Mapa Visual, Heurísticas y Casos de Estudio

Saber que existen cinco dimensiones es útil. El siguiente diagrama muestra cómo se relacionan las dimensiones entre sí — no es una guía de qué elegir, sino un mapa de las opciones disponibles.

Mapa Visual de la Taxonomía

Flujo de las 5 dimensiones

flowchart TD
    START(["PROBLEMA DE PREDICCIÓN"]) --> Q1

    Q1{"D1: FUENTE DE CONOCIMIENTO - ¿De dónde viene la estructura?"}

    Q1 -->|"Teoría completa (física, economía)"| D1_DED["DEDUCTIVO - Ecuaciones teóricas"]
    Q1 -->|"Teoría + datos (calibración)"| D1_HIB["HÍBRIDO - Estructura teórica, parámetros de datos"]
    Q1 -->|"Solo datos (ML clásico)"| D1_IND["INDUCTIVO - Todo se aprende"]

    D1_DED --> Q2
    D1_HIB --> Q2
    D1_IND --> Q2

    Q2{"D2: INTERPRETACIÓN PROBABILÍSTICA - ¿Cómo tratas la incertidumbre?"}

    Q2 -->|"Actualizar creencias con datos"| D2_BAY["BAYESIANO - P(θ|datos)"]
    Q2 -->|"Frecuencias límite"| D2_FRQ["FREQUENTIST - MLE, intervalos"]

    D2_BAY --> Q3
    D2_FRQ --> Q3

    Q3{"D3: OBJETIVO MATEMÁTICO - ¿Tienes variable objetivo Y?"}

    Q3 -->|"Sí, supervisado"| Q4
    Q3 -->|"No, unsupervised"| Q4B

    Q4{"¿Qué estadístico de Y necesitas?"}

    Q4 -->|"Media"| D3_EY["E[Y|X] - Predicción puntual"]
    Q4 -->|"Distribución"| D3_PY["P(Y|X) - Incertidumbre total"]
    Q4 -->|"Percentiles"| D3_Q["Qα[Y|X] - VaR e intervalos"]
    Q4 -->|"Intervención"| D3_DO["P(Y|do(X)) - Causalidad"]

    Q4B{"¿Qué quieres de X?"}

    Q4B -->|"Densidad"| D3_PX["P(X) - Anomalías y generación"]
    Q4B -->|"Compresión"| D3_PHI["ϕ(X) - Embeddings"]
    Q4B -->|"Clusters"| D3_C["P(C|X) - Segmentación"]

    D3_EY --> Q5
    D3_PY --> Q5
    D3_Q --> Q5
    D3_DO --> D4_CAUS["CAUSAL - DAG con do()"]
    D3_PX --> Q5B
    D3_PHI --> Q5B
    D3_C --> Q5B

    Q5{"D4: ARQUITECTURA - ¿Estructura entre variables?"}

    Q5 -->|"Features intercambiables"| D4_FLAT["FLAT - X → f(θ) → Y"]
    Q5 -->|"Dependencias explícitas"| D4_GRAF["PGM - DAG, MRF, HMM"]
    Q5 -->|"Variable oculta L"| D4_LAT["LATENTE - L → X, Y"]

    Q5B{"¿Estructura en datos?"}

    Q5B -->|"Ninguna especial"| D4B_FLAT["FLAT"]
    Q5B -->|"Manifold/Embedding"| D4B_LAT["LATENTE - P(X|L), VAE"]
    Q5B -->|"Mezcla de distribuciones"| D4B_GEN["GENERATIVA - P(X), Gaussian Mixture"]

    D4_FLAT --> Q6
    D4_GRAF --> Q6
    D4_LAT --> Q6
    D4_CAUS --> Q6
    D4B_FLAT --> Q6
    D4B_LAT --> Q6
    D4B_GEN --> Q6

