Crear y evaluar un modelo de IA
Objetivos de aprendizaje
Después de completar esta unidad, podrá:
- Describir cómo crear un modelo mediante el Generador de modelos.
- Describir por qué utiliza métricas para comprender la calidad del modelo.
- Enumerar algunas métricas utilizadas para evaluar el desempeño del modelo.
Crear y evaluar un modelo
Aprendió que los modelos de IA son el cómo detrás del qué. Con los modelos de IA puede aumentar la inteligencia de su negocio, acelerar sus flujos de trabajo, permitir que sus usuarios tomen mejores decisiones y mucho más. En otras palabras, los modelos de IA le permiten obtener valor de sus datos, ya que le piden a una máquina que los analice y se convierta en una experta en ellos, y, luego, aplique esa experiencia a los datos nuevos.
Preparación de los datos
La mayor parte del trabajo necesario para crear un modelo predictivo en realidad consiste en preparar los datos. Por eso, los especialistas o analistas de datos deben sentirse capacitados para crear un modelo, porque realmente conocen los datos. En su primera versión, el Generador de modelos de Einstein Studio puede entrenar un modelo basado en un único objeto de modelo de datos (o DMO) en Data Cloud.
Si bien nuestro objetivo es facilitar esto en el futuro, ya existen muchas herramientas en Data Cloud que permiten a los usuarios preparar y modelar datos para formar una tabla de datos que se puede representar como un DMO único y desnormalizado. A continuación, se muestra un ejemplo de cómo las transformaciones de datos por lotes pueden crear un DMO para entrenar un modelo.
Pasos para crear un nuevo modelo
Utilice el Generador de modelos para crear un nuevo modelo predictivo de IA en siete pasos con clics en lugar de código. Para obtener más información, vaya a Pasos para crear un modelo en Ayuda de Salesforce.
Consideremos este ejemplo de creación de un modelo desde cero para predecir la probabilidad de pérdida de clientes. Haga clic en los pasos utilizando los botones Next (Siguiente) y Previous (Anterior).
Variables y observaciones
Para repasar lo aprendido anteriormente en este módulo, un modelo predictivo utiliza el aprendizaje automático para predecir resultados futuros. Cuando crea un modelo con el Generador de modelos, Einstein no solo analiza los datos y crea un modelo predictivo, sino que también produce las métricas de entrenamiento para que pueda evaluar el modelo.
Variables
Los modelos organizan los datos por variables. Una variable es una categoría de datos, como un campo en Salesforce o una columna en una hoja de cálculo. Para generar predicciones se utilizan entradas conocidas como variables de predictor o variables explicativas.
Observaciones
Las predicciones ocurren en el nivel de observación. Una observación es un conjunto estructurado de datos, como un registro en Salesforce o una fila en una hoja de cálculo.
Para cada observación, el modelo utiliza un conjunto de variables de predictor como entrada (1) y devuelve una predicción correspondiente (2) como salida. El modelo también puede devolver las variables principales que tienen el mayor impacto en la predicción. En esta figura, el resultado real, la pérdida de clientes, aún no se conoce.
Métricas de entrenamiento
Los modelos que crea desde cero en el Generador de modelos (conocidos como modelos creados por Einstein) vienen con métricas de entrenamiento. Las métricas de entrenamiento lo ayudan a comprender cómo se entrenó su modelo de IA y a evaluar su calidad.
Las métricas de entrenamiento se calculan en función de los datos utilizados para entrenar el modelo. Para cada observación que tiene un resultado conocido (observado o real), se calcula una predicción y, luego, se compara con el resultado real para determinar su precisión.
Importante: Hay muchas métricas de entrenamiento diferentes; de hecho, demasiadas para cubrirlas en este módulo. No se preocupe, no es necesario conocerlas todas, ni siquiera la mayoría. Las métricas de entrenamiento incluyen burbujas de información para ayudarlo a interpretar estas métricas sin necesidad de comprender todos los matices y las matemáticas involucrados en su cálculo. Al proporcionar un conjunto completo de métricas de entrenamiento, puede evaluar su modelo en función de sus necesidades. De esta manera, puede evaluar la calidad del modelo con las métricas que tengan más sentido para su solución.
- La precisión le indica qué tan buenas son sus predicciones en una escala que va desde conjeturas aleatorias hasta sobreajustes por fuga de datos. Quiere que sea eficaz.
- Los predictores principales son las variables de entrada o de predictor que tienen el mayor impacto en la predicción del resultado.
- La distribución de variables muestra un histograma de los valores reales observados en los datos.
¿Qué identifica a un buen modelo?
Naturalmente, si basará sus decisiones de negocios en las predicciones generadas por su modelo, necesitará un modelo que sea muy eficaz para predecir resultados. Como mínimo, la idea es que el modelo sea mejor en la predicción de resultados que el método que usa habitualmente, que suele ser simplemente adivinar y tomar decisiones sin contar con datos reales.
¿Y qué características tiene un buen modelo? En general, un buen modelo cumple sus requisitos de soluciones porque genera predicciones con suficiente precisión para respaldar sus objetivos de mejora de resultados. Es decir, la idea es saber en qué grado los resultados predichos por un modelo coinciden con los resultados reales.
Para ayudarlo a determinar qué tan bien funciona su modelo, los modelos creados por Einstein incluyen métricas de entrenamiento que visualizan medidas comunes del desempeño del modelo. Los científicos de datos reconocen esto como estadísticas de ajuste, que cuantifican qué tan bien las predicciones de su modelo se ajustan a los datos del mundo real. Tenga en cuenta que los modelos son aproximaciones abstractas del mundo real, por lo que todos conllevan un cierto grado de imprecisión. De hecho, un modelo “perfecto” debería despertar sospechas, no esperanzas.
Al pensar en modelos, es útil tener en cuenta la conocida cita que se atribuye al estadístico George Box: "Todos los modelos son falsos, pero algunos son útiles".
Una vez que tenga confianza con la calidad del modelo, puede activarlo para que esté listo para usar. Para obtener más información, visite Activar su modelo en Ayuda de Salesforce.
Recursos
- Ayuda de Salesforce: Preparar y modelar datos
- Ayuda de Salesforce: Transformaciones de datos por lotes
- Ayuda de Salesforce: Crear un modelo desde cero
- Ayuda de Salesforce: Evaluar la calidad del modelo
- Ayuda de Salesforce: Activar su modelo
- Publicación de blog: Crear un modelo de IA con clics en Data Cloud