[et_pb_section fb_built=\u00bb1″ admin_label=\u00bbsection\u00bb _builder_version=\u00bb4.19.5″ background_color=\u00bb#020000″ collapsed=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_row admin_label=\u00bbrow\u00bb _builder_version=\u00bb4.16″ background_size=\u00bbinitial\u00bb background_position=\u00bbtop_left\u00bb background_repeat=\u00bbrepeat\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.16″ custom_padding=\u00bb|||\u00bb global_colors_info=\u00bb{}\u00bb custom_padding__hover=\u00bb|||\u00bb][et_pb_text _builder_version=\u00bb4.19.5″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb]<\/p>\n
Quien conoce las bases de la Inteligencia Artificial<\/strong> (IA) sabe lo fundamental que es el dato para la formaci\u00f3n en Machine Learning<\/strong> o Deep Learning<\/strong>. Sin embargo, el enfoque m\u00e1s utilizado hasta ahora por quienes dise\u00f1an este tipo de soluciones se centra en el modelo. En este art\u00edculo mostraremos la otra cara de la moneda: el enfoque de Data-centric.<\/p>\n Que quede claro que el nuevo enfoque centrado en los datos no reemplaza al centrado en el modelo. De hecho, el \u00e9xito de una Inteligencia Artificial radica en equilibrar ambas.<\/p>\n \u00bfCu\u00e1les son las diferencias entre el enfoque centrado en el modelo y el centrado en los datos?<\/p>\n Este enfoque implica el desarrollo de investigaci\u00f3n experimental con el objetivo de mejorar el modelo de Machine Learning. Los datos permanecen sin cambios ya que solo trabaja en el c\u00f3digo o en la arquitectura del modelo. Encontrar la soluci\u00f3n adecuada no es f\u00e1cil, dado el amplio abanico de posibilidades a reducir por ensayo y error.<\/p>\n El enfoque centrado en los datos parte del supuesto de que para aumentar la precisi\u00f3n de las aplicaciones de aprendizaje autom\u00e1tico es necesario partir del conjunto de datos. \u00a1Tenemos en cuenta que la cantidad no lo es todo! De hecho, este enfoque trabaja en la mejora sistem\u00e1tica de los datos.<\/p>\n <\/p>\n En primer lugar, para tener un conjunto de datos eficiente es importante que los datos est\u00e9n orientados hacia un objetivo. Tomemos un ejemplo trivial de una Inteligencia Artificial que debe reconocer abetos. Las fotos del \u00e1rbol no ser\u00e1n suficientes, ya que durante el per\u00edodo cercano a las fiestas navide\u00f1as, muchos de estos tendr\u00e1n luces y adornos. Si queremos reconocer estos tambi\u00e9n, ser\u00e1 necesario encontrar el equilibrio adecuado de datos para que la computadora entienda que los abetos con decoraciones tambi\u00e9n forman parte de la categor\u00eda, pero que no todos los \u00e1rboles que tienen decoraciones son abetos. Si absurdamente quisi\u00e9ramos reconocer no solo abetos reales, sino tambi\u00e9n pintados, necesitar\u00edamos a\u00fan otros datos de otro tipo. Depender\u00e1 por tanto del objetivo que queramos conseguir a trav\u00e9s de la Inteligencia Artificial. Cuanto m\u00e1s espec\u00edficos sean los datos sobre las diversas excepciones que queremos identificar, m\u00e1s preciso ser\u00e1 el modelo.<\/p>\n <\/p>\n Segundo punto: los datos deben estar etiquetados correctamente. El etiquetado es el proceso de asignar una o m\u00e1s etiquetas a los datos. Por ejemplo, en una foto donde hay un perro, insertar\u00e9 la etiqueta de \u00abperro\u00bb en el \u00e1rea donde est\u00e1 el animal, para que la m\u00e1quina aprenda a reconocerlo. Si entrenamos un modelo sobre un conjunto de datos con un n\u00famero significativo de im\u00e1genes etiquetadas incorrectamente, el resultado ser\u00e1 una Inteligencia Artificial que no funcionar\u00e1 correctamente. Por el contrario, si etiquetamos las im\u00e1genes correctamente tendremos un modelo m\u00e1s preciso que necesitar\u00e1 menos datos para aprender. En el enfoque centrado en los datos, por lo tanto, el enfoque est\u00e1 en la calidad y no en la cantidad de datos.