Glosario IA
El diccionario completo de la Inteligencia Artificial
Conjunto de Retención (Holdout Set)
Subconjunto de datos mantenido separado y no utilizado durante el entrenamiento del modelo para evaluar objetivamente su rendimiento final. Este conjunto permanece totalmente aislado hasta la evaluación final para evitar cualquier contaminación de la información.
Pruebas en el Mundo Real (Real-world Testing)
Fase de validación en la que el modelo se despliega en condiciones operativas reales para evaluar su rendimiento en su contexto natural de uso. Estas pruebas suelen revelar comportamientos inesperados no observados durante las validaciones en laboratorio.
Pruebas en Producción (Production Testing)
Proceso de validación continua de los modelos después de su despliegue en producción para monitorear su rendimiento y detectar cualquier degradación. Esta etapa es esencial para mantener la fiabilidad de los sistemas de IA en un entorno operativo.
Pruebas en Modo Sombra (Shadow Mode Testing)
Método de validación en el que un nuevo modelo se ejecuta en paralelo al sistema de producción sin afectar las decisiones finales, permitiendo comparar su rendimiento con el modelo actual. Este enfoque minimiza los riesgos durante la evaluación de nuevas versiones.
Validación Temporal (Temporal Validation)
Estrategia de validación que respeta el orden cronológico de los datos, utilizando únicamente los datos pasados para el entrenamiento y los datos futuros para la prueba. Este enfoque simula las condiciones reales de despliegue y evita la fuga de información temporal.
Validación Geográfica (Geographic Validation)
Validación externa en la que el modelo se prueba con datos provenientes de regiones geográficas diferentes a las utilizadas para el entrenamiento. Esta técnica es crucial para evaluar la capacidad de generalización espacial de los modelos.
Cambio en la Población (Population Shift)
Cambio en las características demográficas o estadísticas de la población objetivo entre el entrenamiento y el despliegue del modelo. Este fenómeno puede afectar significativamente el rendimiento y la equidad de las predicciones.
Validación Ambiental (Environmental Validation)
Prueba del modelo en condiciones ambientales variadas (luz, ruido, temperatura) para evaluar su robustez frente a factores externos. Esta validación es particularmente importante para los sistemas de visión y los sensores IoT.
Validación Multi-sitio
Evaluación del rendimiento de un modelo en datos recopilados desde varios sitios o instituciones distintos para probar su generalizabilidad. Este enfoque es estándar en el ámbito médico para garantizar la validez de los modelos diagnósticos.