se puede entender cómo llega un sistema automatizado a un resultado: qué datos usa, qué reglas sigue y dónde están sus límites. Refuerza la confianza, facilita detectar errores y es cada vez más una exigencia legal, por ejemplo por las obligaciones de información del RGPD y del Reglamento europeo de IA. En la práctica ayudan la documentación, la cita de fuentes, los registros y avisos comprensibles para las personas afectadas.

  • Transparencia
  • Ética de la IA
  • +1

Árbol de decisión

Un árbol de decisión es un modelo que representa una decisión como una secuencia de preguntas sencillas de sí o no: cada rama comprueba una característica y cada hoja da un resultado. En el aprendizaje automático, estos árboles se aprenden a partir de datos y se usan para clasificar o predecir. Su gran ventaja es que se entienden fácilmente, por ejemplo para ver por qué se marcó una solicitud de crédito según ingresos, plazo e historial de pagos.

  • Aprendizaje automático
  • Clasificación
  • +1