Glosario IA
El diccionario completo de la Inteligencia Artificial
Aprendizaje activo sensible al presupuesto
Paradigma de aprendizaje activo que integra explícitamente restricciones presupuestarias en el proceso de selección de instancias a anotar. Este enfoque optimiza la asignación de recursos financieros maximizando al mismo tiempo la mejora del rendimiento del modelo.
Aprendizaje activo sensible al costo
Método de aprendizaje activo que tiene en cuenta los costos variables asociados a la anotación de diferentes instancias en la estrategia de selección. El algoritmo equilibra la incertidumbre y el costo para optimizar la relación costo-beneficio.
Modelado del costo de anotación
Proceso de formalización matemática de los costos de anotación en función de características como la complejidad, el tiempo requerido o la experiencia necesaria. Este modelo guía la selección de instancias en función de las restricciones presupuestarias.
Estrategia de asignación de presupuesto
Mecanismo que determina la distribución óptima de los recursos financieros entre diferentes fases o tipos de anotaciones en un proceso de aprendizaje activo. Esta estrategia tiene como objetivo maximizar el retorno de inversión en términos de mejora del modelo.
Gestión dinámica del presupuesto
Enfoque adaptativo que ajusta en tiempo real la asignación del presupuesto en función del rendimiento del modelo y los costos de anotación observados. Este método permite una optimización continua de los recursos disponibles.
Estimación del costo de consulta
Técnica de predicción de los costos asociados a la anotación de instancias específicas antes de su selección. La estimación tiene en cuenta factores como la complejidad, la ambigüedad y el tiempo de anotación requerido.
Selección de instancias basada en valor
Estrategia de selección que evalúa cada instancia potencial según su relación valor/costo, donde el valor mide la mejora esperada del modelo. Este enfoque optimiza el uso de los recursos de anotación limitados.
Muestreo con restricciones de presupuesto
Método de muestreo que garantiza el cumplimiento de las restricciones presupuestarias mientras selecciona las instancias más informativas. El algoritmo equilibra la exploración de nuevos datos y la explotación de los conocimientos adquiridos.
Estrategia de consulta costo-efectiva
Estrategia de consulta optimizada para maximizar la información adquirida por unidad monetaria gastada en anotación. Este enfoque integra directamente las consideraciones de costo en el cálculo de la puntuación de selección de las instancias.
Presupuestación de múltiples anotaciones
Gestión simultánea de varios presupuestos para diferentes tipos de anotaciones o anotadores en un sistema de aprendizaje activo. Esta técnica permite optimizar la asignación de recursos según las especialidades y los costos variables.
Planificación presupuestaria incremental
Enfoque de planificación presupuestaria que asigna los recursos progresivamente en función de las necesidades emergentes y el rendimiento del modelo. Este método permite una adaptación flexible a los requisitos cambiantes del aprendizaje.
Varianza del costo de anotación
Fenómeno en el que los costos de anotación varían significativamente entre diferentes instancias debido a su complejidad o ambigüedad. La consideración de esta varianza es crucial para una asignación eficaz del presupuesto.
Muestreo de incertidumbre con conocimiento de presupuesto
Variante del muestreo por incertidumbre que integra restricciones presupuestarias en el proceso de selección de instancias. El algoritmo pondera la incertidumbre por el costo de anotación para optimizar el presupuesto disponible.
Análisis costo-beneficio en el aprendizaje activo
Metodología sistemática de evaluación de las compensaciones entre los costos de anotación y los beneficios esperados en términos de mejora del modelo. Este análisis guía las decisiones de selección en un contexto presupuestario restringido.
Asignación presupuestaria adaptativa
Sistema de asignación presupuestaria que se ajusta dinámicamente en función de la evolución del rendimiento del modelo y los costos de anotación. Este enfoque maximiza la eficiencia de los recursos en cada iteración de aprendizaje.
Modelado de costos heterogéneos
Modelado de los costos de anotación que tiene en cuenta la heterogeneidad de las fuentes y los tipos de anotaciones con estructuras de costos diferentes. Este enfoque permite una gestión precisa de los presupuestos multi-fuente.
Marco de optimización del presupuesto
Estructura algorítmica completa para la optimización de las restricciones presupuestarias en el aprendizaje activo, integrando mecanismos de planificación, asignación y ajuste. Este marco garantiza un uso eficaz de los recursos disponibles.
Utilidad marginal por costo
Métrica de evaluación que mide la mejora marginal esperada del modelo por unidad de costo de anotación. Esta medida guía la selección de instancias que ofrecen la mejor relación beneficio/costo.
Muestreo de diversidad sensible al presupuesto
Enfoque de muestreo que mantiene la diversidad de las instancias seleccionadas mientras respeta las restricciones presupuestarias. Este método evita la redundancia y optimiza el uso de los recursos de anotación.
Consulta por comité sensible al costo
Extensión del método Consulta por comité que integra los costos de anotación en el proceso de desacuerdo del comité. El sistema selecciona las instancias que ofrecen el mejor equilibrio entre desacuerdo y costo de anotación.