Contexto
Elegir entre árboles, una red recurrente o un modelo de grafos es una decisión posterior a definir qué se quiere predecir. Si una tabla solo contiene la última lectura de un sensor, añadir una secuencia incorpora información nueva y cambia la arquitectura a la vez. Una mejora así no permite atribuir el mérito a la red.
La comparación útil separa esas dos preguntas. Primero se añaden al modelo tabular retardos y resúmenes de la historia disponible. Después se compara esa referencia con un modelo que reciba la secuencia. Para estudiar relaciones, se prueba antes con indicadores explícitos de vecinos, conectividad o capacidad compartida.
El estudio de Grinsztajn, Oyallon y Varoquaux encontró referencias fuertes basadas en árboles en sus conjuntos tabulares. Ese resultado justifica incluirlas en la comparación; no establece un ganador universal ni descarta el aprendizaje profundo para datos de otra naturaleza.
Ejemplo didáctico · situación inventada
Dos depósitos con el mismo nivel y distinta evolución
Un sistema debe anticipar la demanda de suministro. Dos depósitos tienen ahora el mismo nivel, pero uno se está vaciando y el otro acaba de recuperarse. Además, comparten parte de la red de distribución.
Qué decisión cambia. Primero se comparan lecturas actuales con pendientes y consumos recientes. Después se prueba si conservar la secuencia completa y las relaciones de suministro reduce errores adicionales. Si los agregados explican la diferencia, el grafo puede seguir siendo útil para consultar la red sin necesitar una red neuronal.
Qué comprobar antes de empezar
- Qué parte del error persiste después de corregir problemas de datos y de construir una referencia competitiva.
- Si las secuencias y relaciones estarán disponibles a tiempo en el sistema real.
- Qué entidades comparten información y cuáles deben quedar juntas al separar entrenamiento y prueba.
- Cuánto tiempo de ajuste y cómputo recibe cada alternativa, incluidos los intentos descartados.
- Qué mejora mínima justificaría mantener nuevas dependencias, reconstruir relaciones o usar una GPU.
Método de trabajo
¿Falta historia o falta capacidad del modelo?
Prepara tres controles: estado actual, estado con retardos y resúmenes, y secuencia completa. Conserva fuentes, fecha de corte y periodos de prueba. Si la ganancia aparece al añadir resúmenes y la secuencia no aporta más, la evidencia favorece la ingeniería de variables, no una arquitectura temporal más costosa. Revisa episodios concretos: una subida sostenida y una recuperación pueden terminar en el mismo valor y necesitar previsiones distintas.
¿Las relaciones ayudan a predecir?
Define qué significa una arista: conexión física, dependencia de suministro o proximidad útil para el proceso. La cercanía geográfica por sí sola puede ser una mala aproximación. Compara variables de vecindad con aprendizaje sobre el grafo y retira relaciones para medir su contribución. Un grafo usado para organizar y consultar datos no exige una red neuronal de grafos; son decisiones distintas.
¿Compartir aprendizaje perjudica alguna salida?
Si el sistema predice varios horizontes o activos, compara modelos separados con una representación compartida. Examina cada salida, no únicamente su promedio. Una mejora a largo plazo puede ocultar un deterioro en la previsión inmediata. Cuando aparezca ese conflicto, prueba compartir menos componentes antes de multiplicar especialistas. La decisión necesita episodios suficientes para cada salida.
¿Puede repetirse la ventaja?
Guarda versiones de datos, código, configuraciones y predicciones. Compara candidatos sobre los mismos episodios reservados y repite el ajuste cuando su aleatoriedad sea relevante. Las ablaciones retiran un componente manteniendo los demás controles. El informe debe permitir distinguir una mejora estable de una ejecución favorable o de un presupuesto de búsqueda mayor.
¿Qué cuesta usar el modelo?
Mide desde que llega el dato hasta que se entrega la respuesta, incluyendo reconstrucción de historia y relaciones. Prueba pérdida de una fuente, nuevas entidades y aumento de concurrencia. El entregable de esta fase es una decisión de arquitectura con alternativas descartadas, evidencia y límites; no una lista de técnicas que necesariamente acabarán en producción.
Señales para detener la prueba
- La ventaja desaparece cuando ambos modelos reciben las mismas fuentes y ventanas de historia.
- Las relaciones se construyen con datos que todavía no existen al predecir.
- Solo mejora el promedio y una salida crítica empeora de forma persistente.
- El componente nuevo no supera su control en periodos reservados o incumple el tiempo de respuesta.
Fuentes
- Grinsztajn et al. — comparación de árboles y redes en datos tabulares — Referencia empírica sobre sus conjuntos de evaluación; no prueba qué arquitectura conviene en un proyecto concreto.
- scikit-learn — validación por grupos y series temporales — Documentación de las separaciones de evaluación y sus supuestos.
Para seguir con esta decisión
- ¿Qué debe demostrar un piloto de IA en una administración pública?
- ¿Cuándo ayuda Edge AI a la privacidad por diseño?
- ¿Cómo saber si una modalidad adicional mejora un modelo multimodal?
Servicio de I+D en inteligencia artificial: alcance y entregables
Publicado por Ordantis el .