Sobreajuste y subajuste
El sobreajuste (overfitting) y el subajuste (underfitting) son fallos críticos que describen la calidad de la adaptación de un modelo de Inteligencia Artificial a los datos de entrenamiento. El sobreajuste ocurre cuando el modelo memoriza en exceso los ejemplos de entrenamiento, lo que compromete su capacidad para generalizar y hacer predicciones precisas en nuevos datos. Por el contrario, el subajuste se da cuando el modelo no logra aprender las relaciones y patrones esenciales de los datos. Ambos fenómenos resultan en la incapacidad del sistema de IA para operar de forma fiable al ser desplegado con datos reales o "en producción".
ENTIDAD
3 - Otro
INTENCIÓN
3 - Otro
TIEMPO
3 - Otro
ID del riesgo
mit889
Linea de dominio
7. Seguridad, Fallos y Limitaciones del Sistema de IA
7.3 > Falta de capacidad o robustez
Estrategia de mitigacion
- Implementar técnicas de regularización avanzadas (L1, L2, Dropout) y emplear la detención temprana (Early Stopping) para imponer una penalización sobre la complejidad excesiva del modelo. Esto previene el sobreajuste al asegurar que el entrenamiento se detenga justo antes de que el modelo comience a memorizar el ruido de los datos, preservando su capacidad de generalización. - Evaluar y ajustar la complejidad del modelo para encontrar el equilibrio óptimo entre sesgo (subajuste) y varianza (sobreajuste). Esto puede requerir incrementar la complejidad (e.g., más capas o parámetros) para solventar el subajuste o reducirla (e.g., mediante poda de características) para mitigar el sobreajuste. - Garantizar la representatividad y el volumen del conjunto de datos de entrenamiento. En casos de sobreajuste, es crucial aumentar el tamaño o aplicar técnicas de aumento de datos (Data Augmentation). Para el subajuste, se debe verificar que el conjunto contenga las características informativas esenciales que permitan al modelo aprender los patrones subyacentes.