El aprendizaje semisupervisado combina una pequeña cantidad de datos etiquetados con una gran cantidad de datos sin etiquetar. El modelo aprende primero de los pocos ejemplos con respuesta conocida y luego aprovecha los patrones del resto de los datos para mejorar, por ejemplo adoptando sus predicciones más seguras como ejemplos adicionales. Compensa cuando etiquetar sale caro, como con imágenes médicas o miles de tickets de soporte.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoEn el aprendizaje supervisado, un modelo aprende de ejemplos cuya respuesta correcta ya se conoce, como correos marcados como «spam» o «no spam». A partir de ellos deduce reglas para clasificar casos nuevos o predecir valores. Las tareas típicas son la clasificación y la regresión; el mayor esfuerzo está en preparar datos bien etiquetados.
En el aprendizaje no supervisado, un modelo recibe datos sin respuestas correctas predefinidas y busca estructuras por sí mismo. Los métodos típicos son el clustering, que agrupa registros parecidos, y la reducción de dimensionalidad, que condensa muchas variables en unas pocas esenciales. Puedes usarlo para descubrir segmentos de clientes o detectar transacciones inusuales; después, alguien con conocimiento del negocio debe interpretar los grupos encontrados.
Hay escasez de datos cuando para una tarea de IA no existen suficientes datos adecuados o etiquetados para entrenar o evaluar un modelo de forma fiable. Ocurre, por ejemplo, con defectos poco frecuentes en producción, idiomas minoritarios o productos nuevos sin historial de ventas. Algunas soluciones son el aprendizaje por transferencia, los datos sintéticos, el aumento de datos o los modelos de lenguaje preentrenados, que dan resultados útiles con pocos ejemplos.
Los datos de entrenamiento son los ejemplos con los que un modelo de IA aprende patrones: grandes colecciones de texto en los modelos de lenguaje, imágenes etiquetadas en los de visión. Su calidad, variedad y actualidad determinan en gran medida lo fiable y justo que será el modelo y lo actualizado que estará su conocimiento. Para tu empresa también importa si un proveedor usa los datos de clientes que introduces para seguir entrenando.
