Siempre es beneficioso entender cómo funcionan las cosas. En este artículo, voy a ofrecer una descripción general muy simple de la lógica matemática básica que se utiliza para entrenar modelos de IA. Prometo que, si tienes una educación básica, los siguientes ejemplos te resultarán comprensibles y podrás comprender un poco mejor el campo de la inteligencia artificial.
Supongamos que queremos crear un nuevo modelo de IA para pronosticar los ingresos por ventas de nuestra empresa. Tenemos datos sobre los ingresos por ventas de los últimos dos meses, los costos de publicidad y los precios de los productos.
En otras palabras, queremos crear un modelo que nos diga cómo nuestros ingresos por ventas dependen del precio de nuestro producto y de los gastos de publicidad. Con esta herramienta, un especialista en marketing podría, por ejemplo, calcular los ingresos por ventas esperados si gasta 50 € en publicidad y fija el precio del producto en 6 €.
En esencia, la IA no es más que una fórmula matemática (o un conjunto de fórmulas). Nuestro ejemplo de previsión de ventas podría presentarse como una fórmula matemática de la siguiente manera:
La fórmula existe, pero no sabemos qué valores asignar a los parámetros m y n del modelo. En otras palabras, no sabemos cuánto afecta a nuestros ingresos por ventas el aumento de los costos de publicidad y el ajuste del precio del producto.
Cuando empezamos a entrenar la IA, podemos asignar valores aleatorios a los parámetros del modelo. Por ejemplo, inicialmente fijamos el parámetro de coste de publicidad en 2 y el parámetro de precio en -2.
Ahora, simplemente lo probamos. Si multiplicamos el costo de la publicidad y el precio del producto por los valores de sus parámetros respectivos, vemos que nuestro modelo inicial es demasiado optimista. En el primer mes, los ingresos por ventas reales fueron de 5 €, pero nuestro modelo predijo 30 €. En el segundo mes, los ingresos por ventas reales fueron de 18 €, y nuestro modelo predijo 52 €.
Si el error es 0el modelo es perfecto y no necesita ningún ajuste.
Si el error es > 0el modelo dio un resultado demasiado optimista:
- Disminuya los pesos (parámetros) si la característica de entrada correspondiente (por ejemplo, el costo de publicidad o el precio del producto) tiene un valor positivo.
- Aumente los pesos (parámetros) si la característica de entrada correspondiente tiene un valor negativo.
Si el error es < 0el modelo era demasiado pesimista:
- Aumente los pesos (parámetros) si la característica de entrada correspondiente tiene un valor positivo.
- Disminuya los pesos (parámetros) si la característica de entrada correspondiente tiene un valor negativo.
Siguiendo la regla de aprendizaje, necesitamos disminuir ambos parámetros porque tanto el costo de la publicidad como el precio del producto tienen valor positivo.. Por ejemplo, reducimos el peso del coste publicitario de 2 a 1 y el parámetro de precio de -2 a -3.
Si volvemos a calcular, vemos que nuestro modelo ahora predice con precisión. ¡Genial! Nuestro primer modelo de IA entrenado manualmente está listo.
Si cree que el modelo anterior es demasiado bueno para ser verdad, tiene razón. Nuestro modelo funcionó perfectamente con los datos de entrenamiento. Para evaluar la precisión del modelo, se debe probar con datos que no se usaron en el proceso de entrenamiento.
Hemos entrenado nuestro modelo con datos de enero y febrero. Ahora, veamos qué tan bien puede predecir el modelo los ingresos por ventas de marzo y abril.
De la tabla anterior se desprende que el modelo predice que los ingresos por ventas para marzo serán de 28 € (en realidad, 24 €) y para abril, de 21 € (en realidad, 18 €). En promedio, nuestro modelo comete un error de 3,5 € con los datos nuevos, lo que podemos denominar la precisión de nuestro modelo.
En conclusión, la IA en esencia es una fórmula matemática. En nuestro ejemplo, la fórmula tenía dos parámetros; el modelo GPT-4 tiene más de un billón (1 billón = 1.000.000.000.000) parámetros. Ambos se entrenan según el mismo principio: ajustar gradualmente los parámetros del modelo para reducir el error.
También es importante recordar que la IA aprende con datos de entrenamiento, pero su precisión solo se puede evaluar utilizando datos no utilizados durante el entrenamiento (datos de prueba).