Bucle de feedback, reentrenamiento y etiquetado

Machine Learning de extremo a extremo

Joshua Stapleton

Machine Learning Engineer

Bucle de feedback

  • Salida del modelo como entrada del sistema:
    • Usar métricas/predicciones para guiar la evolución del sistema
    • Puede usar monitorización del modelo

 

  • Parte integral del ML:
    • Permite aprender y ajustar rápido
    • Mejor adaptación al cambio

Dos flechas cíclicas que representan un bucle de feedback

Machine Learning de extremo a extremo

Implementación del bucle de feedback

Detección de deriva de datos

  • La distribución de entrada cambia con el tiempo
  • Bucle de feedback: reentrenar con datos recientes

Aprendizaje online

  • Reentrenar periódicamente según cambien los datos
  • Más allá de la deriva: se adapta a cambios en la estructura de datos

Deriva de datos

Aprendizaje online

Machine Learning de extremo a extremo

Peligros de los bucles de feedback

Peligros...

  • Las salidas del modelo afectan a las entradas
  • Ej.: recomendación en redes sociales:
    • Maximizar la interacción
    • Aprende a servir cierto tipo de contenido
    • Hace que el usuario vea más de ese contenido
    • etc.
  • Desarrolla patrones de comportamiento no deseados
  • Más peligroso si está automatizado

Una gran cruz roja por peligro

Machine Learning de extremo a extremo

Mejor uso del bucle de feedback

  • Reactivo:

    • Humano en el ciclo
    • Las predicciones no cambian los datos de entrada

  • ¡Precaución y supervisión son clave!

Un gran check verde para mejor uso

Machine Learning de extremo a extremo

¡Vamos a practicar!

Machine Learning de extremo a extremo

Preparing Video For Download...