Glosario IA
El diccionario completo de la Inteligencia Artificial
Aprendizaje Activo Multi-anotadores
Paradigma de aprendizaje automático donde varios anotadores colaboran para etiquetar los datos más informativos seleccionados por un algoritmo activo. Este enfoque optimiza el uso de los recursos humanos aprovechando las experiencias complementarias y los costos variables de los anotadores.
Estrategia de Muestreo Colaborativo
Método de selección de muestras que coordina las preferencias y experiencias de varios anotadores para maximizar la calidad general de las etiquetas. Equilibra la incertidumbre del modelo y la distribución óptima de tareas según las habilidades de cada anotador.
Modelo de Experiencia del Anotador
Marco probabilístico o determinista que cuantifica la competencia, la fiabilidad y los sesgos específicos de cada anotador en diferentes clases o tipos de datos. Este modelo guía la asignación de muestras basándose en las fortalezas individuales de cada contribuyente.
Asignación Dinámica de Muestras
Proceso adaptativo que asigna las muestras sin etiquetar a los anotadores más apropiados en tiempo real, basándose en su experiencia actual y disponibilidad. Esta asignación optimiza el equilibrio entre la calidad de la anotación y el presupuesto temporal o monetario.
Matriz de Confianza Inter-anotadores
Estructura de datos que mide la coherencia y la fiabilidad relativas entre las anotaciones de diferentes contribuyentes sobre muestras similares. Permite detectar discordancias sistemáticas y ajustar los pesos de confianza para la agregación final de las etiquetas.
Costo de Anotación Adaptativo
Modelo de costo variable que ajusta la remuneración o el tiempo asignado a cada anotación según la dificultad de la muestra y la experiencia requerida. Este enfoque optimiza la asignación del presupuesto favoreciendo las asignaciones más rentables en términos de ganancia de información.
Diversidad de Anotaciones
Criterio de selección que asegura una distribución variada de las muestras entre los anotadores para evitar la sobre-especialización y maximizar la cobertura del espacio de características. Mantiene el equilibrio entre la explotación de las experiencias y la exploración de nuevas perspectivas.
Agregación de Etiquetas Multi-fuente
Técnica de fusión que combina las etiquetas de varios anotadores en una sola predicción de consenso, utilizando métodos como el voto ponderado, los modelos de Dawid-Skene o la inferencia bayesiana. Esta agregación corrige los errores individuales y produce etiquetas más fiables.
Selección por Incertidumbre Ponderada
Estrategia que evalúa la incertidumbre del modelo ponderando esta medida por el costo y la experiencia necesarios para resolver cada muestra. Prioriza las instancias que ofrecen el mejor ratio información/beneficio según las capacidades de los anotadores disponibles.
Consulta por Comité Multi-anotadores
Extensión de Query-by-Committee donde se entrenan varios modelos en diferentes subconjuntos de anotaciones para identificar las muestras con el mayor desacuerdo predictivo. Este enfoque se enriquece con la diversidad de perspectivas de los anotadores en el comité.
Calibración de Anotadores
Proceso de ajuste sistemático de las predicciones de los anotadores para corregir los sesgos individuales y armonizar las escalas de confianza entre los diferentes contribuyentes. La calibración asegura que las puntuaciones de fiabilidad sean comparables y explotables para la asignación dinámica.
Evaluación de la Calidad de Anotación
Marco métrico continuo que mide la precisión, la coherencia y el valor informativo de las anotaciones proporcionadas por cada contribuyente. Estas métricas alimentan los modelos de experiencia y guían las decisiones de asignación futura.
Enrutamiento Inteligente de Muestras
Sistema de decisión automatizado que dirige cada muestra sin etiquetar hacia el anotador o el grupo de anotadores óptimo basándose en predictores de rendimiento y restricciones de recursos. Este enrutamiento maximiza la eficiencia del proceso de anotación colaborativa.
Aprendizaje Semi-supervizado Multi-experto
Enfoque híbrido que combina el aprendizaje activo multi-anotadores con técnicas semi-supervizadas para explotar grandes cantidades de datos sin etiquetar. Utiliza anotaciones de alta calidad como semillas para propagar las etiquetas a través del conjunto de datos.
Modelo de Fiabilidad del Anotador
Representación matemática de la probabilidad de que un anotador produzca una anotación correcta, a menudo modelada como una distribución condicional que depende del tipo de muestra. Este modelo evoluciona dinámicamente con la acumulación de anotaciones históricas.
Estrategia de Exploración-Explotación
Marco de decisión que equilibra la asignación de muestras familiares a los anotadores expertos (explotación) con el descubrimiento de capacidades en nuevos tipos de datos (exploración). Esta estrategia evita la sobre-especialización maximizando la calidad a corto plazo.
Fusión de Opiniones de Expertos
Método sofisticado de agregación que combina los juicios de varios anotadores teniendo en cuenta su correlación, su experiencia específica del dominio y su historial de rendimiento. A menudo utiliza técnicas bayesianas o grafos de creencia para una fusión óptima.