Introducción y ciclo de vida del ML¶

Este curso está diseñado para estudiantes que comienzan desde cero y avanzan hacia el
pensamiento de MLOps en producción. El objetivo no es solo definir términos, sino construir intuición sobre cómo
se diseñan, se entregan y se operan los sistemas reales de ML.

Para quién es esto¶

• Principiantes que saben poco o nada sobre ML.
• Ingenieros que saben programar pero necesitan comprender la plataforma de ML de extremo a extremo.
• Equipos que se preparan para desplegar cargas de trabajo de Azure ML en producción.

Resultados de aprendizaje¶

Al finalizar este módulo, deberías ser capaz de:

1. Explicar la diferencia entre IA, ML y ciencia de datos.
2. Identificar las principales categorías de IA y ML.
3. Describir el ciclo de vida de Azure ML desde el planteamiento del problema hasta el monitoreo.
4. Explicar cómo un modelo desplegado se expone como una API o servicio web.

IA vs ML vs ciencia de datos¶

Relación clave para principiantes:

• La IA es el paraguas que abarca todo.
• El ML es una de las principales formas de construir sistemas de IA.
• La ciencia de datos usa estadística, ML y conocimiento del dominio para resolver problemas de negocio
  y comunicar hallazgos.

En resumen: la IA es la misión, el ML es un método y la ciencia de datos es la práctica más amplia.

Principales categorías de IA¶

Nota práctica: muchas soluciones empresariales combinan categorías. Ejemplo: un sistema de fraude puede
usar puntuación de ML supervisado más barreras de protección basadas en reglas.

Tipos de ML de un vistazo¶

Puntos de confusión comunes¶

• Un modelo puede ser "preciso" pero aun así inutilizable si la latencia es demasiado alta.
• Un modelo puede ser estadísticamente sólido pero fallar en las comprobaciones de equidad/cumplimiento.
• Un modelo no es un producto por sí solo; el sistema de datos y operaciones que lo rodea importa.
• El aprendizaje profundo es un subconjunto del ML, no algo separado; usa redes neuronales con muchas capas.
• "Entrenar" un modelo significa encontrar valores de parámetros que minimicen una función de pérdida sobre los datos, no enseñar en el sentido humano.

Ejemplo del mundo real: recomendación de comercio electrónico¶

Para concretar esto, así es como toda la pila tecnológica se asigna a un producto:

El modelo es un componente. El pipeline que lo rodea es lo que lo hace confiable.

Por qué importa Azure ML¶

Azure Machine Learning te ofrece la plataforma administrada para ejecutar el ciclo de vida completo con
reproducibilidad y gobernanza: activos de datos/modelos versionados, ejecuciones rastreadas, endpoints de
despliegue y monitoreo.

Azure Machine Learning organiza el ciclo de vida de extremo a extremo:

1. Planteamiento del problema
2. Preparación de datos
3. Entrenamiento y validación
4. Registro del modelo
5. Despliegue
6. Monitoreo y reentrenamiento

Esto no es un camino lineal. Los sistemas de producción hacen un ciclo continuo desde el monitoreo de vuelta a
los datos y el entrenamiento cuando la calidad del modelo o las distribuciones de datos cambian.

Qué hace cada etapa¶

Nota: la etapa 1 (planteamiento del problema) a menudo recibe poca inversión. La razón más común por la que los proyectos de ML fallan es un objetivo de negocio mal definido, no un modelo débil.

Nota - Qué muestra esto: La pila de ML de producción es mucho más grande que el modelo en sí: la ingesta, el almacenamiento de características,
la orquestación del entrenamiento, el servicio y el monitoreo son todas herramientas distintas. La conclusión para quienes aprenden Azure
ML es que elegir un modelo es una casilla entre muchas: la mayor parte del trabajo de confiabilidad ocurre en
la infraestructura circundante.

Nota - Qué muestra esto: Las etapas del flujo de trabajo se asignan una a una al ciclo de vida de Azure ML (planteamiento del problema → datos →
entrenamiento → registro → despliegue → monitoreo). Observa el bucle de regreso del monitoreo a
los datos/entrenamiento: el ML de producción es iterativo, no un pipeline unidireccional.

