noun
El sobreajuste ocurre cuando un modelo de aprendizaje automático se vuelve demasiado complejo, capturando ruidos y anomalías en sus datos de entrenamiento en lugar de los patrones subyacentes. Esto sucede cuando el modelo intenta minimizar los errores de entrenamiento a costa del rendimiento en datos no vistos.
Por ejemplo, un modelo de lenguaje entrenado en un conjunto de datos específico puede memorizar peculiaridades o errores, lo que lleva a predicciones incorrectas cuando se enfrenta a nuevas entradas. El sobreajuste es común en modelos con demasiados parámetros en relación con la cantidad de datos de entrenamiento.
Para los desarrolladores, el sobreajuste significa recursos computacionales desperdiciados y resultados poco confiables. Obliga a usar técnicas como regularización, validación cruzada o modelos más simples para asegurar que la IA funcione bien en escenarios del mundo real. Un generador de imágenes mal entrenado podría producir salidas distorsionadas si sobreajusta a artefactos en las imágenes de entrenamiento.
Un chatbot entrenado en un pequeño conjunto de scripts de atención al cliente puede sobreajustarse y fallar al responder preguntas fuera de esos scripts.