Función de pérdida
Loss Function
¿Qué es una función de pérdida?
- Medir en números el error entre la predicción y la respuesta correcta
- El aprendizaje consiste en reducir este valor
- Función de «criterio de calificación»
Según cómo se defina la función de pérdida, el mismo dato y la misma estructura de modelo se convierten en algo completamente distinto. El modelo no sabe lo que quiere el área de negocio y solo se mueve en la dirección en que la pérdida disminuye. Por eso, diseñar la función de pérdida se parece menos a una tarea de programación que a traducir los objetivos del negocio a números. Qué errores se cuentan como graves y cuáles se pasan por alto determina directamente qué equivocaciones aceptará el modelo y cuáles evitará.
En regresión se distingue entre el MSE, que eleva el error al cuadrado, y el MAE, que usa el valor absoluto. Un solo valor atípico con error de 10 se infla a 100 en el MSE; por eso, si los datos de demanda tienen muchos valores que se disparan, el MAE o Huber son más seguros. En clasificación, la entropía cruzada es la base; si las clases están muy desbalanceadas, se añade un peso o Focal Loss. Aquí hay que distinguir la pérdida de la métrica de evaluación. La pérdida es el valor que el modelo ve durante el entrenamiento y debe ser diferenciable, mientras que la exactitud, la F1 y el recall son el valor con el que las personas juzgan el desempeño. Si estos dos apuntan en direcciones distintas, el entrenamiento puede tener éxito y el proyecto fracasar.
En la práctica, el error más común es que la curva de pérdida baja muy bonita mientras los indicadores del negocio no se mueven. En una línea con 1 % de defectos, basta con marcar todo como normal para que la entropía cruzada salga bastante baja. Que la pérdida baje no significa que el desempeño de la inspección haya mejorado. Otro error es no incorporar al cálculo la asimetría de costos: dejar pasar un defecto que llega al cliente y volver a revisar un producto bueno tienen costos de órdenes de magnitud distintos, pero la función de pérdida básica los cuenta como un caso cada uno. Si se mantiene la función de pérdida y solo se mueve el umbral para resistir, el mismo problema volverá con cada reentrenamiento.
Sungil KimExalumno de KAIST y de Samsung Electronics; experto global en pitching, que formó equipos ganadores en los concursos de pitching de la Organización Mundial del Turismo (ONU) y Select USA IR
Ara LimExperta en liderazgo global, IA y comunicación empresarialProviene del concepto de medición del error de la estadística y la teoría de optimización, y se consolidó como función objetivo del aprendizaje de las redes neuronales.
Caso hipotético: A es una empresa de autopartes con 240 colaboradores e ingresos anuales de alrededor de KRW 90,000,000,000 (≈ US$67,362,200). La empresa incorporó la IA en su proceso de inspección visual. La tasa de defectos sobre el volumen total era de 1.2 %, y tras tres meses de entrenamiento llegó a la junta directiva el informe de una precisión de 98.9 %. Sin embargo, en el mismo período las quejas de clientes no bajaron: seguían en 14 casos al mes.
- El gerente Park, del equipo de control de calidad, revisó directamente el registro de inspección: de 86 defectos reales, el modelo solo había filtrado 11. «¿No es esto una puntuación que simplemente marca todo como normal?», dijo alguien en la sala de reuniones.
- El equipo de datos identificó como causa usar la entropía cruzada tal cual con datos desbalanceados. Asignó un peso de 20 a la clase de defectos, añadió Focal Loss y volvió a entrenar el modelo.
- El gerente de producción fijó que «si se deja pasar un defecto, la respuesta ante un retiro del producto cuesta KRW 30,000,000 (≈ US$22,500); una revisión extra de un producto bueno cuesta KRW 4,000 (≈ US$3) en mano de obra». Por eso el equipo aplicó en la pérdida una penalización por omisión 30 veces mayor que la de falso rechazo.
- En la validación, la exactitud bajó de 98.9 % a 97.4 %, pero la tasa de detección de defectos subió de 12.8 % a 79 %. Por eso el gerente Park cambió el indicador del reporte: en lugar de la exactitud, usó dos, la tasa de detección y la tasa de sobrerechazo.
- Tres meses después, los defectos que llegaban a los clientes bajaron de 14 a 2 al mes, y la tasa de falsos positivos subió de 3.1% a 7.6%. Como el costo adicional de la re-inspección es de unos KRW 600,000 (≈ US$450) al mes, se decidió mantener el modelo.