Inoiz aurkitu al duzu zeure burua goizeko 2etan zer diren IA ereduak eta zergatik hitz egiten duten denek magiazko sorginkeriak balira bezala galdetzen? Berdin. Artikulu hau nire azalpen ez oso formala eta batzuetan alborakorra da, "bai, ideiarik ez"-tik "afarietan arriskutsuki ziur"-ra eramateko. Honako hauek jorratuko ditugu: zer diren, zerk egiten dituen benetan erabilgarriak (ez bakarrik distiratsuak), nola entrenatzen diren, nola aukeratu erabakitzezin erori gabe, eta min egin ondoren bakarrik ikasten dituzun tranpa batzuk.
Honen ondoren irakurri nahi izango dituzun artikuluak:
🔗 Zer da IA arbitrajea: hitzaren atzean dagoen egia
IA arbitrajea, haren ospea eta benetako aukerak azaltzen ditu.
🔗 Zer da IA sinbolikoa: Jakin behar duzun guztia
IA sinbolikoa, haren metodoak eta aplikazio modernoak jorratzen ditu.
🔗 IArako datuak gordetzeko baldintzak: Jakin behar duzuna
Adimen artifizialaren datuak gordetzeko beharrak eta kontuan hartu beharreko gauza praktikoak aztertzen ditu.
Beraz... zer dira benetan IA ereduak? 🧠
Bere laburpenik laburrenean: IA eredu bat ikasten den. Sarrerak ematen dizkiozu, eta irteerak ematen ditu. Arazoa da nola egin asmatzen duela adibide ugari aztertuz eta bere burua doituz "oker gutxiago" egoteko aldi bakoitzean. Hori nahikoa errepikatzen baduzu, konturatu ere egin ez zenituen ereduak ikusten hasiko da.
Erregresio lineala, erabaki-zuhaitzak, sare neuronalak, transformadoreak, difusio-ereduak edo baita k-hurbilen dauden bizilagunak bezalako izenak entzun badituzu... bai, denak gai beraren ingurukoak dira: datuak sartzen dira, ereduak mapaketa bat ikasten du, emaitza ateratzen da. Jantzi desberdinak, ikuskizun bera.
Zerk bereizten ditu jostailuak benetako tresnetatik ✅
Modelo askok itxura bikaina dute demo batean, baina ekoizpenean huts egiten dute. Irauten dutenek normalean helduen ezaugarrien zerrenda labur bat partekatzen dute:
-
Orokortzea - inoiz ikusi ez diren datuak zatitu gabe maneiatzen ditu.
-
Fidagarritasuna - ez du txanpon jaurtiketa baten moduan jokatzen sarrerak arraro bihurtzen direnean.
-
Segurtasuna eta babesa - zailagoa da jokatzea edo gaizki erabiltzea.
-
Azalpen erraztasuna - ez da beti argi eta garbia, baina gutxienez akatsak zuzentzeko modukoa.
-
Pribatutasuna eta Bidezkotasuna - datuen mugak errespetatzen ditu eta ez dago alborapenik gabe.
-
Eraginkortasuna - eskala handian funtzionatzeko bezain merkea.
Funtsean, horixe da erregulatzaileek eta arrisku-esparruek ere maite dituzten zerrenda osoa: baliozkotasuna, segurtasuna, erantzukizuna, gardentasuna, zuzentasuna, arrakasta handienak guztiak. Baina, egia esan, hauek ez dira komenigarriak izatea; jendea zure sistemaren menpe badago, mahai-jokoak dira.
Osasun-egoera egiaztatze azkarra: ereduak vs algoritmoak vs datuak 🤷
Hona hemen hiru zatitan banatuta:
-
Eredua - sarrerak irteerekin bihurtzen dituen ikasitako “gauza”.
-
Algoritmoa - eredua entrenatzen edo exekutatzen duen errezeta (pentsa gradiente jaitsiera, habe bilaketa).
-
Datuak - ereduari nola jokatu behar duen irakasten dioten adibide gordinak.
Metafora apur bat traketsa: datuak zure osagaiak dira, algoritmoa errezeta da, eta eredua tarta. Batzuetan goxoa da, beste batzuetan erdian hondoratzen da goizegi begiratu diozulako.
Benetan ezagutuko dituzun IA modeloen familiak 🧩
Kategoria amaigabeak daude, baina hona hemen zerrenda praktikoa:
-
Eredu linealak eta logistikoak - sinpleak, azkarrak, interpretatzeko modukoak. Oraindik ere ezin hobeak diren oinarriak datu tabularrentzat.
-
Zuhaitzak eta multzoak - erabaki-zuhaitzak baldin eta orduan zatiketak dira; baso bat konbinatu edo indartu eta harrigarriro indartsuak dira.
-
Sare neuronal konboluzionalak (CNN) - irudi/bideo ezagutzaren bizkarrezurra. Iragazkiak → ertzak → formak → objektuak.
-
Sekuentzia ereduak: RNNak eta transformadoreak - testu, hizketa, proteinetarako, koderako. Transformadoreen auto-arreta izan zen jokoa aldatu zuena [3].
