La precisión de un modelo de inteligencia artificial no basta para garantizar que sus resultados sean fiables. Antes de construir cualquier modelo, es necesario comprender, analizar e interpretar adecuadamente los datos y conocer el sistema que se pretende representar. Esta es una de las principales ideas defendidas por Alejandro Cisterna, investigador de ETH Zürich, durante una charla impartida en la Escuela de Industriales de la Universidad Politécnica de Cartagena (UPCT).
Cisterna puso el foco en la importancia de ir más allá de la precisión a la hora de evaluar un modelo de inteligencia artificial. A su juicio, el éxito de estas herramientas depende también de la calidad de los datos y del conocimiento del sistema que representa el modelo.
La reflexión fue el eje de la charla ‘Primero piensa, después modeliza: más allá de la precisión’ (‘Think First, Model Later: Beyond Accuracy’), que el investigador impartió el pasado miércoles en la UPCT.
Comprender los datos antes de construir un modelo de inteligencia artificial
El planteamiento de Alejandro Cisterna sitúa el análisis y la interpretación de los datos como una fase fundamental antes de abordar cualquier proceso de modelización mediante inteligencia artificial.
La construcción de un modelo no debería centrarse únicamente en conseguir el mayor nivel posible de precisión. También es necesario conocer qué información contienen los datos y comprender adecuadamente el sistema que se quiere representar.
De este modo, la calidad de un modelo de inteligencia artificial está relacionada tanto con su capacidad para ofrecer resultados precisos como con la calidad de los datos utilizados y el conocimiento del problema que se pretende resolver.
Este enfoque resulta especialmente relevante en investigación e innovación, donde los modelos de inteligencia artificial se aplican a sistemas y fenómenos de características muy diferentes.
De la biomedicina al sector agroalimentario
Durante su intervención, Cisterna presentó casos prácticos de aplicación de técnicas de inteligencia artificial en ámbitos como la biomedicina y el sector agroalimentario.
Los ejemplos permitieron mostrar algunos de los retos que plantea el tratamiento de datos y la construcción de modelos fiables, pero también las oportunidades que ofrecen estas herramientas para la investigación y la innovación.
La diversidad de aplicaciones sirvió para poner de manifiesto que la inteligencia artificial puede utilizarse en campos muy diferentes, pero que su aplicación requiere en todos ellos un adecuado conocimiento de los datos y del sistema que se pretende modelizar.
La calidad de los datos, clave para obtener modelos fiables
La idea defendida por el investigador de ETH Zürich pone el énfasis en una cuestión que afecta a cualquier proceso de modelización basado en inteligencia artificial: un modelo no puede valorarse únicamente por su precisión.
El tratamiento de los datos, su análisis y su interpretación forman parte del proceso necesario para desarrollar modelos capaces de representar adecuadamente los sistemas estudiados.
Por ello, antes de abordar la construcción de un modelo, resulta fundamental comprender qué datos se están utilizando y qué información aportan sobre el fenómeno analizado.
Estudiantes e investigadores de la UPCT conocen los retos de la inteligencia artificial
La charla reunió a estudiantes de distintos grados e investigadores de diversas áreas de la UPCT. Entre los asistentes se encontraban alumnos de Ingeniería Electrónica y Automática y de Ciencia e Ingeniería de Datos.
La actividad permitió acercar a estos perfiles los retos asociados al tratamiento de datos y a la construcción de modelos de inteligencia artificial, así como sus aplicaciones en ámbitos como la biomedicina y el sector agroalimentario.
La principal conclusión de la intervención de Alejandro Cisterna puede resumirse en la propia idea que dio título a su charla: primero hay que comprender los datos y el sistema; después, construir el modelo.