Nota - Qué muestra esto: Una vista de extremo a extremo de cómo los datos en bruto se convierten en una predicción servida. Úsala para ubicar dónde encaja cada
módulo posterior: la preparación de datos, el entrenamiento del modelo, el despliegue y el monitoreo son todas etapas
de este único flujo.

Servicio web vs API¶

• Un modelo de Azure ML desplegado normalmente se expone como un endpoint de API REST.
• En la práctica, los equipos suelen decir "servicio web" para referirse a la interfaz de scoring desplegada.

Análisis a fondo: cada concepto, explicado¶

Esta sección amplía los términos usados arriba para que ningún concepto quede como una caja negra.

Qué significa realmente "aprender a partir de datos"¶

Un programa clásico es una función fija escrita por un humano: output = program(input).
El aprendizaje automático invierte esto. Tú proporcionas ejemplos de entradas y salidas deseadas, y
un procedimiento de optimización busca una función que las reproduzca y, lo que es crucial,
generalice a entradas no vistas. Formalmente, el ML asume que los datos provienen de una distribución
conjunta desconocida \(P(X, Y)\), y el objetivo es aprender una función \(f\) que minimice el
riesgo esperado sobre esa distribución:

Como \(P\) es desconocida, en su lugar minimizamos el riesgo empírico sobre una muestra finita
(el conjunto de entrenamiento). Toda la disciplina del ML consiste en hacer que esa aproximación
sea confiable: por eso la calidad de los datos, la validación y el monitoreo importan tanto como el
algoritmo.

IA, ML, aprendizaje profundo y GenAI como conjuntos anidados¶

El modelo mental: cada uno es un subconjunto estricto del anterior. Una regresión logística es
ML pero no aprendizaje profundo; una CNN es aprendizaje profundo; un modelo de difusión o un LLM es aprendizaje profundo
y IA generativa.

Supervisado, no supervisado y por refuerzo: la señal que impulsa el aprendizaje¶

Las familias difieren solo en qué señal de retroalimentación está disponible:

• Supervisado: cada ejemplo lleva una respuesta correcta \(y\). La pérdida mide directamente la
  brecha entre la predicción y la verdad, de modo que el gradiente "sabe" en qué dirección moverse.
• No supervisado: no hay \(y\). En su lugar, el objetivo recompensa la estructura que el modelo
  descubre por sí mismo: minimizar el error de reconstrucción, maximizar la compacidad de los grupos o
  maximizar la verosimilitud de los datos bajo un modelo de densidad.
• Por refuerzo: la retroalimentación es una recompensa escalar y retardada obtenida al interactuar con un
  entorno. La parte difícil es la asignación de crédito: decidir qué acciones anteriores causaron
  una recompensa posterior.
• El autosupervisado es el puente que impulsa los modelos fundacionales: fabrica una
  señal supervisada a partir de los propios datos (predecir la palabra enmascarada, el siguiente token, el
  parche de imagen faltante), brindando los beneficios de escala del aprendizaje supervisado sin etiquetas manuales.

Por qué "el pipeline importa más que el modelo"¶

El diagrama del ciclo de vida es un bucle cerrado a propósito. En producción, el modo de falla dominante es
no un algoritmo débil, sino un cambio de distribución: los datos que el modelo ve en producción
se alejan de los datos con los que fue entrenado (P_train(X) ≠ P_prod(X)), de modo que un modelo que era
preciso al lanzarse se degrada silenciosamente. La arista de retroalimentación monitoreo → entrenamiento existe para
detectar esto y reentrenar. Esta es la idea central de MLOps: tratar los datos, los modelos y los
despliegues como activos versionados, comprobables y observables en lugar de artefactos de un solo uso.

Latencia, rendimiento y por qué un "buen" modelo puede ser inutilizable¶

Dos términos operativos aparecen a lo largo del curso:

• Latencia: tiempo para atender una sola solicitud (a menudo medido en el percentil p95 o p99,
  no en el promedio, porque la latencia de cola es lo que los usuarios sienten).
• Rendimiento: solicitudes atendidas por segundo (QPS) con una latencia aceptable.

Un modelo que obtiene 0.99 de AUC pero necesita 800 ms por llamada puede ser inútil para un flujo de pago
con un presupuesto de 100 ms. Por lo tanto, la selección del modelo es siempre una optimización conjunta sobre
la exactitud, la latencia, el costo y las restricciones de gobernanza: un tema que se repite en cada módulo posterior.

