Introducción a la inferencia en machine learning
Imagina que has entrenado un modelo de machine learning espectacular para ayudar al equipo de negocio a captar más clientes con recomendaciones relevantes. El paso lógico es integrar ese modelo entrenado en la infraestructura de la empresa para que el negocio pueda usarlo y hacer predicciones sobre nuevos clientes. A este proceso de utilizar un modelo ya existente se le llama inferencia.
La inferencia en machine learning es clave porque permite usar el modelo en casos reales como predicciones, clasificaciones o recomendaciones.
Al terminar este artículo, tendrás claro cómo funciona la inferencia en machine learning, en qué se diferencia del entrenamiento tradicional y un panorama de los enfoques de inferencia existentes, con sus beneficios, retos y algunas aplicaciones reales.
Inferencia vs. entrenamiento en machine learning
Lo primero que debes tener en cuenta es que la inferencia y el entrenamiento en machine learning no son lo mismo y se aplican en fases distintas de cualquier proyecto. En esta sección verás una explicación intuitiva con la analogía del restaurante de Cassie Kozyrkov.
Ella comenta que para preparar una buena pizza (un producto de valor) hace falta una receta (modelo o fórmula) que indique cómo preparar los ingredientes (datos de calidad) y con qué utensilios (algoritmos).
No habría servicio si no saliera comida de la cocina. Y la cocina (equipo de ciencia de datos) tampoco aportaría valor si los clientes no apreciaran lo que sirve.
Para ofrecer una buena experiencia y maximizar el retorno, ambos equipos deben trabajar de la mano.
Cocina (equipo de ciencia de datos) y sala (equipo de negocio)
Entrenamiento en machine learning
Entrenar un modelo de machine learning requiere datos de entrenamiento y de validación. Los de entrenamiento se usan para construir el modelo y los de validación para ajustar sus parámetros y hacerlo lo más robusto posible. Al final de esta fase, el modelo debería poder predecir sobre datos nuevos con menos errores. Podemos ver esta fase como el trabajo en cocina.
En nuestra guía completa, What is Machine Learning, aprenderás qué es el machine learning, en qué se diferencia de la IA y el deep learning y por qué es uno de los campos más apasionantes de la ciencia de datos.
Inferencia en machine learning
Los platos solo se sirven cuando están listos para comer; del mismo modo, un modelo de machine learning debe estar entrenado y validado antes de usarse para predecir. La inferencia en machine learning es como el servicio en un restaurante. Ambas requieren atención para lograr resultados mejores y más precisos, y así satisfacer a clientes y al negocio.
Importancia de entender las diferencias
Conocer la diferencia entre inferencia y entrenamiento es esencial para asignar bien los recursos de cómputo en ambas fases una vez que el sistema se despliega en producción.
El rendimiento del modelo suele caer en producción. Entender bien estas diferencias ayuda a adoptar estrategias adecuadas de industrialización y a mantener los modelos en el tiempo.
Aspectos clave al elegir entre inferencia y entrenamiento
Usar un modelo para inferencia o entrenar uno nuevo depende del tipo de problema, del objetivo y de los recursos disponibles.
Los factores clave incluyen, entre otros: tiempo de salida al mercado, limitaciones de recursos o coste de desarrollo, rendimiento del modelo y la experiencia del equipo.
- Tiempo de salida al mercado. Es importante valorar de cuánto tiempo se dispone al elegir entre entrenar y usar un modelo existente. A veces, usar un modelo preentrenado requiere menos tiempo y puede dar al equipo de negocio una ventaja competitiva.
- Restricciones de recursos o coste de desarrollo. Según el caso de uso, entrenar un modelo puede requerir gran cantidad de datos y recursos. En cambio, usar un modelo para inferencia suele exigir menos, lo que facilita lograr incluso mejor rendimiento en menos tiempo.
- Rendimiento del modelo. Entrenar un modelo es un proceso iterativo y no siempre garantiza robustez. Un modelo para inferencia puede ofrecer mejor rendimiento que uno desarrollado internamente. Hoy en día, la explicabilidad y la mitigación de sesgos son cruciales, y puede que haya que actualizar los modelos de inferencia para incorporar estas capacidades.
- Experiencia del equipo. Construir un modelo robusto exige alta especialización tanto en entrenamiento como en industrialización. No siempre se cuenta con esa experiencia, por lo que apoyarse en modelos de inferencia puede ser la mejor alternativa.
Inferencia bayesiana en machine learning
La inferencia bayesiana es una técnica de machine learning que permite a los algoritmos predecir actualizando su conocimiento previo con nueva evidencia mediante el teorema de Bayes.
Pero, ¿qué es el teorema de Bayes?
Describe la probabilidad de un evento A, dado que ha ocurrido otro evento B. La fórmula es la siguiente:
Teorema de Bayes
P(A): prior → probabilidad de que ocurra A sin considerar otros eventos.