    Q6{"D5: SUPUESTO INDUCTIVO - ¿Qué estructura asumes?"}

    Q6 -->|"Simetría/Invarianza"| D5_ARQ["ARQUITECTURA - CNN, Transformer"]
    Q6 -->|"Penalizar complejidad"| D5_PEN["REGULARIZACIÓN - L1, L2, Dropout"]
    Q6 -->|"Creencia previa"| D5_PRI["PRIOR - P(θ)"]
    Q6 -->|"Match de momentos"| D5_CAL["CALIBRACIÓN - E[g(X,θ)]=0"]
    Q6 -->|"Performance en holdout"| D5_CV["VALIDACIÓN - CV, train/test"]
    Q6 -->|"Independencia temporal"| D5_MRK["MARKOV - P(Xₜ₊₁|Xₜ)"]

Combinaciones comunes

Heurísticas para Elegir

Advertencia: Lo que sigue son heurísticas, no reglas. Son puntos de partida para orientar la exploración, no respuestas definitivas. El contexto siempre manda.

Heurísticas por dimensión

Cada dimensión tiene preguntas que ayudan a elegir:

D1: Fuente de Conocimiento

• Pregunta: ¿Tienes teoría validada del fenómeno?
• Sí → Deductivo o Híbrido
• No → Inductivo
• ¿Pocos datos? → Híbrido puede ayudar

D2: Interpretación de Probabilidad

• Pregunta: ¿Necesitas incertidumbre sobre los parámetros?
• Sí → Bayesiano
• Solo predicción puntual → Frequentist suele bastar

D3: Objetivo Matemático

• Pregunta: ¿Qué harás con la predicción?
• Decisión binaria → $P(Y \mid X)$
• Un número → $E[Y \mid X]$
• Cuantificar riesgo → Quantiles
• Intervenir/causar → $do(X)$

D4: Arquitectura de Variables

• Pregunta: ¿Hay estructura conocida entre variables?
• Sí, dependencias explícitas → PGM/Grafo
• Datos de alta dimensión → Latente
• Sin estructura especial → Flat

D5: Supuesto Inductivo

• Pregunta: ¿Qué invariancias o estructura conoces del problema?
• Invarianza espacial → CNN
• Invarianza secuencial → Transformer/Markov
• No sé → Regularización + Cross-validation

Reglas generales (aproximadas)

Algunas combinaciones que suelen funcionar:

• Pocos datos + mucha teoría → Deductivo o Híbrido + Bayesiano + PGM
• Muchos datos + poca teoría → Inductivo + Frequentist + DNN o Gradient Boosting
• Necesitas explicar el modelo → PGM, modelos lineales, evitar cajas negras
• Necesitas efectos causales → Arquitectura Causal (no hay atajo)
• Alta dimensión (imágenes, texto, audio) → Arquitectura especializada es casi obligatoria (CNN, Transformer)
• Series de tiempo → Propiedad de Markov + arquitectura temporal (LSTM, Transformer)

Lo que las heurísticas NO te dicen

• Qué features usar — eso es conocimiento de dominio
• Cuántos datos son “suficientes” — depende de la complejidad del problema
• Si el modelo funcionará — solo los datos de prueba te dirán
• Cuál es el mejor hiperparámetro — eso es validación cruzada

Nota final: Estas heurísticas son mapas aproximados. El territorio real es tu problema específico — con sus datos, sus requisitos, sus restricciones. No existe receta universal. El objetivo es reducir el espacio de búsqueda, no eliminarlo.

Árbol de decisión rápido

flowchart TD
    START["¿Tienes variable objetivo Y?"]
    START -->|Sí| SUP["¿Tienes teoría del fenómeno?"]
    START -->|No| UNSUP["¿Qué quieres de X?"]

    SUP -->|"Sí, completa"| DED["Deductivo + Grafo"]
    SUP -->|"Parcial"| HIB["Híbrido + Prior/Calibración"]
    SUP -->|"No"| IND["Inductivo"]

    IND --> DATOS["¿Cuántos datos?"]
    DATOS -->|"Muchos"| DNN["DNN / Gradient Boosting"]
    DATOS -->|"Pocos"| GP["GP / Bayesian + Prior"]

    UNSUP -->|"Densidad"| PX["P(X): KDE, Flow, VAE"]
    UNSUP -->|"Comprimir"| PHI["ϕ(X): PCA, Autoencoder"]
    UNSUP -->|"Agrupar"| CLUST["P(C|X): K-Means, GMM"]

Casos de Estudio

Caso 1: Economía Macroeconómica (DSGE)

Problema: Simular efectos de política monetaria

Teoría microeconómica → Ecuaciones estructurales → Parámetros a calibrar
                                                           │
                                            Datos macroeconómicos
                                                           │
                                           Match de momentos (SMM)
                                                           │
                                           Modelo calibrado → Simulación de política

Caso 2: Computer Vision (Clasificación de imágenes)

Problema: Clasificar imágenes en categorías

Caso 3: Medicina (Decisión de tratamiento)

Problema: ¿Dar tratamiento A o B a un paciente?