Planteamiento del problema en la práctica: convertir un objetivo de negocio en una tarea de ML¶

El planteamiento del problema es la etapa donde la mayoría de los proyectos se ganan o se pierden silenciosamente, así que merece una
lista de verificación concreta. El trabajo consiste en traducir un deseo de negocio vago ("reducir la fuga de clientes") en una
tarea de aprendizaje precisa y medible. Cinco preguntas fuerzan esa traducción:

1. ¿Qué decisión cambia a causa de la predicción? Si ningún humano o sistema actuará
   de manera diferente, el modelo no tiene valor. "Predecir la fuga de clientes" solo es útil si activa una
   oferta de retención. La decisión define todo el proyecto.
2. ¿Cuál es la unidad de predicción? ¿Una fila por cliente? ¿Por cliente por mes? ¿Por
   sesión? Esto fija la granularidad de tus datos y etiquetas.
3. ¿Qué es exactamente la etiqueta? "Fuga de clientes" debe convertirse en una regla: por ejemplo, "ninguna compra en
   los próximos 60 días". Las etiquetas ambiguas producen modelos que aprenden lo incorrecto.
4. ¿Cómo se ve el éxito como un número? Vincula el modelo a un KPI de negocio (ingresos
   retenidos, fraude detectado, costo evitado), no solo a la exactitud. Esta es la métrica por la que se juzga el
   proyecto.
5. ¿Cuál es el costo de cada tipo de error? Un falso positivo (marcar a un cliente leal) y
   un falso negativo (pasar por alto a uno que se va) rara vez cuestan lo mismo. Esta asimetría impulsa la función
   de pérdida y el umbral de decisión en los módulos posteriores.

Nota - La trampa del planteamiento: Un modelo técnicamente excelente construido sobre un problema mal planteado
es peor que inútil: produce respuestas seguras y bien validadas a la pregunta equivocada.
Dedica tiempo real aquí antes de tocar los datos o los algoritmos.

Un recorrido numérico concreto¶

Para desmitificar que "el modelo es solo matemáticas", aquí está el ejemplo de extremo a extremo más pequeño posible. Supongamos
que predecimos si un correo electrónico es spam a partir de una sola característica, el número de enlaces sospechosos \(x\). Un
modelo de regresión logística aprende dos números, un peso \(w\) y un sesgo \(b\), y calcula:

Digamos que el entrenamiento se estabiliza en \(w = 1.2\) y \(b = -2.0\). Para un correo electrónico con \(x = 3\) enlaces, la puntuación es
\(wx + b = 1.6\), y \(\hat{p} = 1/(1 + e^{-1.6}) \approx 0.83\). Con un umbral de decisión de
\(0.5\), el correo electrónico se marca como spam. Cada modelo en este curso es una versión más rica de exactamente
esto: aprender parámetros a partir de ejemplos, combinarlos con la entrada para obtener una puntuación y luego aplicar un
umbral para tomar una decisión.

API REST, endpoint y servicio web: la misma idea en distintas capas¶

• Una API REST es un contrato HTTP: un cliente envía una solicitud (normalmente JSON) a una URL y
  obtiene una respuesta estructurada. "REST" significa que usa verbos HTTP estándar y es sin estado.
• Un endpoint en Azure ML es el despliegue concreto y direccionable de esa API, con
  autenticación, escalado y enrutamiento de tráfico incorporados.
• "Servicio web" es el nombre informal que los equipos dan al endpoint en ejecución. Los tres describen
  lo mismo visto desde el contrato, la plataforma y el vocabulario del equipo respectivamente.

Distinción práctica:

• La API describe el contrato (esquema de solicitud/respuesta, autenticación, versionado).
• El servicio web es la implementación alojada de esa API.
• En los endpoints en línea de Azure ML, diseñas el contrato de la API a través del payload de scoring
  y la autenticación del endpoint, y Azure aloja el servicio.

Flujo de una solicitud de inferencia (simple)¶

1. El cliente envía un payload JSON al URI del endpoint.
2. La autenticación del endpoint valida la identidad/clave.
3. El script de scoring analiza la entrada y ejecuta el modelo.
4. La API devuelve la respuesta de predicción + metadatos.

