EDITORIAL

Revista Peruana de Investigación en Salud, ISSN: 2616 - 6097
https://doi.org/10.35839/repis.7.3.1970

La Importancia de las Bases de Datos para el Entrenamiento en Inteligencia Artificial

The Importance of Databases for Training in Artificial Intelligence

 

Jarvis Raraz-Vidal1,a

1Universidad Nacional Hermilio Valdizan. Huánuco, Perú.

aPatología Clínica, Maestro en Investigación Clínica, Diplomado en Inteligencia Artificial. Editor Adjunto.

Corresponding author: E-mail:jarvisraraz@gmail.com

Orcid ID:ahttps://orcid.org/0000-0002-1511-5877

Recibido: 31 de julio de 2023

Aprobado: 20 de setiembre de 2023

En línea: 30 de noviembre de 2023

La inteligencia artificial (IA) ha experimentado un crecimiento exponencial en las últimas décadas, revolucionando industrias, investigaciones en salud(1) y nuestra vida cotidiana. Desde asistentes virtuales hasta vehículos autónomos. Sin embargo, en el corazón de este avance tecnológico se encuentra un elemento esencial, pero a menudo pasado por alto: las bases de datos. Las bases de datos son el pilar fundamental en el entrenamiento y desarrollo de modelos de inteligencia artificial. Son los depósitos de información que alimentan a los algoritmos y les permiten aprender, adaptarse y tomar decisiones inteligentes. En esencia, las bases de datos son la materia prima de la IA, y su calidad y diversidad son cruciales para determinar el éxito o el fracaso de los sistemas de IA. Uno de los mayores desafíos que enfrenta la comunidad de IA es la obtención de datos de alta calidad y representativos. Estos datos deben ser precisos, imparciales y relevantes para la tarea que se desea abordar. Además, es esencial que los datos reflejen la diversidad del mundo real, evitando sesgos y discriminación. Un conjunto de datos sesgado puede llevar a resultados igualmente sesgados y decisiones injustas en aplicaciones de IA, lo que socava la confianza en estas tecnologías(2,3).

La recopilación y gestión de datos éticos es un tema crítico que debe abordarse de manera responsable. Esto incluye el respeto a la privacidad de las personas, la transparencia en el uso de datos y la protección contra posibles abusos. Es imperativo que la comunidad de la IA trabaje en estrecha colaboración con expertos en ética y privacidad para garantizar que los datos se utilicen de manera justa y beneficiosa para la sociedad(4,5).

Otro desafío importante es la disponibilidad de bases de datos adecuadas y suficientes. A medida que las aplicaciones de IA se vuelven más diversas y avanzadas, la demanda de datos crece exponencialmente. Para abordar este problema, es fundamental fomentar la colaboración y la compartición de datos entre investigadores, empresas y gobiernos. Esto no solo acelerará el progreso en la IA, sino que también permitirá un desarrollo más equitativo y accesible de estas tecnologías(3,6).

Plataformas de bases de datos

Tanto Kaggle (https://www.kaggle.com/) como GitHub (https://github.com/gcoronelc/databases) son plataformas ampliamente utilizadas en la comunidad de Machine Learning para acceder a conjuntos de datos y recursos relacionados con la ciencia de datos y el aprendizaje automático. Estas plataformas pueden contener datos de uso libre de diferentes dominios: salud (bases de datos de fotografías de bacterias, radiografías, ecografías, resonancia magnética de pacientes con Alzheimer, datos de Covid-19, tuberculosis, resultados de EKG, datos de secuencia genética de un microorganismo, resultados de laboratorio de pacientes con diabetes, etc), finanzas, visión por computadora, procesamiento de lenguaje natural (NLP), ciencia de datos, y más. GitHub también alberga recursos educativos, tutoriales y libros relacionados con Machine Learning que pueden ayudarte a aprender y entrenar modelos de manera efectiva. Ten en cuenta que debes respetar las licencias de los datos y proyectos que encuentres en estas plataformas, y siempre dar crédito adecuado a los autores cuando sea necesario.

Entrenamiento con bases de datos en línea

Entrenar modelos de Machine Learning con datos de Kaggle y GitHub implica la obtención de datos de entrenamiento, preprocesamiento y entrenamiento de modelos utilizando bibliotecas de Machine Learning en Python(7), como Scikit-Learn o TensorFlow. Aquí tienes una descripción general de cómo hacerlo:

Entrenamiento de Modelos con Datos de Kaggle(8):

  1. Acceder a Kaggle: Ve al sitio web de Kaggle (https://www.kaggle.com/) y regístrate si aún no lo has hecho. Kaggle es una plataforma que ofrece conjuntos de datos, competiciones de Machine Learning y recursos para científicos de datos.

  2. Buscar Datos: Utiliza la función de búsqueda de Kaggle para encontrar conjuntos de datos relevantes para tu tarea de Machine Learning. Puedes buscar por tema, conjunto de datos específico o palabras clave.

  3. Descargar Datos: Una vez que encuentres un conjunto de datos adecuado, descárgalo en tu máquina local. Los conjuntos de datos en Kaggle generalmente se proporcionan en formatos como CSV o JSON.

  4. Preprocesamiento de Datos: Limpia y preprocesa los datos según sea necesario. Esto puede incluir la eliminación de valores atípicos, el llenado de valores faltantes y la codificación de variables categóricas.

  5. Entrenamiento del Modelo: Utiliza bibliotecas de Machine Learning como Scikit-Learn o TensorFlow para cargar los datos, dividirlos en conjuntos de entrenamiento y prueba, y entrenar tu modelo de Machine Learning.

  6. Evaluación del Modelo: Evalúa el rendimiento de tu modelo utilizando métricas adecuadas para tu tarea, como precisión, F1-score o error cuadrático medio, dependiendo de si estás trabajando en una tarea de clasificación o regresión.

Entrenamiento de Modelos con Datos de GitHub(9):

  1. Acceso a Datos en GitHub: GitHub(https://github.com/gcoronelc/databases) es una plataforma de desarrollo colaborativo que alberga una gran cantidad de repositorios de código y datos. Puedes buscar conjuntos de datos específicos en GitHub o acceder a repositorios públicos que contienen datos.

  2. Clonar Repositorio: Si encuentras un repositorio en GitHub que contiene datos de tu interés, puedes clonarlo en tu máquina local utilizando Git o simplemente descargar los archivos de datos que necesitas.

  3. Preprocesamiento de Datos: Al igual que con los datos de Kaggle, es importante realizar el preprocesamiento necesario en los datos descargados desde GitHub antes de usarlos para el entrenamiento.

  4. Entrenamiento del Modelo: Utiliza las mismas bibliotecas de Machine Learning, como Scikit-Learn o TensorFlow, para cargar, preprocesar y entrenar tu modelo utilizando los datos de GitHub.

  5. Evaluación del Modelo: Al igual que en el caso de Kaggle, evalúa el rendimiento de tu modelo utilizando métricas adecuadas para tu tarea.

Ten en cuenta que la disponibilidad y calidad de los datos en Kaggle y GitHub pueden variar, por lo que es importante realizar una selección cuidadosa. También es esencial seguir buenas prácticas de ciencia de datos(5).

Las bases de datos son el cimiento de la inteligencia artificial. Su calidad, diversidad y ética son factores cruciales para el éxito continuo de la IA. Como comunidad, debemos reconocer la importancia de los datos y trabajar juntos para garantizar que sean un recurso accesible y beneficioso para todos.

Criterios del autor

El autor declara que participo en todo el proceso desde concepción del artículo hasta la versión final.

Referencias bibliográficas

1. Raraz-Vidal J, Raraz-Vidal O. Aplicaciones de la inteligencia artificial en la medicina. Rev Peru Investig En Salud.2022;6(3):131-3. doi: 10.35839/repis.6.3.1559

2. Liu R, Wang T, Yang Y, Yu B. Database Development Based on Deep Learning and Cloud Computing. Mob Inf Syst.2022;2022:e6208678. doi: 10.1155/2022/6208678

3. Zou B, You J, Wang Q, Wen X, Jia L. Survey on Learnable Databases: A Machine Learning Perspective. Big Data Res. 2022;27:100304. doi: 10.1016/j.bdr.2021.100304

4. Lo Piano S. Ethical principles in machine learning and artificial intelligence: cases from the field and possible ways forward. Humanit Soc Sci Commun. 2020;7(1):1-7. doi: 10.1057/s41599-020-0501-9

5. Toms A, Whitworth S. Ethical considerations in the use of Machine Learning for research and statistics. Int J Popul Data Sci. 7(3):1921. doi: 10.23889/ijpds.v7i3.1921

6. Najafabadi MM, Villanustre F, Khoshgoftaar TM, Seliya N, Wald R, Muharemagic E. Deep learning applications and challenges in big data analytics. J Big Data. 2015;2(1):1. doi: 10.1186/s40537-014-0007-7

7. Raraz-Vidal J, Raraz-Vidal O. Empezando a programar en inteligencia artificial. Rev Peru Investig En Salud. 2023;7(2):61-3. doi: 10.35839/repis.7.2.1873

8. Kaggle: Your Machine Learning and Data Science Community [Internet]. [citado 22 de septiembre de 2023]. Disponible en: https://www.kaggle.com/

9. GitHub. Data Science Community [Internet]. 2023 [citado 22 de septiembre de 2023]. Disponible en: https://github.com/gcoronelc/databases


Esta obra está bajo una Licencia Creative Commons