Por qué la IA necesita buenos datos

Basura entra, basura sale

Una máquina aprende solo de los ejemplos que le damos, así que, si los ejemplos están mal, aprende también los errores. Si a la foto de un gato se le pone la etiqueta de perro, la máquina terminará respondiendo que los gatos son perros.
Si solo se le dan ejemplos inclinados hacia un lado, cree que el mundo está inclinado así. En pocas palabras: basura entra, basura sale. De datos que hasta una persona ve que son un desastre, por bueno que sea el modelo, solo aprende desastre.

Mete ejemplos equivocados uno por uno. A medida que se acumulan ejemplos con las etiquetas cambiadas, el juicio de la máquina se enturbia y su precisión baja.

A medida que se acumularon ejemplos equivocados, las respuestas de la máquina se desmoronaron. Una máquina no sabe por sí sola qué es correcto: simplemente confía en los datos que le damos. Por eso, los datos con etiquetas erróneas o una mezcla desequilibrada se convierten directamente en malos hábitos.
Dicho al revés, solo con corregir los datos, el mismo modelo puede mejorar mucho.

Con buenos ingredientes, aprende bien

Entonces, ¿qué son buenos ingredientes? Primero, las etiquetas deben ser exactas: un gato es un gato, y un perro es un perro. Segundo, los datos no deben inclinarse hacia un lado. Si se dan montones de fotos de gatos y solo unas pocas de perros, la máquina casi nunca reconocerá un perro.
Tercero, los datos deben parecerse a las situaciones en que se usará el modelo. Un modelo entrenado solo con fotos de día luminosas se pierde ante fotos oscuras de noche. Conviene dejar afuera los datos borrosos o mezclados de forma extraña.

Toca el botón para cambiar los ingredientes basura por otros limpios y equilibrados. En cuanto mejoran los ingredientes, sube la precisión de la máquina.

La precisión saltó sin que nadie tocara el modelo. Solo cambiaron los ingredientes: con las etiquetas corregidas y los dos lados llenos por igual, el mismo modelo aprendió bien.
Por eso, en la práctica, se dedica mucho tiempo a revisar y limpiar los datos antes de retocar el modelo. Si los datos están sesgados, el modelo también toma decisiones sesgadas, un problema al que volveremos cuando veamos la ética de la IA.

Elegir características que encajen con el problema

Aun con datos limpios, queda algo más por decidir: qué debe mirar el modelo para juzgar. Los valores que se eligen como pistas para el juicio se llaman características. Piensa en predecir el precio de una casa.
La superficie, la ubicación y la cantidad de habitaciones están muy ligadas al precio. Una casa grande en un barrio con buen transporte cuesta más. Pero ¿y el color de la puerta, o el día de la semana en que se construyó? Casi no tienen nada que ver con el precio. Características irrelevantes como esas, en realidad, enturbian el juicio.

Elige las características para predecir el precio de las casas. Las relacionadas, como la superficie y la ubicación, suben la precisión; las irrelevantes, como el color de la puerta, la bajan.

Cada vez que se eligió una característica adecuada, la precisión subió, y al agregar una irrelevante, bajó. Más características no es automáticamente mejor: con muchas características irrelevantes, el modelo memoriza con facilidad hasta los patrones casuales que hay en ellas y se sobreajusta.
Hay que elegir las pistas que de verdad tienen que ver con el problema. Elegir y pulir características así se llama ingeniería de características, y durante mucho tiempo fue la parte más laboriosa del aprendizaje automático.

Buenos datos: cuantos más, mejor

Una vez que los ingredientes están limpios y las características encajan, la cantidad pasa a importar. Con solo unos pocos ejemplos, la máquina se deja llevar fácilmente por uno o dos casos raros que se colaron.
Con muchos ejemplos, esas casualidades quedan tapadas y pierden fuerza, y los patrones reales, que aparecen a menudo, se ven con claridad. Por eso los datos limpios dan más seguridad cuantos más hay.

Toca reunir más datos. Cuantos más ejemplos hay, más se calman los vaivenes casuales, más estable queda la frontera y más alta es la precisión.

Cuantos más datos hubo, más estable la frontera y más alta la precisión. Con pocos puntos, uno solo podía desestabilizarla; con muchos, el vaivén se apaciguó.
Claro que sumar cantidad no es toda la respuesta. Por mucha basura que se junte, sigue siendo basura. Solo cuando los datos son limpios y no están sesgados vale eso de que cuantos más, mejor. Primero la calidad, después la cantidad.

Resumen

En resumen: una máquina aprende solo tan bien como los datos que le damos. Si entra un desastre, sale un desastre; con ingredientes limpios y equilibrados, aprende bien. Hay que elegir características que encajen con el problema, porque las pistas irrelevantes solo estorban.
Los buenos datos dan más seguridad cuantos más hay, pero la calidad va primero. Buenos ingredientes hacen una buena IA.

Toca los puntos clave en orden para repasar. (basura entra, basura sale → con ingredientes limpios aprende bien → elegir características adecuadas → buenos datos, cuantos más, mejor)

Ahora sabes por qué los datos importan tanto. La gente suele pensar en un modelo más listo, pero en la práctica muchas veces son los ingredientes los que deciden el resultado.
Sin embargo, en algunos datos, como las fotos, a una persona le cuesta decidir qué características elegir. Entre millones de píxeles, ¿cuáles son las pistas de que hay un gato? La próxima lección, sobre las CNN, explica cómo una red neuronal encuentra las características por sí sola.