Flujo de una solicitud de inferencia (detallado)¶

Consideraciones clave de producción para este flujo:

• La validación de esquema en el script de scoring protege contra formas de entrada inesperadas.
• El registro de hashes de entrada (no PII en crudo) permite el análisis de drift y la auditoría posteriores.
• Los tiempos de espera y los reintentos deben definirse tanto en la capa de gateway como en la del cliente para evitar fallos silenciosos.

Consejo - Modelo mental: Un servicio web es el despliegue en ejecución; la API es el contrato que usan los clientes para llamarlo.
En Azure ML un modelo se envuelve detrás de un endpoint REST: los clientes envían JSON y reciben una
predicción, sin saber qué modelo o framework se ejecuta por debajo.

Nota - Comparación rápida: La tabla contrasta el término informal servicio web con el término técnico API. Describen
la misma interfaz de scoring desplegada desde dos ángulos: el proceso en ejecución frente al
contrato HTTP que expone.

Glosario de términos clave¶

Este glosario reúne en un solo lugar el vocabulario introducido arriba para que los módulos posteriores puedan asumirlo.
Cada término se define en una frase sencilla.

Verificación rápida¶

Fundamentos de probabilidad para el ML¶

El aprendizaje automático es fundamentalmente probabilidad aplicada. Cada función de pérdida, cada métrica y cada garantía de generalización tiene un argumento probabilístico detrás. Esta sección construye el vocabulario mínimo necesario.

Probabilidad conjunta y marginal¶

La probabilidad conjunta \(P(X = x, Y = y)\) es la probabilidad de que un ejemplo extraído aleatoriamente tenga valor de característica \(x\) y etiqueta \(y\) simultáneamente. El aprendizaje supervisado asume que tu conjunto de datos se muestrea i.i.d. de esta distribución conjunta.

La probabilidad marginal de \(X\) se obtiene sumando (o integrando) \(Y\):

Esto no te dice nada sobre la etiqueta: solo cómo luce la entrada.

Probabilidad condicional¶

La probabilidad condicional \(P(Y = y \mid X = x)\) es la probabilidad de la etiqueta \(y\) dado que la entrada es \(x\). Esto es exactamente lo que un clasificador aprende a estimar. Formalmente:

El denominador \(P(X)\) normaliza la conjunta para que las probabilidades sobre todos los \(y\) sumen 1. Cuando un modelo produce una "probabilidad" de la clase 1, está estimando \(P(Y=1 \mid X=x)\).

Teorema de Bayes¶

El teorema de Bayes es el motor central del razonamiento probabilístico. Invierte el condicionamiento:

• \(P(Y)\) es la distribución a priori: lo que crees sobre \(Y\) antes de ver \(X\). Para spam, esto podría ser "el 5% de todos los correos son spam."
• \(P(X \mid Y)\) es la verosimilitud: ¿qué tan probable es esta entrada dada la etiqueta? Por ejemplo, ¿qué tan probable es la palabra "lotería" en un correo spam?
• \(P(Y \mid X)\) es la distribución a posteriori: tu creencia actualizada después de ver \(X\). Esto es lo que quieres.
• \(P(X)\) es la evidencia: una constante de normalización.

Un clasificador Naive Bayes aplica directamente este teorema, asumiendo que las características son condicionalmente independientes dada la clase. A pesar de esta suposición poco realista, funciona sorprendentemente bien en la clasificación de texto porque se conserva el ordenamiento relativo de las distribuciones a posteriori.

Por qué el pensamiento probabilístico es esencial para el ML¶

• Calibración: un modelo que predice una probabilidad de 0.9 debería acertar el 90% de las veces. Los modelos mal calibrados engañan a los sistemas de decisión posteriores.
• Cuantificación de la incertidumbre: saber qué tan seguro está el modelo importa tanto como la predicción misma en entornos médicos y financieros.
• Derivación de la pérdida: la mayoría de las funciones de pérdida estándar (entropía cruzada, MSE) surgen naturalmente como objetivos de máxima verosimilitud bajo suposiciones probabilísticas específicas.
• Manejo del desequilibrio de clases: los conjuntos de datos desequilibrados tienen una distribución a priori sesgada \(P(Y)\); comprenderlo evita que la exactitud ingenua sea una métrica engañosa.