<\/p>\n <\/p>\n Tercera caracter\u00edstica: para que un modelo funcione, el conjunto de datos debe ser representativo de la realidad. Sin embargo, la realidad es relativa y dependiente del tiempo. Esto significa que el conjunto de datos debe actualizarse para representar continuamente la realidad. Por ejemplo, si entrenamos un modelo para el reconocimiento de autom\u00f3viles, es posible que despu\u00e9s de unos a\u00f1os no sea capaz de reconocer los \u00faltimos modelos de autom\u00f3viles si estos difieren particularmente de los existentes en el momento en que se cre\u00f3 el modelo.<\/p>\n <\/p>\n Entendemos que Machine Learning o Deep Learning es algo que va m\u00e1s all\u00e1 del algoritmo. Los datos<\/strong> no son solo la base desde la que empezar, sino el factor habilitador de la Inteligencia Artificial<\/strong>.<\/p>\n <\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=\u00bbrow\u00bb _builder_version=\u00bb4.16″ background_size=\u00bbinitial\u00bb background_position=\u00bbtop_left\u00bb background_repeat=\u00bbrepeat\u00bb custom_margin=\u00bb25px||||false|false\u00bb global_colors_info=\u00bb{}\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.16″ custom_padding=\u00bb|||\u00bb global_colors_info=\u00bb{}\u00bb custom_padding__hover=\u00bb|||\u00bb][et_pb_divider _builder_version=\u00bb4.16″ _module_preset=\u00bbdefault\u00bb width=\u00bb70%\u00bb module_alignment=\u00bbcenter\u00bb global_colors_info=\u00bb{}\u00bb][\/et_pb_divider][et_pb_button button_url=\u00bbhttps:\/\/drive2data.com\/es\/\u00bb url_new_window=\u00bbon\u00bb button_text=\u00bbDESCUBRE MAS\u00bb button_alignment=\u00bbcenter\u00bb _builder_version=\u00bb4.19.5″ _module_preset=\u00bbdefault\u00bb custom_button=\u00bbon\u00bb button_text_size=\u00bb22px\u00bb button_text_color=\u00bb#ffb300″ button_bg_color=\u00bb#020000″ button_border_width=\u00bb2px\u00bb button_border_color=\u00bb#ffb300″ button_border_radius=\u00bb10px\u00bb button_font=\u00bb|600|||||||\u00bb button_use_icon=\u00bboff\u00bb custom_margin=\u00bb||2%||false|false\u00bb custom_padding=\u00bb16px|16px|16px|16px|false|true\u00bb box_shadow_style=\u00bbpreset1″ locked=\u00bboff\u00bb global_colors_info=\u00bb{%22gcid-f2ce690f-aeee-4241-a830-be586ba3dd75%22:%91%93}\u00bb][\/et_pb_button][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":" Quien conoce las bases de la Inteligencia Artificial (IA) sabe lo fundamental que es el dato para la formaci\u00f3n en Machine Learning o Deep Learning. Sin embargo, el enfoque m\u00e1s utilizado hasta ahora por quienes dise\u00f1an este tipo de soluciones se centra en el modelo. En este art\u00edculo mostraremos la otra cara de la moneda: […]<\/p>\n","protected":false},"author":1,"featured_media":19111,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[184],"tags":[],"class_list":["post-18835","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"yoast_head":"\nEnfoque Model-centric<\/strong><\/h2>\n
Enfoque Data-centric<\/strong><\/h2>\n
Las caracter\u00edsticas del enfoque Data-centric<\/strong><\/h3>\n
Datos orientados a objetivos<\/strong><\/h4>\n
Etiquetado de datos<\/strong><\/h4>\n
Conjunto de datos representativo de la realidad<\/strong><\/h4>\n