Aprendizaje supervisado, no supervisado y por refuerzo
Elegir entre aprendizaje supervisado, no supervisado y por refuerzo según los datos disponibles, etiquetados o sin etiquetar, y según el objetivo: predecir una salida conocida, descubrir patrones o aprender por recompensa.
1. El problema de negocio
Una planta de componentes industriales guarda años de lecturas de los sensores de sus máquinas, y cada avería quedó registrada con su causa. Operaciones quiere anticipar qué máquinas fallarán en los próximos días para programar el mantenimiento. El presupuesto del proyecto es ajustado, y un consultor propone empezar agrupando las lecturas sin usar los registros de averías, para ver qué patrones aparecen.
2. Solución de Google: Agent Platform AutoML
- Servicio
- Capa
- Plataforma
- Por qué
- Hay un histórico etiquetado, lecturas con su resultado conocido, y el objetivo es predecir esa salida: es aprendizaje supervisado, de tipo clasificación. (antes Vertex AI AutoML), herramienta de entrenamiento del ciclo de vida de ML, crea el modelo a partir de esos datos etiquetados sin programar el entrenamiento a mano, lo que contiene el coste.
Ver la capa en el mapa de 5 capas
Capa 5Aplicaciones
La parte con la que interactúa el usuario final.
- Gemini app
- Gemini Enterprise
- Google Workspace with Gemini
- Gemini Notebook
- Gemini for Google Cloud
Capa 4Agentes
Software que persigue un objetivo usando un modelo y herramientas.
- Agentes en Agent Platform
- Gemini Enterprise for Customer Experience
Capa 3Plataforma[Capa de esta lección]
APIs, gestión de datos y despliegue de modelos; abstrae la infraestructura.
- Agent Studio
- Agent Search
- Model Garden
- Agent Platform AutoML
- RAG Engine
- Agent Runtime
Capa 2Modelos
Algoritmos entrenados con grandes volúmenes de datos que generan contenido.
- Gemini
- Gemma
- Imagen
- Veo
Capa 1Infraestructura
Cómputo y almacenamiento físico para entrenar y servir modelos.
- AI Hypercomputer
- Cloud TPU
- GPU
- Centros de datos de Google
3. Límites
- No la uses si
- No existe un histórico etiquetado con el resultado que se quiere predecir y etiquetarlo costaría más que el valor esperado del modelo.
- Variable que fuerza el cambio
- Coste
- Alternativa
- Aprendizaje no supervisado para descubrir agrupaciones y patrones en los datos sin etiquetar.
4. La trampa habitual
- [✗] Distractor
- Aplicar aprendizaje no supervisado para agrupar las lecturas de los sensores e interpretar los grupos resultantes como la predicción de averías.
- Por qué tienta
- Agrupar datos suena a descubrir señales ocultas y permite empezar sin trabajar con los registros de averías.
- Por qué es incorrecto
- El aprendizaje no supervisado descubre agrupaciones en datos sin etiquetar, pero no predice una salida concreta. Con las averías ya registradas y el objetivo de anticiparlas, el enfoque adecuado es el supervisado.
5. Micro-check
Fuentes oficiales
Opción de Model Builder que entrena modelos de ML sin programar y con mínimo conocimiento técnico: automatiza la preparación de los datos, la elección del modelo y su ajuste para clasificar imágenes, detectar objetos o predecir con datos tabulares.
Ficha de Agent Platform AutoML