Nota - Probabilidad vs estadística: La probabilidad razona hacia adelante desde un modelo conocido hacia los datos. La estadística razona hacia atrás desde los datos hacia los parámetros desconocidos. El ML hace ambas simultáneamente: usa estimación estadística para aprender un modelo probabilístico, luego usa ese modelo para razonar hacia adelante en el momento de la inferencia.

Teoría de la información y entropía en el ML¶

La teoría de la información, desarrollada por Claude Shannon en 1948, proporciona el lenguaje matemático para medir la incertidumbre. Resulta ser el fundamento natural para las pérdidas de clasificación.

Entropía: midiendo la incertidumbre¶

La entropía de una distribución de probabilidad discreta \(P\) sobre \(K\) clases mide la sorpresa promedio (imprevisibilidad) de extraer una muestra:

La entropía se mide en bits cuando se usa \(\log_2\), y en nats cuando se usa \(\ln\). Propiedades clave:

• \(H = 0\) cuando una clase tiene probabilidad 1 (sin incertidumbre).
• \(H\) se maximiza en \(\log_2 K\) bits cuando todas las \(K\) clases son igualmente probables (máxima incertidumbre).
• Para una moneda justa (binaria, \(p = 0.5\)): \(H = -0.5 \log_2 0.5 - 0.5 \log_2 0.5 = 1\) bit.

La entropía cruzada como pérdida natural de clasificación¶

Supongamos que la distribución verdadera sobre las clases es \(P\) (el vector one-hot de etiquetas), y tu modelo produce una distribución predicha \(Q\) (las salidas del softmax). La entropía cruzada entre \(P\) y \(Q\) es:

Para un único ejemplo con clase verdadera \(c\), el vector one-hot hace que \(p_k = 1\) solo para \(k = c\), de modo que esto se reduce a:

Esto es exactamente la log-verosimilitud negativa de la clase correcta bajo la distribución del modelo. Minimizar la entropía cruzada equivale a maximizar la probabilidad que el modelo asigna a las etiquetas verdaderas, el objetivo más fundamentado posible.

La entropía cruzada promediada sobre un conjunto de datos es la pérdida de entropía cruzada categórica estándar usada en prácticamente todos los modelos de clasificación:

Divergencia KL: midiendo la discrepancia entre distribuciones¶

La divergencia de Kullback-Leibler (KL) de la distribución \(Q\) a \(P\) mide cuánta información se pierde cuando \(Q\) se usa para aproximar \(P\):

Datos clave:

• \(D_{KL}(P \| Q) \geq 0\) siempre, con igualdad solo cuando \(P = Q\) (desigualdad de Gibbs).
• Es asimétrica: \(D_{KL}(P \| Q) \neq D_{KL}(Q \| P)\) en general.
• Minimizar la entropía cruzada \(H(P, Q)\) respecto a los parámetros del modelo es idéntico a minimizar \(D_{KL}(P \| Q)\), porque \(H(P)\) no depende del modelo.

La divergencia KL aparece en todo el ML: en los autoencoders variacionales (como término de regularización), en la destilación del conocimiento (alineando distribuciones de estudiante y maestro) y en el monitoreo (midiendo cuánto se ha alejado una distribución de producción del entrenamiento).

Consejo - Intuición para la entropía cruzada: Piensa en \(-\log q_c\) como el "costo" de codificar la clase verdadera usando la distribución de probabilidad de tu modelo. Si el modelo es muy seguro y correcto (\(q_c \approx 1\)), el costo es cercano a cero. Si el modelo está seguro pero equivocado (\(q_c \approx 0\)), el costo es enorme. Por eso la entropía cruzada penaliza fuertemente los errores con exceso de confianza.

Resumen de la teoría del aprendizaje estadístico¶

La teoría del aprendizaje estadístico es la rama de la matemática que pregunta: ¿cuándo funciona realmente la minimización del riesgo empírico? Proporciona garantías formales que conectan lo que observamos en los datos de entrenamiento con lo que podemos esperar en datos no vistos.

El problema de la generalización de forma formal¶

Queremos aprender una función \(f\) de una clase de hipótesis \(\mathcal{H}\) tal que el riesgo verdadero \(R(f)\) sea pequeño. Solo tenemos acceso al riesgo empírico sobre \(N\) muestras:

La brecha de generalización \(R(f) - \hat{R}(f)\) es la cantidad central que la teoría intenta acotar.

Aprendizaje PAC¶

El aprendizaje PAC (Probablemente Aproximadamente Correcto), introducido por Leslie Valiant (1984), formaliza qué significa que un algoritmo de aprendizaje tenga éxito. Un algoritmo aprende PAC una clase de conceptos \(\mathcal{C}\) si: para cualquier concepto objetivo, cualquier distribución sobre las entradas, y cualquier \(\epsilon, \delta > 0\), el algoritmo produce una hipótesis \(h\) tal que:

usando un número de muestras que es polinomial en \(1/\epsilon\), \(1/\delta\) y la complejidad de la clase de conceptos. De forma intuitiva: con suficientes datos, el algoritmo encontrará (con alta probabilidad) una hipótesis cuyo error verdadero sea pequeño.

Dimensión VC¶

La dimensión de Vapnik-Chervonenkis (VC) de una clase de hipótesis \(\mathcal{H}\) es el conjunto más grande de puntos que \(\mathcal{H}\) puede destrozar: clasificar de todas las \(2^n\) formas binarias posibles. Mide el poder expresivo de la clase del modelo.

Ejemplos:

• Clasificadores lineales en \(\mathbb{R}^2\) (semiplanos): dimensión VC = 3. Cualquier 3 puntos no colineales pueden destrozarse; ningún conjunto de 4 puede.
• Decision stumps (umbral en una sola característica): dimensión VC = 2.
• \(k\) vecinos más cercanos: dimensión VC = \(\infty\) (infinitamente expresivo).

La cota de complejidad muestral fundamental:

donde \(d_{VC}\) es la dimensión VC. Para reducir a la mitad el error permitido \(\epsilon\), necesitas aproximadamente cuatro veces más datos.

Cotas de generalización¶

Una cota de convergencia uniforme establece que con probabilidad al menos \(1 - \delta\):

Implicaciones prácticas:

• Más datos (\(N\) aumenta): la cota se ajusta, la varianza disminuye.
• Modelo más complejo (\(d_{VC}\) aumenta): la cota se afloja, la varianza aumenta.
• El sesgo no está capturado por esta cota; solo describe cuánto puede sobreajustarse el modelo.

Por qué más datos ayuda con la varianza pero no con el sesgo¶

Aumentar \(N\) reduce la brecha de generalización concentrando la distribución empírica alrededor de la distribución verdadera (ley de los grandes números). Sin embargo, si la clase de hipótesis es demasiado simple (pequeño \(d_{VC}\)), ninguna cantidad de datos permitirá al modelo expresar la función verdadera: eso es sesgo, una limitación estructural de la familia del modelo.

Nota - Implicación práctica: Si tu modelo se estanca a pesar de añadir datos, el problema es el sesgo (capacidad). Si el error de entrenamiento y de prueba divergen, el problema es la varianza (complejidad). Estos dos diagnósticos guían todas las decisiones de selección de modelos.

El método científico como flujo de trabajo de ML¶

Una buena práctica de ML es buena ciencia. El método científico proporciona la disciplina epistemológica que evita que los equipos se engañen a sí mismos.

Mapeo de la ciencia al ML¶

Experimentos controlados en ML¶

Un experimento controlado cambia una variable a la vez. En ML esto significa:

• Al comparar modelos, mantener fijo el conjunto de datos, el preprocesamiento y la métrica de evaluación.
• Al comparar conjuntos de características, mantener fija la arquitectura del modelo y los hiperparámetros.
• Al comparar hiperparámetros, usar la misma semilla aleatoria y la misma división de datos.

El seguimiento de experimentos de Azure ML aplica esta disciplina registrando cada ejecución con sus hiperparámetros, versión de datos, commit de código y métricas.

Reproducibilidad y sus enemigos¶

Un resultado es reproducible si cualquier persona con las mismas entradas puede obtener las mismas salidas. La reproducibilidad está amenazada por:

• Semillas aleatorias: la aleatoriedad en la inicialización de pesos, el mezclado de datos o el aumento de datos debe fijarse y registrarse.
• Versiones de bibliotecas: una versión diferente de scikit-learn o PyTorch puede producir resultados numéricamente distintos.
• Versión de datos: si el conjunto de datos de entrenamiento cambia sin versionado, no puedes recrear ejecuciones históricas.
• Hardware: el no-determinismo de las GPU significa que la reproducción bit a bit a veces requiere fijar el hardware.