Caso 4: Finanzas (Value at Risk)

Problema: ¿Cuál es la pérdida máxima del portafolio al 95%?

Caso 5: NLP Moderno (GPT, BERT)

Problema: Representaciones de texto para múltiples tareas

Caso 6: Detección de Fraude

Problema: Identificar transacciones fraudulentas

Caso 7: Robótica (Fusión de sensores)

Problema: Estimar posición real a partir de GPS + acelerómetro + giroscopio

Caso 8: Física Computacional (Simulación de fluidos)

Problema: Resolver Navier-Stokes rápidamente

Reflexión Final

“All models are wrong, but some are useful.” — George Box

Hemos recorrido un territorio vasto. Desde los axiomas de la física hasta las redes neuronales de mil millones de parámetros. Desde el teorema de Bayes hasta los filtros de Kalman. Desde la humilde media aritmética hasta los efectos causales que distinguen correlación de intervención.

Pero si tuvieras que quedarte con una sola idea, que sea esta: no existe el método de predicción. No hay algoritmo universalmente superior, ni paradigma que los gobierne a todos. Lo que existe es un espacio de decisiones — cinco dimensiones donde cada elección tiene consecuencias, donde cada supuesto abre puertas y cierra otras.

La predicción, al final, es un acto de humildad disfrazado de confianza. Decimos “el modelo predice X” cuando en realidad queremos decir “dados estos supuestos, estos datos, y estas restricciones, nuestra mejor estimación es X”. La honestidad está en conocer los supuestos. La sabiduría está en elegirlos bien.

Ante cualquier método de predicción, pregunta:

• ¿De dónde viene su conocimiento? ¿De teoría, de datos, o de ambos?
• ¿Cómo trata la incertidumbre? ¿Como frecuencia o como creencia?
• ¿Qué intenta estimar? ¿Una media, una distribución, un efecto causal?
• ¿Qué estructura asume? ¿Variables planas, grafos, latentes?
• ¿Cómo restringe las hipótesis? ¿Con arquitectura, regularización, priors?

Apunta a entender qué estamos haciendo cuando intentamos predecirlo.

“The oracle sees, but cannot choose.” — Dune Messiah

«La información no es suficiente para garantizar la vida.» — Ghost in the Shell (1995)

Este documento ha tratado sobre ver — sobre estimar, predecir, cuantificar incertidumbre. Pero ver no es actuar. El oráculo ve el futuro, pero eso no le dice qué hacer con esa visión.

Existe en el campo una especie de fetiche con la predicción — en el sentido casi marxista del término: una fascinación con el objeto (el modelo, la métrica, el accuracy) que oscurece las relaciones subyacentes. Nos obsesionamos con $P(Y \mid X)$ y olvidamos preguntar: ¿para qué queremos saber Y? ¿Qué haremos con esa predicción?

Porque la inteligencia artificial no es, en su esencia, sobre predicción. Es sobre agentes, sobre decisiones, sobre sistemas que actúan en el mundo y aprenden de las consecuencias. Es sobre inteligencia — la capacidad de adaptarse, de elegir, de perseguir objetivos en entornos inciertos. La predicción es una herramienta, no el fin.

Los LLMs han ayudado a recordarnos esto. Después de años de obsesión con benchmarks de clasificación y métricas de regresión, los modelos de lenguaje trajeron de vuelta la conversación sobre agentes: sistemas que razonan, que planean, que interactúan. Que no solo predicen la siguiente palabra, sino que la usan para lograr algo.

Anterior: Atlas de métodos | Inicio: Índice del módulo