Una empresa desarrolla una IA que debe realizar pronósticos de ventas para diferentes productos.
La IA analiza datos históricos y crea predicciones para el futuro.
Al principio, los directivos están satisfechos, ya que las predicciones parecen realistas.
Pero con el tiempo se observa que las predicciones tienden siempre a pronosticar valores más bien promedio.
Las fases extremas altas o bajas rara vez se predicen, aunque tales fluctuaciones ocurrieron con más frecuencia en el pasado.
Las predicciones parecen seguras, pero a menudo imprecisas cuando se trata de picos o caídas importantes.
¿Por qué la IA siempre acierta solo el valor medio, aunque en realidad debería ofrecer predicciones precisas?
Pregunta: ¿Por qué una IA puede tender a evitar valores extremos en las predicciones y en cambio acertar el valor medio?
La solución se publicará mañana.
Solución
Muchos modelos de IA, especialmente aquellos con funciones de pérdida medias como el error cuadrático medio, optimizan sus predicciones para acertar el promedio de los posibles resultados.
Esto significa que, ante datos inciertos o con fuertes fluctuaciones, tienden a evitar valores extremos y en cambio ofrecen una predicción en el centro de la distribución observada.
Así se generan predicciones que, aunque son buenas en promedio, rara vez capturan picos reales o valores atípicos.
La IA se “protege” contra grandes errores eligiendo valores conservadores, lo que reduce la precisión en eventos extremos importantes.
Resultado: Una IA que basa sus predicciones en la optimización del valor medio puede pasar por alto fluctuaciones importantes y ser inútil en situaciones críticas. Para predicciones más precisas, a menudo se necesitan modelos o métodos especializados que representen mejor las incertidumbres y los valores extremos.