Azure ML aborda estos problemas con el versionado de conjuntos de datos, instantáneas de entornos y metadatos de reproducibilidad de ejecuciones.

Consejo - La lista de verificación de reproducibilidad: Antes de publicar o desplegar un resultado, verifica: (1) la versión de los datos está fijada, (2) el commit del código está etiquetado, (3) el entorno está en contenedor, (4) las semillas aleatorias están registradas. Un resultado que no puede reproducirse no es un resultado.

IA responsable y encuadre ético¶

La IA responsable no es una casilla que marcar al final de un proyecto, sino una disciplina de diseño que debe estar incorporada desde el planteamiento del problema en adelante.

Por qué la ética es una preocupación de ingeniería de primera clase¶

Un modelo codifica decisiones. Esas decisiones afectan a personas. Cuando un modelo de puntuación de crédito deniega un préstamo, un modelo de contratación clasifica currículums o un modelo de triaje médico asigna atención, las consecuencias posteriores son reales y potencialmente discriminatorias. La pregunta "¿es preciso este modelo?" está incompleta sin preguntarse también "¿preciso para quién, y a qué costo para qué grupo?"

Definiciones de equidad¶

No existe una única definición acordada de equidad. Las tres definiciones estadísticas más comunes son:

Paridad demográfica (paridad estadística): La tasa de predicción positiva es igual en los grupos \(A\) y \(B\):

Esto garantiza igual representación de resultados positivos. No requiere igual exactitud.

Odds igualadas: Tanto la tasa de verdaderos positivos (TPR) como la tasa de falsos positivos (FPR) son iguales entre grupos:

Esto es más estricto: el modelo debe ser igualmente preciso e igualmente inexacto entre grupos.

Calibración: La probabilidad predicha \(\hat{p}\) coincide con la tasa de verdaderos positivos dentro de cada grupo. Un modelo calibrado a nivel de población puede estar mal calibrado dentro de subgrupos, un modo de fallo común en la puntuación médica.

Nota - El teorema de imposibilidad: Es matemáticamente imposible satisfacer la paridad demográfica, las odds igualadas y la calibración simultáneamente cuando las tasas base difieren entre grupos (Chouldechova 2017; Kleinberg et al. 2016). Elegir un criterio de equidad es un juicio de valor que debe involucrar a las partes interesadas, no solo a los ingenieros.

Transparencia y explicabilidad¶

• La transparencia se refiere a la capacidad de entender por qué un modelo tomó una decisión específica. Los modelos opacos de "caja negra" crean vacíos de responsabilidad en industrias reguladas.
• Las técnicas de explicabilidad (SHAP, LIME, visualización de atención) aproximan o exponen las atribuciones de características. Estas se tratan en el módulo de Resultados y Explicabilidad.
• Regulaciones como el RGPD (Artículo 22) y la Ley de IA de la UE exigen que las decisiones automatizadas que afectan a individuos sean explicables bajo solicitud.

Privacidad y minimización de datos¶

• Minimización de datos: solo recopilar y usar las características necesarias para la tarea. Cada atributo personal adicional es un pasivo.
• Privacidad diferencial: una garantía matemática formal de que la presencia o ausencia de cualquier individuo en los datos de entrenamiento no puede inferirse de la salida del modelo.
• Aprendizaje federado: entrenar modelos sobre datos que nunca salen del dispositivo o la institución. Los gradientes se agregan centralmente pero los datos en bruto permanecen locales.

Responsabilidad y gobernanza¶

• Cada modelo desplegado en producción debería tener un propietario nombrado responsable del monitoreo, reentrenamiento y retirada.
• Las tarjetas de modelo documentan el uso previsto de un modelo, el rendimiento entre subgrupos, las limitaciones conocidas y los usos fuera de alcance. Son el rastro de auditoría que requieren las organizaciones reguladas.
• En el marco de la Ley de IA de la UE, los sistemas de IA de alto riesgo (contratación, crédito, identificación biométrica, infraestructura crítica) se enfrentan a evaluaciones obligatorias de conformidad, requisitos de registro y mecanismos de supervisión humana.

