En el contexto de la teoría de la medición, los conceptos de precisión y exactitud desempeñan roles fundamentales; sin embargo, su aplicación y significado varían enormemente según el dominio y los problemas a los que se aplican. Mientras que la precisión se refiere a la similitud de medidas repetidas, la exactitud concierne a la proximidad de una medición al valor verdadero o aceptado.
La investigación reciente destaca que estas métricas numéricas, en el ámbito del aprendizaje estadístico y las inteligencias artificiales (IA) son inadecuadas para evaluar modelos y su relevancia. Esto es particularmente notorio en problemas de clasificación binaria y multiclase, donde se ha observado una carencia de medidas o representaciones equivalentes en el ámbito cognitivo.
Medir la precisión y la exactitud se convierte en un desafío en IA y aprendizaje automático (Machine Learning, ML), ya que los métodos disponibles presentan limitaciones significativas. Las clasificaciones precisas y significativas deben involucrar sistemas aproximados que sean válidos tanto desde una perspectiva numérica como cognitiva. Es en esta línea que se propone un marco basado en conjuntos generales aproximados, promoviendo un enfoque composicional que saca provecho de las herramientas computacionales mejoradas.
Para avanzar en este desafío, se presentan sistemas de álgebras parciales que ofrecen métricas de aproximación granulares que refuerzan el análisis de modelos sin depender de suposiciones probabilísticas. Estas metodologías eliminan la necesidad de medidas numéricas que a menudo no son justificables.
Además, las medidas de precisión-recalled se sugieren como más informativas que las curvas ROC tradicionales, especialmente en datos desbalanceados. La medida de Matthews y el Kappa de Cohen son mencionados como enfoques útiles para los problemas de clases desbalanceadas, aportando una visión crítica sobre las prácticas comunes.
Con la implementación de un marco general de conjuntos aproximados, se aborda directamente el balance entre precisión y exactitud. Las aplicaciones en algoritmos AIML muestran que el uso de operadores de aproximación permite evaluar y mejorar la calidad de los modelos, al tiempo que se integran métricas más robustas en sistemas algorítmicos, basados en conceptos algebraicos.
En conclusión, la adopción de un enfoque granular en la representación de la precisión y la exactitud permite una evaluación más precisa y efectiva de los modelos de IA. Este enfoque no solo proporciona una mejor comprensión de los patrones que un modelo puede expresar sino que también ofrece una estructura para implementar mejoras continuas en la precisión de las aplicaciones AIML.