162 artículos
Explorar guías
Los modelos de regresión producen un valor continuo: un precio, una temperatura, una estimación de días hasta la baja de un cliente. El contraste con la clasificación está en qué predices, no en cómo funciona el modelo por dentro. En la práctica: Estimar que un departamento se venderá en €340,000.
La regularización cambia un poco de precisión en el entrenamiento por una mejor generalización. Las formas comunes son penalizar los pesos grandes, apagar unidades al azar durante el entrenamiento y detenerse temprano. Es la principal palanca contra el sobreajuste cuando no puedes conseguir más datos. En la práctica: El dropout apaga unidades al azar en cada paso para que la red no pueda depender de ninguna en particular.
Si tu empresa usa un sistema de IA en el trabajo, lo más probable es que sea responsable del despliegue. El uso puramente personal y no profesional queda excluido. Los deberes del responsable del despliegue son más ligeros que los del proveedor, pero reales en los sistemas de alto riesgo: usarlo según las instrucciones, asignar supervisión humana competente, conservar registros e informar a las personas afectadas. En la práctica: Un equipo de RR. HH. que usa una herramienta de terceros para filtrar currículums es responsable del despliegue de un sistema de alto riesgo. ...
La retropropagación hace circular el error hacia atrás por la red, capa por capa, repartiendo la responsabilidad entre todos los pesos mediante la regla de la cadena. Es lo que vuelve computacionalmente viable entrenar redes profundas, y es la razón por la que el aprendizaje profundo funciona. En la práctica: La salida se desvió en 0.3 — la retropropagación decide cuáles de los miles de millones de pesos son responsables. ...
El artículo 3(65) vincula el riesgo sistémico con los modelos GPAI cuyas capacidades igualan o superan el estado del arte actual y cuyo alcance podría afectar de forma significativa al mercado de la Unión. La designación trae deberes adicionales: pruebas adversarias, reporte de incidentes, ciberseguridad y evaluación. Es la respuesta del EU AI Act a los modelos de frontera. En la práctica: Un modelo que cruza el umbral de cómputo activa obligaciones adicionales para su proveedor. ...
El RLHF recopila rankings humanos de las salidas del modelo, entrena un modelo de recompensa para predecir esas preferencias y luego optimiza el modelo de lenguaje contra él. Ese paso de post-entrenamiento es casi toda la diferencia entre un predictor crudo del siguiente token y un asistente usable. También codifica las preferencias de quien hizo el ranking, que es una limitación real y poco discutida. En la práctica: Dos respuestas, un humano elige la mejor, y se repite unos cientos de miles de veces. ...
La robustez es el desempeño fuera del prolijo conjunto de prueba: errores de tipeo, casos límite, cambio de distribución, ataques. Un modelo que es preciso con datos limpios y se derrumba con datos reales no es preciso en ningún sentido que importe. Es una de las características de confiabilidad del NIST AI RMF y un requisito para los sistemas de alto riesgo en la UE. En la práctica: La precisión cae de 94% a 51% cuando las fotos de entrada se toman con poca luz. ...
El role prompting fija una perspectiva — ’eres un asesor fiscal que revisa esto en busca de riesgos’ —, lo que cambia qué considera relevante el modelo. Modifica de forma confiable el registro y el énfasis. No agrega conocimiento ni autoridad: decirle a un modelo que es abogado no convierte su salida en asesoría legal. En la práctica: ‘Revisa esto como un CFO escéptico’ saca a la luz objeciones distintas de las que saca ‘revisa esto’. ...
La salida estructurada restringe la generación a JSON válido o a un esquema que tú entregas, en lugar de esperar que un prompt produzca texto parseable. Es la diferencia entre un demo y un pipeline, porque elimina toda la clase de fallas del tipo ’el modelo agregó una frase amable antes del JSON'. En la práctica: Garantizar que cada respuesta tenga invoice_number, amount y currency, o que falle de forma ruidosa. ...
El artículo 3(55) define un marco controlado creado por una autoridad competente, que permite a los proveedores desarrollar, entrenar, validar y probar un sistema innovador durante un tiempo limitado y bajo supervisión, siguiendo un plan de sandbox acordado. Cada estado miembro debe dar acceso a uno. Está dirigido en particular a pymes y startups. En la práctica: Probar un sistema novedoso de alto riesgo con una autoridad nacional observando, antes de salir al mercado. ...