Nota - RGPD y Azure ML: Si los datos de entrenamiento incluyen datos personales de residentes de la UE, el responsable del tratamiento debe documentar la base legal, el período de retención y el propósito del tratamiento. Las salidas del modelo que constituyen decisiones automatizadas que desencadenan efectos jurídicos requieren una vía de revisión humana. Los registros de auditoría de Azure ML y las características de linaje de conjuntos de datos apoyan directamente este requisito de cumplimiento.

Taxonomía de aplicaciones industriales¶

La tabla siguiente cataloga 22 aplicaciones reales de ML en las principales industrias. Para cada aplicación se enumeran el tipo de problema de ML relevante, la familia de modelos típica, el tipo de datos y un riesgo clave de despliegue.

Nota - Cómo usar esta tabla: Antes de seleccionar una familia de modelos, identifica la fila de tu industria. La columna "Riesgo clave" es la más valiosa: contiene el modo de fallo específico observado con más frecuencia en producción para ese tipo de aplicación. Ignorarlo es la causa más frecuente de proyectos de ML que tienen éxito en la evaluación offline pero fracasan en el despliegue.

Un recorrido numérico completo: clasificación de spam desde cero¶

Esta sección recorre un ejemplo de clasificación de spam de extremo a extremo con aritmética completa en cada paso. Ningún paso se deja como "y luego ocurre la magia."

Paso 1: Definición del problema y características¶

Tarea: clasificar un correo electrónico como spam (1) o no spam (0).

Características (dos, por claridad):

• \(x_1\): número de enlaces sospechosos en el correo.
• \(x_2\): 1 si el asunto contiene la palabra "FREE", 0 en caso contrario.

Conjunto de datos de entrenamiento (cuatro ejemplos):

Paso 2: El modelo de regresión logística¶

La regresión logística aprende pesos \(w_1, w_2\) y un sesgo \(b\) para calcular:

La función sigmoide \(\sigma\) aplana cualquier número real a \((0, 1)\), haciéndolo interpretable como probabilidad.

Inicialización: \(w_1 = 0,\; w_2 = 0,\; b = 0\).

Paso 3: Pase hacia adelante: calcular predicciones¶

Con todos los parámetros en cero, \(z_i = 0\) para todos los correos, por lo que \(\hat{p}_i = \sigma(0) = 0.5\) para los cuatro ejemplos.

Paso 4: Calcular la pérdida de entropía cruzada binaria¶

Para \(\hat{p}_i = 0.5\) y \(N = 4\), cada término es igual a \(-\log 0.5 = \log 2 \approx 0.693\).

Total: \(\mathcal{L} = 0.693\). Esta es la línea de base de máxima entropía: el modelo no sabe nada.

Paso 5: Calcular los gradientes¶

Para la regresión logística con entropía cruzada binaria, el gradiente respecto a \(w_j\) es:

Gradiente para \(w_1\):

Gradiente para \(w_2\):

Gradiente para \(b\):

Paso 6: Actualización por descenso de gradiente¶

Con tasa de aprendizaje \(\eta = 0.5\):

Tanto \(w_1\) como \(w_2\) se volvieron positivos, lo que tiene sentido: más enlaces y "FREE" en el asunto ambos aumentan la probabilidad de spam.

Paso 7: Segundo pase hacia adelante¶

Recalcular predicciones con los pesos actualizados:

Los correos spam (A, C) ahora tienen probabilidades superiores a 0.5. Después de más iteraciones de descenso de gradiente, el modelo separará limpiamente las clases.

Paso 8: Evaluar con una matriz de confusión¶

Tras la convergencia completa, predicciones con umbral \(0.5\):

Métricas derivadas:

• Precisión \(= \frac{VP}{VP + FP} = \frac{2}{2} = 1.0\)
• Exhaustividad \(= \frac{VP}{VP + FN} = \frac{2}{2} = 1.0\)
• F1 \(= 2 \cdot \frac{1.0 \times 1.0}{1.0 + 1.0} = 1.0\)

Nota - Qué enseña este recorrido: El pipeline completo de ML, definir características, inicializar pesos, pase hacia adelante, calcular pérdida, calcular gradientes, actualizar, repetir, es aritmética. Cada modelo de aprendizaje profundo, por grande que sea, está haciendo exactamente esta secuencia. La complejidad crece pero el principio no cambia.

Verificación rápida (ampliada)¶