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