Este artículo introduce un nuevo concepto, la Inteligencia Artificial Especial, que permite entrenar modelos de Machine Learning para clasificación sin errores, evitando repeticiones de fallos. El método se aplicó con éxito a 18 conjuntos de datos biomédicos MedMNIST, logrando la perfección en la mayoría, salvo en tres con problemas de doble etiquetado.
Este trabajo presenta la Soft Silhouette Loss, una nueva función de pérdida diferenciable para el aprendizaje profundo, inspirada en el coeficiente de silueta clásico. Su objetivo es aprender representaciones discriminativas que promuevan la compacidad intra-clase y la separación inter-clases de manera más eficiente que los métodos existentes.
Este contenido explica cómo usar las curvas ROC y AUC para comparar modelos de clasificación de manera justa, evaluando el rendimiento en todos los umbrales posibles. Detalla qué son, cómo interpretarlos y cuándo usarlos en lugar de otras métricas, incluyendo errores comunes.
Este artículo revisa la Curva Característica de Operación del Receptor (ROC), una métrica común para evaluar el rendimiento de clasificadores binarios. Formaliza la interpretación probabilística del Área Bajo la Curva (AUC) y proporciona límites para su precisión.
PLACO es un marco multifase para un rendimiento rentable en equipos humano-IA, especialmente en tareas de clasificación. El estudio aborda la combinación de la producción humana y del modelo, basándose en trabajos anteriores que utilizaban la regla de Bayes.
El autor comparte un consejo de ingeniería de prompts para LLMs locales, sugiriendo requerir términos explícitos del dominio para respuestas "SÍ" y así reducir los falsos positivos en la clasificación. Esta técnica fue aplicada al construir un clasificador de señales de Reddit para inteligencia comunitaria, integrando varios LLMs y un clasificador Bayesiano.