“El problema no es los datos, es cómo ignoramos las partes aburridas de ellos”. ¿Son los modelos de IA tan precisos como dice la prueba de validación? ¿Por qué un modelo con exactitud de predicción del 99% inundaría su buzón de entrada con falsas alarmas y convertiría su hermoso día en una pesadilla de debugging? ¿Confundido ? Bienvenido a la Un bias que hace que tanto humanos como máquinas juzguen mal las probabilidades cuando ignoramos el contexto en el que existen los datos. Base Rate Fallacy What Is the Base Rate Fallacy? ¿Cuál es la tasa base de falsificación? Vamos a echar un vistazo a lo que realmente es la falla de la tasa de base. El es la probabilidad total de que un evento ocurra-  considering new evidence. The  ocurre cuando estas probabilidades subyacentes son ignoradas, y nos enfocamos sólo en las nuevas pruebas. base rate Antes base rate fallacy Let the Math Speak Deja que las matemáticas hablen Imagínese una situación en la que una enfermedad Usted, siendo un genio, desarrolla una prueba que es : 1 in 1000 99% accurate 
 
 
 Si alguien tiene la enfermedad, la prueba es positiva en el 99% de los casos (verdadero positivo). Si alguien no tiene la enfermedad, la prueba es negativa 99% del tiempo (verdadero negativo). Ahora, supongamos que alguien prueba ¿Cuál es la probabilidad de que realmente tengan la enfermedad? positive A diferencia de la intuición, es Aquí está por qué: not 99% De cada 1.000 personas: 
 
 
 1 persona realmente tiene la enfermedad → la prueba probablemente la atrapa → 1 verdadero positivo 999 personas no tienen la enfermedad → 1% de ellos prueba positivo → ~10 falsos positivos Entre las pruebas positivas se encuentran: 
 
 
 Total de positivos = 1 (verdadero) + 10 (falso) = 11 Probabilidad de tener realmente la enfermedad = 1 / 11 ≈ 9% A pesar de una prueba que es "99% exacta", tu probabilidad de estar enfermo es sólo Porque la enfermedad es muy rara. 9% que Es el -y ignorarlo conduce a una masiva malinterpretación. 1-in-1000 Tasa de base Why Humans Fall for This ¿Por qué los humanos caen por esto? The twist? This isn’t just a math problem—it’s a  . brain problem Psicólogos y Descubrieron que cuando evaluamos la probabilidad, subconscientemente reemplazamos las preguntas difíciles con las más fáciles. Daniel Kahneman Amos Tversky “¿Qué tan bien coincide esta situación con mi estereotipo mental?” Así que cuando una prueba es 99% exacta, nuestro cerebro dice: “¡Suena como un partido!” ...y asumimos que el resultado debe ser verdadero. Este corto se denomina , y nos hace ignorar la aburrida tasa de base estadística. representativeness heuristic The Engineer–Lawyer Conundrum El ingeniero-jurista Conundrum Este efecto se demostró a través de la . Engineer–Lawyer problem Se les dijo a los participantes: 
 
 
 Hay 70 abogados y 30 ingenieros en una habitación. Jack es introvertido, disfruta de puzzles de matemáticas y le gusta la electrónica. Luego preguntó: “¿Cuál es la probabilidad de que Jack sea un ingeniero?” A pesar de que el índice de referencia sugiere un La mayoría de la gente dijo Porque Jack La descripción se siente representativa, por lo que la relación 70/30 se ignora, aunque sea un predictor más poderoso. 30% chance 80–90% Sonido How This Fails in the Real World Cómo esto falla en el mundo real **Predicciones de IA: Creas un modelo que marca los productos defectuosos con una precisión del 95%. de los elementos son realmente defectuosos, la mayoría de las alertas serán falsos positivos. 0.1% **Planificación de la cadena de suministro \ Un sistema de retraso de advertencia temprana marca los riesgos del vendedor. Si los envíos son realmente retrasados, la mayoría de las advertencias serán falsas, incluso si el sistema es técnicamente “preciso”. 1 in 500 Y ocurre en una amplia gama de dominios: detección de fraudes, pruebas médicas, alertas de amenazas, monitoreo de anomalías: la lista continúa. The Solution: Bayes to the Rescue La solución: Bayes al rescate En matemáticas, Ayuda a contrarrestar la falla de la tasa de base. actualiza nuestras creencias al combinar las tasas de base con nuevas pruebas: Bayes’ Theorem P(B)=P(B)P(B)A / P(A) Dónde es: 
 
 
 
 
 P(A) B: Probabilidad de tener la enfermedad dada una prueba positiva P(B) A: Probabilidad de que el test sea positivo si tiene la enfermedad : Base rate (prior probability) P(A) P(B): Probabilidad total de prueba positiva (verdadero + falsos positivos) El teorema de Bayes nos obliga a equilibrar con Algo que la intuición humana tiende a saltar. Lo que sabemos Lo que vemos Final Thoughts Pensamientos finales Vivimos en un mundo impulsado por las predicciones, desde la IA a la atención médica a la logística, pero los números, no importa cuán sofisticados, no significan nada sin lo correcto. . context Y a veces, la visión más poderosa se encuentra en la aburrida probabilidad de baja clave que fuimos demasiado rápidos para ignorar.

Read My Stories

Este audio es producido en el idioma original de la historia!

Fallacia de la tasa de base: por qué su modelo más inteligente todavía se equivoca

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

El modelo Bitcoin UTXO, impulsando un ecosistema único

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Telegram: el puente de Crypto Island hacia el continente

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

El modelo Bitcoin UTXO, impulsando un ecosistema único

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Telegram: el puente de Crypto Island hacia el continente

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps