<aside> 🧠
Cómo usar este cuestionario
Antes de desplegar la respuesta, intenta justificar tu decisión en voz alta. No basta con nombrar el concepto: explica por qué aplica y, cuando corresponda, por qué descartarías las alternativas.
</aside>
Escenario: Un programador te muestra un sistema que decide si aprueba un descuento en una tienda en línea: "Si el cliente tiene más de 3 compras en el último mes, le aplicamos 10% de descuento de forma automática. ¡He desarrollado un sistema de Machine Learning fantástico!".
Pregunta: ¿Por qué esta afirmación del programador es incorrecta y a qué concepto de la jerarquía corresponde realmente su desarrollo?
Escenario: Una compañía de telefonía tiene una base de datos con millones de perfiles de clientes que contiene variables de uso (minutos consumidos, gigas navegados, horario de mayor conexión). Quieren agrupar automáticamente a estos clientes en tres categorías para ofrecerles planes personalizados, pero no existe ninguna clasificación previa hecha por humanos.
Pregunta: ¿Qué tipo de aprendizaje de Machine Learning (Supervisado, No Supervisado o Por Refuerzo) se debe aplicar para resolver este problema?
Escenario: Implementas un filtro de correo electrónico no deseado (SPAM) para una empresa. El modelo es tan estricto que envía constantemente correos de negocios legítimos y facturas urgentes de los proveedores directos a la bandeja de SPAM.
Pregunta: ¿Qué tipo de error matemático (Falso Positivo o Falso Negativo) está cometiendo en exceso el modelo y qué métrica clásica (Precision o Recall) debe optimizar el equipo técnico para corregirlo?
Escenario: Diseñas un modelo de visión artificial que analiza las cámaras de seguridad de una fábrica para detectar señales de fuego. Si el modelo detecta fuego por error, sonará una alarma sonora que obligará a evacuar la planta durante 15 minutos (un costo moderado). Sin embargo, si hay un fuego real y el modelo no lo detecta, la fábrica completa podría quemarse.
Pregunta: ¿Cuál de los dos tipos de error es el más catastrófico en este escenario (Falso Positivo o Falso Negativo) y qué métrica técnica de evaluación (Precision o Recall) debe priorizarse absolutamente?