-
Difusio -eredu generatiboak, ausazko zarata irudi koherente bihurtzen dute pausoz pauso [4].
-
Grafoen sare neuronalak (GNN) - sare eta harremanetarako eraikiak: molekulak, grafo sozialak, iruzur eraztunak.
-
Errefortzu-ikaskuntza (ER) - saiakera eta akats bidezko agenteak saria optimizatzen. Pentsa ezazu robotikan, jokoetan, erabaki sekuentzialetan.
-
Fidagarri zaharrak: kNN, Naive Bayes - oinarri azkarrak, batez ere testuetarako, atzoko erantzunak behar dituzunean .
Oharra: datu tabularretan, ez konplikatu gehiegi. Erregresio logistikoak edo zuhaitz indartuek askotan sare sakonak zapaltzen dituzte. Transformadoreak bikainak dira, baina ez nonahi.
Nolakoa den entrenamendua kapotaren azpian 🔧
Modelo moderno gehienek galera-funtzio bat minimizatuz ikasten dute, gradiente-jaitsiera motaren baten bidez . Atzeranzko hedapenak zuzenketak atzerantz bultzatzen ditu parametro bakoitzak nola mugitu jakin dezan. Gehitu trikimailuak, hala nola, gelditze goiztiarra, erregularizazioa edo optimizatzaile adimentsuak, kaosean ez erortzeko.
Mahaiaren gainean grabatzeko moduko errealitate-egiaztapenak:
-
Datuen kalitatea > ereduaren aukera. Benetan.
-
Beti oinarri hartu zerbait sinple batekin. Eredu lineal batek huts egiten badu, zure datu-hodiak ere bai, ziurrenik.
-
Balidazioari erreparatu. Entrenamendu-galera jaisten bada baina balidazio-galera igotzen bada... kaixo, gehiegi egokitzen bazaizu.
Modeloak ebaluatzen: zehaztasunaren gezurrak 📏
Zehaztasuna ondo dirudi, baina zenbaki bakarra txarra da. Zure zereginaren arabera:
-
Zehaztasuna - positiboa diozunean, zenbatetan duzu arrazoi?
-
Gogoratu - benetako gauza positibo guztien artean, zenbat aurkitu dituzu?
-
F1 - zehaztasuna eta berreskurapena orekatzen ditu.
-
PR kurbak - batez ere datu desorekatuetan, ROC baino askoz zintzoagoak [5].
Gehigarria: egiaztatu kalibrazioa (probabilitateek zerbait esan nahi al dute?) eta desbideratzea (sarrerako datuak mugitzen al dira zure oinen azpian?). "Eredu bikaina" ere zaharkituta geratzen da.
Gobernantza, arriskua, errepideko arauak 🧭
Zure ereduak gizakiekin kontaktuan jartzen denean, betetzea garrantzitsua da. Bi aingura handi:
-
NISTen AI RMF - borondatezkoa baina praktikoa, bizi-zikloko urratsekin (gobernatu, mapatu, neurtu, kudeatu) eta fidagarritasun-multzoekin [1].
-
EBko IA Legea - arriskuetan oinarritutako araudia, 2024ko uztailean indarrean dagoena, arrisku handiko sistemetarako eta baita helburu orokorreko modelo batzuetarako betebehar zorrotzak ezartzen dituena [2].
Ondorio pragmatikoa: dokumentatu zer eraiki duzun, nola probatu duzun eta zer arrisku egiaztatu dituzun. Gauerdiko larrialdi-deiak aurrezten dizkizu geroago.
Modelo bat aukeratzea burutik kendu gabe 🧭➡️
Errepika daitekeen prozesua:
-
Definitu erabakia - zer da akats ona eta akats txarra?
-
Auditoria-datuak - tamaina, oreka, garbitasuna.
-
Mugak ezarri - azalgarritasuna, latentzia, aurrekontua.
-
Oinarri-lerroak exekutatu - hasi lineal/logistiko edo zuhaitz txiki batekin.
-
Iterazio adimentsua - gehitu ezaugarriak, doitu eta, ondoren, aldatu familiak irabaziak gelditzen badira.
Aspergarria da, baina aspergarria ona da hemen.
Konparazio-argazkia 📋
| Modelo mota | Publikoa | Prezio gutxikoa | Zergatik funtzionatzen duen |
|---|---|---|---|
| Lineala eta Logistikoa | analistak, zientzialariak | baxua-ertaina | interpretatzeko moduko, azkarreko eta taula-formako potentzia-iturri |
| Erabaki-zuhaitzak | talde mistoak | baxua | gizakiak irakur ditzakeen zatiketak, kudeaketa ez-lineala |
| Ausazko basoa | produktu taldeak | ertaina | Multzoek bariantza murrizten dute, generalista sendoak |
| Gradienteak bultzatutako zuhaitzak | datu-zientzialariak | ertaina | SOTA taulan, ezaugarri nahasiekin sendoa |
| CNNak | ikuspegi jende | ertain-altua | konboluzioa → hierarkia espazialak |
| Transformadoreak | PNL + multimodala | altua | auto-arreta ederki eskalatzen da [3] |
| Difusio ereduak | sormen taldeak | altua | zarata kentzeak magia sortzailea sortzen du [4] |
| GNNak | grafikoen zale amorratuak | ertain-altua | mezu-bidalketak harremanak kodetzen ditu |
| kNN / Naive Bayes | presaka dauden hackerrak | oso baxua | oinarri sinpleak, berehalako hedapena |
| Errefortzu bidezko ikaskuntza | ikerketa-asko | ertain-altua | ekintza sekuentzialak optimizatzen ditu, baina zailagoa da menperatzea |
"Espezialitateak" praktikan 🧪
-
Irudiak → CNNek bikainak dira tokiko ereduak handiagoetan pilatuz.
-
Hizkuntza → Transformatzaileek, auto-arreta jarriz, testuinguru luzeak kudeatzen dituzte [3].
-
Grafikoak → GNNak distira egiten dute konexioek garrantzia dutenean.
-
Generative media → Difusio ereduak, zarata kentzea pausoz pauso [4].
Datuak: MVP isila 🧰
Modeloek ezin dituzte datu txarrak gorde. Oinarriak:
-
Datu-multzoak ondo banatu (ihesik gabe, denbora errespetatu).
-
Desoreka kudeatu (berriro laginketa, pisuak, atalaseak).
-
Ingeniariek arretaz egin dituzte ezaugarriak; modelo sakonek ere onura ateratzen dute.
-
Osasun mentala bermatzeko gurutzatutako baliozkotzea.
Arrakasta neurtzea zeure burua engainatu gabe 🎯
Lotu metrikak benetako kostuekin. Adibidez: laguntza-txartelen sailkapena.
-
Deialdiak premiazko txartelen harrapaketa-tasa handitzen du.
-
Zehaztasunak agenteak zaratan itotzea eragozten du.
-
F1-ek biak orekatzen ditu.
-
Jarrai ezazu noraeza eta kalibrazioa, sistema isilean usteldu ez dadin.
Arriskua, zuzentasuna, dokumentuak - egin ezazu goiz 📝
Ez pentsatu dokumentazioa burokrazia gisa, baizik eta aseguru gisa. Alborapen-egiaztapenak, sendotasun-probak, datu-iturriak - idatzi itzazu. IA RMF [1] bezalako esparruak eta EBko IA Legea [2] bezalako legeak mahai gainean jartzen ari dira nolanahi ere.
Hasiera azkarreko bide-orria 🚀
-
Asmatu erabakia eta metrika.
-
Bildu datu-multzo garbi bat.
-
Oinarrizko lerroa lineal/zuhaitzarekin.
-
Joan modalitaterako familia egokira.
-
Ebaluatu metrika egokiekin.
-
Dokumentatu arriskuak bidali aurretik.
Maiz egiten diren galderak tximista-txanda ⚡
-
Itxaron, berriro ere... zer da IA eredu bat?
Datuetan trebatutako funtzio bat sarrerak irteeretara mapatzeko. Magia orokortzean datza, ez memorizazioan. -
Modelo handiagoek beti irabazten al dute?
Ez taula-zuhaitzetan, oraindik ere nagusi dira. Testu/irudietan, bai, tamainak askotan laguntzen du [3][4]. -
Azalgarritasuna vs. zehaztasuna?
Batzuetan trukea. Erabili estrategia hibridoak. -
Doikuntza fina ala ingeniaritza azkarra?
Aurrekontuak eta zereginaren esparruak agintzen dute. Bietako bakoitzak bere lekua du.
Laburbilduz 🌯
IA ereduak = datuetatik ikasten duten funtzioak. Ez da zehaztasuna bakarrik erabilgarria izatea, baizik eta konfiantza, arriskuen kudeaketa eta hedapen arduratsua. Hasi sinpletasunez, neurtu garrantzitsua dena, dokumentatu zati itsusienak, eta gero (eta orduan bakarrik) joan dotoreago.
Esaldi bakarra gordetzen baduzu: IA ereduak ikasitako funtzioak dira, optimizazioarekin entrenatzen dira, testuinguru espezifikoetako metrikekin epaitzen dira eta babes-hesiekin zabaltzen dira. Hori da kontua.
Erreferentziak
-
NIST - Adimen Artifizialeko Arriskuen Kudeaketa Esparrua (AI RMF 1.0)
NIST AI RMF 1.0 (PDF) -
EBko Adimen Artifizialaren Legea - Aldizkari Ofiziala (2024/1689, 2024ko uztailaren 12a)
EUR-Lex: Adimen Artifizialaren Legea (PDF ofiziala) -
Transformatzaileak / Auto-arreta - Vaswani et al., Arreta Da Behar Duzun Guztia (2017).
arXiv:1706.03762 (PDF) -
Difusio Ereduak - Ho, Jain, Abbeel, Zarata Kentzeko Difusio Probabilitate Ereduak (2020).
arXiv:2006.11239 (PDF) -
PR vs ROC desoreka dela eta - Saito & Rehmsmeier, PLOS ONE (2015).
DOI: 10.1371/journal.pone.0118432