Qué es el overfitting
Es como un estudiante que memoriza las respuestas de los exámenes del año pasado sin entender la materia: saca un 10 si le ponen el mismo examen y suspende si cambian las preguntas. En IA, un modelo sobreajustado tiene métricas espectaculares en las pruebas internas y decepciona en el mundo real.
Cómo se detecta y se evita
- Separar datos: entrenar con unos y evaluar con otros que el modelo no ha visto.
- Más datos y más variados: difíciles de memorizar.
- Modelos más simples: un modelo demasiado complejo para pocos datos tiende a sobreajustar.
- Regularización y parada temprana: técnicas que limitan cuánto se ajusta el modelo.
Ejemplo real
Una tienda entrena un modelo para predecir ventas con los datos de un solo año, que tuvo una promoción muy fuerte en marzo. El modelo «aprende» que marzo siempre dispara las ventas. Al año siguiente, sin promoción, sus previsiones de marzo fallan de forma clamorosa.
Para qué te sirve en tu negocio
Desconfía de los modelos (o proveedores) que prometen acierto casi perfecto. Pregunta siempre cómo se ha evaluado: con qué datos, de qué periodo y si eran datos que el modelo no había visto.
Errores comunes
- Evaluar el modelo con los mismos datos con los que se entrenó.
- Entrenar con un periodo corto o poco representativo.
- Añadir variables sin parar hasta que «cuadra» todo.
Preguntas frecuentes
¿Qué es el underfitting?
Lo contrario: un modelo demasiado simple que no captura ni los patrones básicos.
¿Los LLM sufren overfitting?
Pueden memorizar fragmentos de sus datos, aunque su escala hace que el problema se manifieste de otras formas.
¿Cómo sé si un modelo está sobreajustado?
Si rinde mucho mejor con los datos de entrenamiento que con datos nuevos.