Fundamentos de IA y ML - AI Practitioner Certification #1

Contexto

🎯 Como especialista en IA en AWS, tu misión no es memorizar nombres de modelos o algoritmos de forma aislada. Tu verdadero valor radica en ser un traductor entre las necesidades de una empresa y las capacidades de la nube.

🔑 Conceptos Clave

🤖 La Jerarquía de la IA: IA → ML → DL → GenAI → Agentic AI

• La IA es el paraguas total (acuñado en 1956). No toda la IA aprende de datos; los antiguos "sistemas expertos" basados en reglas fijas (if-then) programadas por humanos también son IA.
• El Machine Learning (ML) introduce el aprendizaje a partir de datos históricos. Pasa por dos fases: entrenamiento (aprender patrones) e inferencia (hacer predicciones sobre datos nuevos).
• El Deep Learning (DL) es un tipo de ML que utiliza redes neuronales profundas con capas ocultas para extraer patrones complejos de forma automática.
• La IA Generativa (GenAI) es una especialización de DL diseñada para crear contenido totalmente nuevo (texto, imágenes, audio) basado en patrones aprendidos. Los LLMs (basados en Transformers) crean texto prediciendo el siguiente token; los modelos de difusión crean imágenes eliminando ruido.
• La IA Agéntica (Agentic AI) utiliza un modelo generativo como un motor de razonamiento para interpretar metas, planificar pasos, ejecutar acciones mediante herramientas y evaluar sus resultados de manera iterativa.

📌 Recuerda: Un LLM es un tipo de Foundation Model (FM), pero no todos los FMs son LLMs (existen modelos visuales, multimodales, etc.).

• IA: El concepto general de "transporte creado por humanos".
• ML: Un coche que aprende a ajustar su velocidad analizando los registros de velocidades de otros conductores en el pasado.
• DL: Un coche autónomo que usa múltiples sensores profundos para mapear y esquivar peatones u obstáculos por sí mismo.
• GenAI: Una impresora 3D integrada en el coche que es capaz de fabricar un repuesto nuevo y personalizado en medio del viaje.
• Agentic AI: Un chofer robot al que solo le dices: "llévame a la mejor cafetería de la ciudad que gaste menos de $15, reserva una mesa y avísame cuando lleguemos".

🔄 El Ciclo de Vida de IA/ML y el Análisis Exploratorio de Datos (EDA)

• Es cíclico e iterativo (no lineal): Si durante la evaluación o el monitoreo en producción detectamos un error o el rendimiento baja, es normal regresar a limpiar datos, redefinir variables o entrenar otra vez.
• Entrenamiento vs. Hiperparámetros: El entrenamiento es el proceso donde el modelo ajusta sus parámetros internos aprendiendo de los datos. Los hiperparámetros son configuraciones que el desarrollador define antes del entrenamiento (como la tasa de aprendizaje o la profundidad de un árbol). El entrenamiento hace que el modelo aprenda; los hiperparámetros indican cómo aprenderá.
• El Análisis Exploratorio de Datos (EDA): Es la segunda etapa del pipeline. Antes de limpiar o entrenar, debemos conocer nuestros datos para detectar datos faltantes, valores atípicos (outliers), distribuciones y relaciones entre variables.

💡 Analogía — La Caja de Ingredientes del Chef

🗂️ Tipos de Datos y Tipos de Aprendizaje

• Aprendizaje Supervisado: El modelo entrena con datos etiquetados (conocemos la respuesta correcta de antemano). Se usa para predecir categorías (Clasificación) o números (Regresión).
• Aprendizaje No Supervisado: El modelo entrena con datos no etiquetados; busca agrupaciones (Clustering) o patrones ocultos por similitud matemática.
• Aprendizaje por Refuerzo: El modelo aprende interactuando con un entorno a través de un sistema de recompensas y penalizaciones.
• Estructurados vs. No Estructurados: Los datos estructurados están organizados en tablas (filas y columnas). Los datos no estructurados no tienen un formato definido (texto, imágenes, videos) y son el principal objetivo de la IA Generativa.

💡 Analogía

• Supervisado: Estudiar matemáticas con una guía que tiene las respuestas correctas al final del libro para que verifiques si lo hiciste bien.
• No Supervisado: Recibir una caja gigante con miles de piezas de Lego revueltas y decidir separarlas en montones por color o tamaño por iniciativa propia, sin que nadie te haya dicho cómo organizarlas.
• Por Refuerzo: Aprender a jugar un videojuego desde cero; la pantalla te da puntos cuando avanzas (recompensa) y te quita una vida si caes en la lava (penalización).

⚡ Modos de Inferencia (Batch, Tiempo Real, Asíncrona y Serverless)

• Batch (Por lotes): Procesa grandes cantidades de datos acumulados en grupos programados. Ideal cuando no necesitas la respuesta de inmediato (bajo costo).
• Tiempo real: Genera predicciones de forma instantánea al recibir la consulta (baja latencia).
• Asíncrona: Ideal para procesar solicitudes pesadas (documentos enormes, videos). El sistema recibe la tarea, la coloca en una cola de procesamiento y entrega el resultado cuando está listo, evitando que la aplicación se congele.
• Serverless: Ejecuta inferencias sin administrar servidores de forma fija. La infraestructura escala automáticamente con el tráfico y solo pagas por el tiempo exacto que toma procesar la consulta (ideal para tráfico variable o prototipos).

💡 Analogía

• Batch: El cartero de la oficina postal que junta todas las cartas recibidas durante el día y las entrega juntas en una sola ruta de reparto a las 6:00 PM.
• Tiempo Real: Pedir una hamburguesa en un restaurante de comida rápida y que te la entreguen segundos después en la ventanilla.
• Asíncrona: Dejar tu coche en el taller para que le reparen la transmisión. No te quedas parado esperando en la recepción; te vas a casa y te llaman por teléfono cuando el trabajo esté terminado.
• Serverless: Un grifo de agua pública en la calle. No pagas por el mantenimiento mensual de las tuberías de la ciudad, solo pagas los centavos correspondientes a los litros de agua que consumas cuando abres la llave.

📊 Métricas Clásicas de Clasificación (Accuracy, Precision, Recall y F1-Score)

• Accuracy (Exactitud): Porcentaje de predicciones correctas sobre el total de casos.

⚠️ Ojo: Solo sirve si los datos están balanceados (ej. 50% spam y 50% correos válidos).

• Precision (Precisión): De todo lo que el modelo predijo como positivo, ¿cuánto era correcto en realidad?

📖** Regla del examen: Úsala cuando el costo de un Falso Positivo (falsa alarma) es muy alto.

• Recall (Sensibilidad): De todos los casos positivos reales que existían, ¿cuántos logró capturar el modelo?

📖 Regla del examen: Úsala cuando el costo de un Falso Negativo (dejar pasar un caso real) es catastrófico.

• F1-Score: El promedio armónico entre Precision y Recall, ideal para evaluar el modelo cuando tus datos están muy desbalanceados.

💡 Analogía — El Perro Guardián

• Falso Positivo (Error de Precision): El perro ladra desesperado porque pasó una hoja de árbol flotando en el viento. No hay peligro real, pero te despertó a medianoche por una falsa alarma. Si esto pasa seguido, te enojas con el perro (Priorizas Precision para evitar falsas alarmas).
• Falso Negativo (Error de Recall): Un intruso entra silenciosamente por la ventana de la cocina y el perro sigue durmiendo sin ladrar. El peligro real entró y el guardián no lo detectó (Priorizas Recall para garantizar que detecte absolutamente todo peligro, aunque a veces ladre por error).

☁️ Entonces, ¿Cómo me ayuda AWS en esto?

• Amazon Bedrock (Managed API / API Administrada): Es un servicio completamente administrado de AWS que permite acceder a modelos fundacionales preentrenados de múltiples proveedores líderes del mercado a través de una API común. AWS se encarga de gestionar, escalar y proteger la infraestructura subyacente. Es la opción ideal para acelerar el desarrollo con menor costo de entrada y bajo mantenimiento operativo.
• Amazon SageMaker AI (Self-hosted API / API Auto-alojada): Es el entorno diseñado para que científicos de datos e ingenieros de MLOps tomen el control absoluto sobre todo el ciclo de vida del aprendizaje automático (desde el EDA, preprocesamiento, ingeniería de características, hasta el entrenamiento, optimización de hiperparámetros y despliegue de modelos propios en contenedores personalizados).
• Amazon SageMaker JumpStart: Catálogo centralizado dentro de SageMaker que te permite seleccionar, entrenar y desplegar rápidamente modelos de código abierto utilizando la infraestructura administrada de SageMaker.
• Amazon SageMaker Pipelines: Servicio diseñado para implementar la metodología MLOps, automatizando y conectando todas las fases del ciclo de vida de forma repetible, lo que permite reentrenar y monitorear modelos de forma segura ante fenómenos de Drift (cambio en el comportamiento de los datos con el tiempo).

• Cuestionario de Razonamiento 
• Video explicativo 
• Mini Lab AWS