Buenos ingredientes hacen buena IA: los datos
Antes aprendimos cómo una máquina mira ejemplos y los divide en grupos. ¿Pero qué pasa si esos ejemplos son basura? Hasta el mismo modelo da un resultado totalmente distinto según qué ingredientes le des. En verdad, el secreto de una buena IA suele ser mejores datos antes que un modelo más listo. Como en la cocina, los ingredientes van antes que la destreza.
Basura entra, basura sale
Una máquina aprende solo de los ejemplos que le damos.
Así que si los ejemplos están mal,
aprende fielmente también esos errores.
Etiqueta una foto de gato como perro,
y la máquina insistirá en que un gato es un perro.
Dale solo ejemplos de un lado,
y cree que el mundo se inclina así.
De un material que hasta una persona ve como basura,
hasta la mejor máquina aprende solo basura.
Mete los ejemplos equivocados uno a uno. Cuantos más datos mal etiquetados entren, más se desvía el juicio de la máquina.
A medida que se acumulaban ejemplos equivocados,
las respuestas de la máquina se desmoronaban.
La máquina no distingue lo correcto de lo incorrecto por sí sola
y simplemente confía en el material que le damos.
Así que un material mal etiquetado o sesgado
se vuelve directamente un mal hábito.
Dicho de otro modo, con solo arreglar los datos
la misma máquina se vuelve mucho más lista.
Buenos ingredientes, aprendizaje correcto
¿Entonces qué hace bueno a un ingrediente?
Primero, las etiquetas deben ser precisas.
Un gato como gato, un perro como perro.
Segundo, no debe inclinarse a un lado.
Da montones de fotos de gatos y solo unas de perros,
y la máquina apenas reconoce perros.
Muestra ambos lados por igual y aprende en equilibrio.
Tercero, debe haber poco ruido enturbiando lo mismo.
El material borroso o raramente mezclado mejor déjalo fuera.
Toca para cambiar los datos basura por datos limpios y equilibrados. En cuanto mejoran los ingredientes, sube la precisión de la máquina.
Sin tocar la máquina en absoluto,
la precisión se disparó.
Lo único que cambió fueron los ingredientes.
Arregla las etiquetas y llena ambos lados por igual,
y la misma máquina aprendió bien.
Por eso, antes de retocar el modelo,
la gente pone esfuerzo en limpiar primero los datos.
Buenos ingredientes son la mitad de un buen resultado.
Elige características que encajen con el problema
Aun con datos limpios, queda una cosa.
Decidir en qué debe fijarse para juzgar.
Las pistas que elegimos se llaman características.
Piensa en el problema de adivinar precios de casas.
El área o la ubicación de una casa están muy ligadas a su precio.
Grande, en un buen barrio, el precio sube.
¿Pero qué hay del color de la puerta?
No tiene casi nada que ver con el precio.
Una característica así de irrelevante solo enturbia el juicio.
Elige las características para predecir precios de casas. Añade área y ubicación y la precisión sube; añade una irrelevante como el color de la puerta y baja.
Cada característica adecuada que elegiste subió la precisión.
El color irrelevante, en cambio, la bajó.
Más características no es mejor sin más.
Hay que elegir pistas de verdad ligadas al problema.
Una característica adecuada es un atajo hacia la respuesta,
mientras que una equivocada es ruido que confunde el camino.
Elegir bien qué pistas mostrar,
esto también es trabajo importante para hacer buenos datos.
Los buenos datos son mejores en abundancia
Si los ingredientes están limpios y las características encajan,
ahora empieza a importar la cantidad.
Con solo un puñado de ejemplos,
la máquina se deja llevar fácilmente
por uno o dos casos raros que se colaron por azar.
Con muchísimos ejemplos,
esas casualidades quedan sepultadas en el promedio y se debilitan,
mientras el patrón real y frecuente se vuelve claro.
Por eso los datos limpios dan más confianza en abundancia.
Toca para añadir más datos. A medida que los puntos crecen, el temblor del azar se calma, la frontera se estabiliza y la precisión sube.
Cuantos más datos añadías,
más firme la frontera y mayor la precisión.
Cuando eran escasos, hasta un punto la hacía tambalear,
pero al crecer, el temblor se apagó.
Claro que añadir cantidad no es la respuesta sin más.
Por mucha basura que reúnas, sigue siendo basura.
Solo cuando los datos son limpios y sin sesgo
más significa de verdad mejor.
La calidad va primero, luego la cantidad.
Resumamos
Reunido en una línea, es esto.
Una máquina aprende solo tan bien como los datos que le damos.
Basura entra, basura sale,
pero ingredientes limpios y equilibrados la dejan aprender bien.
Hay que elegir características que encajen con el problema,
mientras las pistas irrelevantes solo estorban.
Los buenos datos dan más confianza en abundancia,
pero calidad primero, cantidad después.
Buenos ingredientes hacen buena IA.
Toca los puntos clave en orden para repasar. (basura entra, basura sale -> ingredientes limpios aprenden bien -> elige características adecuadas -> buenos datos, cuantos más mejor)
Ahora sabes por qué los datos importan tanto.
La gente suele imaginar un modelo más listo,
pero lo que de verdad decide el resultado suelen ser los ingredientes.
Límpialos, reúnelos sin sesgo,
elige características que encajen con el problema y dalos en abundancia.
Este trabajo de aspecto sencillo es la base de una buena IA.
Luego, con datos preparados así,
sigamos explorando cómo medimos
qué tan bien aprendió la máquina en realidad.