Elegir una estrategia exige conocer el problema.
01Reglas escritas, patrones aprendidos y combinaciones.
02La comparación no produce un ganador universal.
¿De dónde sale lo que el sistema usa?
01Simbólico: conocimiento formalizado en reglas, hechos o estructuras.
02Basado en datos: patrones ajustados a partir de ejemplos.
03Ambos necesitan entradas, decisiones de diseño y validación.
Reglas explícitas y recorridos inspeccionables.
01Representar políticas y restricciones enunciables.
02Explicar qué reglas intervinieron.
03Actualizar conocimiento cuando se conocen los cambios.
Una garantía siempre tiene supuestos.
01Un motor correcto preserva la consecuencia lógica.
02La conclusión sobre el mundo depende de premisas y modelado adecuados.
03Una restricción solo protege lo que efectivamente se comprueba.
Aprender regularidades difíciles de enunciar.
01Imágenes, audio y texto pueden beneficiarse de ejemplos.
02Los patrones aprendidos permiten generalizar dentro de ciertos supuestos.
03Más datos ayudan cuando aportan calidad y cobertura relevantes.
Aprendido no significa siempre opaco.
01Un árbol pequeño puede aprenderse de datos y ser interpretable.
02Una red grande suele requerir otros métodos de análisis.
03La transparencia depende del modelo, su tamaño y la audiencia.
Un árbol pequeño fue aprendido de ejemplos.
Comparar dimensiones, no etiquetas.
| Dimensión | Simbólico | Basado en datos |
|---|---|---|
| Origen | Conocimiento formalizado | Patrones inducidos de ejemplos |
| Insumo crítico | Reglas justificadas y hechos fiables | Datos adecuados y objetivos claros |
| Explicación | Traza; complejidad al crecer | Depende del tipo y tamaño del modelo |
| Cambios | Revisar reglas y sus interacciones | Evaluar deriva y actualizar cuando corresponda |
| Fallos | Premisas falsas, omisiones, conflictos | Errores de generalización y confianza mal calibrada |
| Validación | Reglas, cobertura y casos límite | Datos separados, métricas y errores por contexto |
Ambos enfoques incorporan decisiones humanas.
01Reglas: supuestos del experto, variables y excepciones elegidas.
02Datos: selección de casos, etiquetas y objetivos.
03La visibilidad de una regla no garantiza que alguien detecte el problema.
Un número alto también puede estar equivocado.
01Las reglas pueden quedar desactualizadas.
02Un modelo puede fallar con confianza alta ante cambios.
03Hay que revisar el contexto, los errores y la calibración.
Cinco preguntas antes de construir.
01¿Hay reglas que un especialista pueda enunciar?
02¿Hay ejemplos suficientes y representativos?
03¿Qué explicación y restricciones requiere la decisión?
04¿Cuánto cambia el dominio?
05¿La entrada es perceptual o está estructurada?
Justificar el primer paso.
- 1Necesidad
- 2Insumos
- 3Estrategia
- 4Validación
Consultar el criterio antes de responder
Criterio del ejercicio: consulta exacta suficiente → programa convencional; reglas disponibles sin tarea perceptual → reglas; ejemplos adecuados → evaluar aprendizaje; sin esos insumos → preparar conocimiento o datos. Es una orientación para estos casos, no un ranking universal.
Describir la necesidad
Contar inscripciones confirmadas por curso en una base con estado y curso completos. Se pide un conteo exacto, no predecir inscripciones futuras.
Tenemos más datos, pero del entorno equivocado.
Combinar componentes con funciones distintas.
01Percepción aprendida seguida de decisiones explícitas.
02Propuestas filtradas por restricciones.
03Fuentes o conocimiento estructurado como apoyo.
Observación → propuesta → comprobaciones → decisión
Detectar una pieza no es autorizar una acción.
01La percepción produce una descripción o propuesta.
02Las reglas usan esa descripción junto con otros hechos.
03Un error en la descripción puede propagarse a la decisión.
Una propuesta debe pasar las comprobaciones.
- 1Propuesta
- 2Condiciones
- 3Filtro
- 4Límites
Consultar el criterio antes de responder
Propuesta ficticia: embalar. Si certificado=false, vetar; si falta certificado, revisar; si fuera de dominio, revisar; si puntaje<0,8, revisar; en otro caso habilitar. El puntaje no se interpreta como probabilidad calibrada.
Distinguir propuesta de decisión
Modelo ficticio: propone embalar, con puntaje 0.96. Un modelo visual ficticio propone embalar una pieza. Revisamos la ficha del lote y el dominio declarado de la imagen. El puntaje no demuestra acierto en esta pieza.
El modelo propone con puntaje 0,99.
01La ficha verificada indica certificado no válido.
Recuperar evidencia antes de responder.
01La información externa puede estar en documentos, tablas o grafos.
02RAG combina recuperación con generación; no exige un grafo.
03Citar una fuente no garantiza que la afirmación esté respaldada.
¿Qué permiten afirmar estas fuentes?
- 1Documentos
- 2Vigencia
- 3Respuesta
- 4Límites
| Documento | Cierre | Estado dado |
|---|---|---|
| H1 · Horario anterior · versión 1 | 16:00 | Desactualizada |
| H2 · Horario actualizado · versión 2 | 18:00 | Marcada vigente |
Consultar el criterio antes de responder
Usar solo fuentes marcadas vigentes. Si ninguna aporta un valor, verificar; si discrepan, resolver conflicto; si coinciden, responder con procedencia. Las marcas de vigencia son datos del ejercicio, no comprobaciones automáticas de verdad.
Examinar la evidencia
Consulta ficticia: ¿a qué hora cierra el laboratorio? Los documentos ya fueron recuperados y su vigencia fue marcada para este ejercicio. Leé los documentos disponibles; no agregues un horario por intuición.
Una tripleta propuesta todavía necesita revisión.
01Texto → propuesta de entidad, relación y valor.
02Revisar identidad, significado, procedencia y contradicciones.
03Publicar o rechazar con registro de la decisión.
Documento → tripleta propuesta → revisión → base de conocimiento
Probar componentes e integración.
01Medir errores de percepción y de datos.
02Probar restricciones, faltantes y conflictos.
03Evaluar qué pasa cuando una entrada cambia de contexto.
Diseñemos una solución y su prueba.
01Elegí una necesidad del curso o del laboratorio.
02Separá datos, conocimiento, propuesta y decisión.
03Proponé un caso normal y uno que obligue a revisar.
Una elección profesional se justifica.
Volver a los casos y a sus supuestos.
01Apunte de Unidad 2, apartados 10.1–10.4.
02Los casos y las salidas del modelo son ficticios.