{"id":29225,"date":"2025-07-08T03:02:57","date_gmt":"2025-07-08T03:02:57","guid":{"rendered":"https:\/\/domosistemas.com\/?p=29225"},"modified":"2025-07-08T03:02:57","modified_gmt":"2025-07-08T03:02:57","slug":"la-universidad-de-cadiz-presenta-un-nuevo-metodo-de-entrenamiento-de-ia-mas-rapido-y-con-menos-datos","status":"publish","type":"post","link":"https:\/\/domosistemas.com\/?p=29225","title":{"rendered":"La Universidad de C\u00e1diz presenta un nuevo m\u00e9todo de entrenamiento de IA m\u00e1s r\u00e1pido y con menos datos"},"content":{"rendered":"
\n

Un equipo de investigaci\u00f3n de la Universidad de C\u00e1diz ha desarrollado Redibagg, un m\u00e9todo que permite acelerar el entrenamiento de modelos de inteligencia artificial (IA) manteniendo su precisi\u00f3n. Esta t\u00e9cnica reduce el tama\u00f1o de los datos empleados durante la fase de aprendizaje, lo que rebaja en hasta un 70% el tiempo de procesamiento y reduce el consumo de recursos inform\u00e1ticos.<\/p>\n

\"Supercomputadora
Las pruebas del m\u00e9todo de entrenamiento de IA se realizaron en Urania, el supercomputador de la Universidad de C\u00e1diz.<\/figcaption><\/figure>\n

Dise\u00f1ada para trabajar con grandes vol\u00famenes de informaci\u00f3n, la herramienta se puede utilizar para tareas de clasificaci\u00f3n. Por ejemplo, en salud podr\u00eda acelerar sistemas de diagn\u00f3stico autom\u00e1tico sin sacrificar fiabilidad, en industria servir\u00eda para detectar fallos en tiempo real con menor consumo de recursos, o en finanzas procesar grandes registros en menos tiempo para prevenir fraudes o analizar riesgos.<\/p>\n

Como explican en el art\u00edculo\u00a0\u2018Redibagg: Reducing the training set size in ensemble machine learning-based prediction models\u2019<\/a>, publicado en la revista\u00a0E<\/i>ngineering Applications of Artificial Intelligence, el sistema se comporta bien en contextos dispares. No es un m\u00e9todo orientado a ciertos tipos de datos, sino que es muy vers\u00e1til y robusto ante cualquier volumen con gran n\u00famero de caracter\u00edsticas o instancias, seg\u00fan la informaci\u00f3n publicada por la Fundaci\u00f3n Descubre<\/a>.<\/p>\n

Otra ventaja de la herramienta es su simplicidad de implementaci\u00f3n. Se puede aplicar f\u00e1cilmente en entornos de trabajo habituales con inteligencia artificial como el lenguaje de programaci\u00f3n Python, y bibliotecas est\u00e1ndar como Scikit-learn, espec\u00edfica para usar t\u00e9cnicas de aprendizaje autom\u00e1tico de forma sencilla, lo que facilitar\u00eda su adopci\u00f3n por parte de investigadores, empresas o instituciones.<\/p>\n

Funcionamiento del m\u00e9todo de aprendizaje de IA<\/b><\/h2>\n

Redibagg es una variante de bagging\u00a0(abreviatura en ingl\u00e9s de\u00a0bootstrap aggregating), un m\u00e9todo de combinaci\u00f3n de modelos muy utilizado para mejorar la precisi\u00f3n de los clasificadores en el contexto de la inteligencia artificial. La herramienta crea m\u00faltiples subconjuntos a partir de la muestra original de los datos. Cada submuestra se usa para el aprendizaje de un clasificador base, y luego se combinan las predicciones para tomar decisiones m\u00e1s fiables.<\/p>\n

El m\u00e9todo de remuestreo que utiliza\u00a0bagging\u00a0es\u00a0bootstrap, una t\u00e9cnica estad\u00edstica que genera submuestras aleatorias con reemplazo. Es decir, se crean nuevas colecciones de datos eligiendo ejemplos al azar del conjunto original, permitiendo que algunos se repitan y otros no.<\/p>\n

Aunque\u00a0bagging es eficaz, su principal inconveniente es el alto coste computacional. Cada modelo se entrena con una submuestra del mismo tama\u00f1o que el conjunto original, lo que ralentiza el aprendizaje y multiplica el consumo de recursos. Frente a esta limitaci\u00f3n, los expertos han aplicado un nuevo sistema de remuestreo que genera subconjuntos m\u00e1s peque\u00f1os, pero representativos. A partir de esas submuestras, los investigadores han entrenado varios modelos independientes, combinando sus predicciones igual que en bagging cl\u00e1sico.<\/p>\n

Para validar su eficacia lo pusieron a prueba en 30 conjuntos de datos reales utilizando\u00a0Urania, el supercomputador de la Universidad de C\u00e1diz, aplicando\u00a0distintos tipos de algoritmos de clasificaci\u00f3n, como \u00e1rboles de decisi\u00f3n, redes neuronales, m\u00e1quinas de soporte vectorial o modelos bayesianos.<\/p>\n

Siguientes pasos<\/b><\/h2>\n

En todos los casos, el nuevo enfoque demostr\u00f3 una precisi\u00f3n comparable al m\u00e9todo original. De media, consiguieron rebajar el tiempo de entrenamiento en un 35%, alcanzando reducciones del 70% en conjuntos de datos muy grandes. Esto es debido a que al trabajar con modelos menos complejos se reducen las horas de entrenamiento y el coste de almacenamiento, por lo que el m\u00e9todo es mucho m\u00e1s eficiente.<\/p>\n

Ahora los investigadores se proponen liberar el m\u00e9todo para su disposici\u00f3n por parte de la comunidad cient\u00edfica. Tambi\u00e9n contemplan estudiar c\u00f3mo la herramienta podr\u00eda aplicarse a otros sistemas de aprendizaje autom\u00e1tico, aparte de\u00a0bagging\u00a0y sus variantes, combinarlo con t\u00e9cnicas de selecci\u00f3n de variables para obtener modelos a\u00fan m\u00e1s eficientes, o explorar su adaptaci\u00f3n a tareas de regresi\u00f3n, en las que se predicen valores num\u00e9ricos en lugar de categor\u00edas.<\/p>\n

La entrada La Universidad de C\u00e1diz presenta un nuevo m\u00e9todo de entrenamiento de IA m\u00e1s r\u00e1pido y con menos datos<\/a> aparece primero en CASADOMO<\/a>.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Un equipo de investigaci\u00f3n de la Universidad de C\u00e1diz ha desarrollado Redibagg, un m\u00e9todo que permite acelerar el entrenamiento de modelos de inteligencia artificial (IA) manteniendo su precisi\u00f3n. Esta t\u00e9cnica reduce el tama\u00f1o de los datos empleados durante la fase de aprendizaje, lo que rebaja en hasta un 70% el tiempo de procesamiento y reduce … Sigue leyendo La Universidad de C\u00e1diz presenta un nuevo m\u00e9todo de entrenamiento de IA m\u00e1s r\u00e1pido y con menos datos<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-29225","post","type-post","status-publish","format-standard","hentry","category-casadomo-com"],"_links":{"self":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/29225","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=29225"}],"version-history":[{"count":0,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/29225\/revisions"}],"wp:attachment":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=29225"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=29225"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=29225"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}