P(B): constante de normalización que permite calcular la probabilidad posterior del evento B.
P(A|B): posterior → probabilidad de que ocurra A dado que ocurre B.
P(B|A): verosimilitud → probabilidad de que ocurra B si ocurre A.
Con esta base, veamos las ventajas de la inferencia bayesiana y algunas aplicaciones reales.
En nuestro tutorial de clasificación Naive Bayes con Scikit-learn aprenderás a crear y evaluar un clasificador Naive Bayes con la librería Scikit-learn de Python.
Ventajas de la inferencia bayesiana
La inferencia bayesiana ofrece múltiples ventajas, entre ellas:
- Flexibilidad. Puede aplicarse a modelos lineales y no lineales y a diversos problemas de machine learning como regresión, clasificación, clustering, procesamiento del lenguaje natural y más.
- Más intuitiva. El paso de conocimiento previo a posterior usando nuevos datos se parece a cómo las personas actualizan sus creencias con información nueva, lo que la hace más intuitiva. Por ejemplo, si alguien cree que mañana nevará y consulta la previsión, ajustará su creencia en consecuencia.
- Interpretabilidad. Las distribuciones de probabilidad sobre los posibles valores de las predicciones del modelo se interpretan con facilidad, lo que ayuda a decidir en función de la tolerancia al riesgo.
Aplicaciones de la inferencia bayesiana en machine learning
Algunas aplicaciones reales de la inferencia bayesiana en machine learning son:
- Detección de fraude con tarjeta. Puede emplearse para detectar actividades fraudulentas. Se parte de una probabilidad previa de fraude basada en datos históricos y, a medida que llegan nuevos datos (importe de la transacción, historial de compras, etc.), se actualiza la información con el teorema de Bayes para obtener una probabilidad posterior y decidir si hay fraude o no.
- Diagnóstico médico. En diagnósticos, el teorema de Bayes ayuda a analizar casos previos y estimar la probabilidad de que un paciente tenga una enfermedad. El enfoque bayesiano integra diversos factores que influyen en el resultado y genera estimaciones probabilísticas más explicables que un simple resultado binario.
- Procesamiento de imágenes. Tiene múltiples usos, como eliminar ruido aplicando técnicas como cadenas de Márkov Monte Carlo y el propio teorema de Bayes.
- Procesamiento del habla. El clustering bayesiano no paramétrico (BNC) se usa en redes neuronales jerárquicas no paramétricas para reconocimiento de voz y de emociones, superando a modelos de referencia en tareas similares.
Inferencia causal en machine learning
La inferencia causal es un enfoque estadístico usado en IA y machine learning para entender relaciones de causa y efecto entre atributos.
Por ejemplo, en marketing, quienes toman decisiones pueden querer saber qué campaña genera la mayor tasa de conversión. La inferencia causal ayuda a identificar la relación causal entre la conversión y la campaña para maximizar resultados.
Nuestro curso Statistical inference with R puede ayudarte a dominar las habilidades esenciales de inferencia estadística para entender, interpretar y ajustar tus modelos estadísticos y de machine learning.
Importancia de la inferencia causal en machine learning
La inferencia causal es importante en machine learning por varias razones, entre ellas la precisión de las predicciones y la equidad. Veámoslas brevemente.
- Predicción más eficiente. En muchos casos de uso, la correlación no basta porque no implica causalidad. La inferencia causal permite a los ingenieros de machine learning identificar relaciones causales subyacentes entre variables, lo que conduce a predicciones más precisas.
- Equidad. Aplicar inferencia causal ayuda a detectar las causas de sesgo en los datos. Esto permite tomar medidas para mitigarlo y así desarrollar modelos de machine learning más justos.
Retos al implementar inferencia causal en machine learning
Como otras técnicas de machine learning, la inferencia causal conlleva retos propios, entre los que se incluyen:
- Datos de calidad y en volumen. Para una inferencia causal válida hacen falta datos abundantes y de calidad. Sin embargo, los datos reales suelen ser desordenados y es difícil lograr un enfoque que los deje libres de errores.
- Interpretabilidad. Los métodos para estimar la causalidad suelen ser complejos y requieren sólida base estadística y conocimiento profundo del dominio para interpretar bien los resultados.
- Variables de confusión. Son variables relacionadas tanto con la independiente como con la dependiente. Pueden sesgar el efecto causal verdadero de las independientes, dificultando estimarlo con precisión.
Conclusión
En este artículo hemos visto qué es la inferencia en machine learning, en qué se diferencia del entrenamiento y varias recomendaciones clave para elegir entre una u otra. Además de destacar la inferencia bayesiana y la causal, también hemos ilustrado su importancia y sus retos en machine learning.
Recuerda: la inferencia es imprescindible para que cualquier modelo de machine learning sea útil en la práctica. Solo mediante la inferencia los modelos pueden integrarse en aplicaciones existentes y ser utilizados por el negocio y otros equipos para generar mayor impacto.
