En mis charlas, muchos me preguntáis cómo funcionan los modelos de inteligencia artificial. ¿Cómo es posible que una máquina lance predicciones como el valor de una casa o el precio de un producto? Aunque suene complicado, no es tan difícil de entender. En este post, te mostraré un ejemplo sencillo de cómo crear tu propio modelo de IA utilizando datos de inmuebles.
Paso 1: ¿Qué queremos hacer?
Imagina que queremos predecir el precio de una casa en función de algunas características como:
- Metros cuadrados
- Número de baños
- Número de plantas
- Distancia al centro de la ciudad
Para resolver este problema, hemos elegido un modelo de regresión lineal. Pero aquí viene un punto importante: ¡seleccionar el modelo adecuado no siempre es sencillo!
En este caso, elegimos la regresión lineal porque:
- Relación lineal entre las variables: Sabemos (o asumimos) que las características como los metros cuadrados o la cercanía al centro tienen una relación relativamente directa con el precio de una vivienda.
- Simplicidad: Es un modelo ideal para explicar cómo funciona la IA a nivel introductorio, ya que utiliza una fórmula matemática fácil de entender.
Sin embargo, existen muchos otros modelos que podríamos haber usado, como árboles de decisión, redes neuronales o métodos más avanzados como la regresión polinómica, que podrían captar relaciones más complejas. Para este ejemplo, la regresión lineal es suficiente porque nuestros datos tienen una estructura simple y es perfecta para aprender los conceptos básicos.
El modelo de regresión lineal básicamente es una fórmula matemática que trata de ajustar los datos para hacer predicciones. En este caso, nuestro modelo será algo como:
Precio = (metros * c1) + (número de baños * c2) + (número de plantas * c3) + (distancia al centro * c4)
Aquí, cada «c» es un parámetro del modelo. Estos parámetros son los valores que el modelo aprende durante el entrenamiento y que representan la relación entre cada característica (como los metros cuadrados o el número de baños) y el precio. En este caso, nuestro modelo tiene solo 4 parámetros, lo que lo hace extremadamente simple y fácil de interpretar.
Para que te hagas una idea de la diferencia, los modelos más avanzados como GPT o transformers gigantes pueden tener miles de millones de parámetros. Estos modelos necesitan tanta complejidad porque buscan entender y procesar datos muchísimo más variados y abstractos, como lenguaje humano o imágenes. Nosotros, en cambio, solo queremos predecir precios de inmuebles basándonos en relaciones sencillas, así que 4 parámetros son más que suficientes.
Paso 2: Trabajando con los datos
Los datos son la base de cualquier modelo de IA. En este caso, tenemos un archivo llamado inmuebles_data.csv que contiene 100 registros de propiedades con sus características y precios. Aquí es donde empieza la magia: le enseñaremos al modelo cómo usar esos datos para aprender patrones y hacer predicciones.
Paso 3: Entrenando el modelo
Para entrenar el modelo, seguimos estos pasos:
- Cargar los datos: Importamos el archivo y revisamos qué información tenemos.
- Entrenar: Dividimos los datos en dos partes: unos para entrenar y otros para probar si el modelo está funcionando bien.
- Guardar el modelo: Una vez entrenado, guardamos el modelo en un archivo para usarlo después.
Al final del entrenamiento, obtenemos métricas que nos indican la calidad y precisión del modelo. Por ejemplo, logramos un R² de 98.31%, lo que significa que el modelo es bastante preciso para explicar la variabilidad de los precios en función de las características dadas.
Además, el modelo ha calculado los valores óptimos para cada parámetro (los «c») que mejor ajustan el precio de cada registro en nuestro conjunto de datos. Estos valores nos dicen cuánto impacta cada característica en el precio. Este es el corazón del modelo. Gracias a estos coeficientes, podemos estimar el precio para nuevas propiedades basándonos en sus características.
Paso 4: Usando el modelo entrenado
Ahora que tenemos un modelo entrenado, lo usamos para predecir el precio de un inmueble nuevo. Por ejemplo, si ingresamos una casa con:
- 200 metros cuadrados
- 3 baños
- 3 plantas
- 10 km de distancia al centro
El modelo predice que el precio sería de 646.160,11 €.
Este pequeño ejemplo nos demuestra cómo la IA puede ayudarnos a resolver problemas reales y cotidianos. Pero si miramos más allá, la tecnología tiene un potencial inmenso y eso es precisamente lo que exploro en mis novelas. ¿Te imaginas cómo esta misma idea de predicción podría aplicarse a escenarios futuristas o incluso a mundos literarios donde la tecnología define las reglas del juego?
Si este ejercicio ha despertado tu curiosidad, te invito a explorar mi saga, donde combino la imaginación con la tecnología.