Confidence

En el ámbito de la inteligencia artificial y el aprendizaje automático, una puntuación de confianza es una métrica que cuantifica el nivel de certeza que tiene un modelo respecto a una predicción concreta. Este valor suele oscilar entre 0 y 1 (o entre 0% y 100%) y representa la probabilidad estimada de que el resultado del algoritmo coincida con la realidad. Por ejemplo, en una tarea de detección de objetos, si un sistema identifica una región de una imagen como "bicicleta" con una confianza de 0,92, sugiere una probabilidad estimada del 92% de que la clasificación sea correcta. Estas puntuaciones se derivan de la capa final de una red neuronal, procesada a menudo mediante una función de activación como Softmax para categorización multiclase o la función sigmoide para decisiones binarias.

Link to this sectionEl papel de la confianza en la inferencia#

Las puntuaciones de confianza son un componente fundamental del flujo de trabajo del motor de inferencia, actuando como un filtro para distinguir predicciones de alta calidad del ruido de fondo. Este proceso de filtrado, conocido como umbralización, permite a los desarrolladores ajustar la sensibilidad de una aplicación. Al establecer un umbral de confianza mínimo, puedes gestionar el equilibrio precisión-exhaustividad crítico. Un umbral más bajo puede detectar más objetos, pero aumenta el riesgo de falsos positivos, mientras que un umbral más alto mejora la precisión pero puede hacer que se pasen por alto instancias sutiles.

En arquitecturas avanzadas como Ultralytics YOLO26, las puntuaciones de confianza son esenciales para técnicas de posprocesamiento como la supresión de no máximos (NMS). NMS utiliza estas puntuaciones para eliminar cuadros delimitadores redundantes que se solapan significativamente, conservando solo la detección con la probabilidad más alta. Este paso garantiza que el resultado final sea limpio y esté listo para tareas posteriores como el recuento de objetos o el seguimiento.

El siguiente ejemplo de Python demuestra cómo filtrar predicciones por confianza utilizando el paquete ultralytics:

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

Link to this sectionAplicaciones en el mundo real#

Las puntuaciones de confianza proporcionan un nivel de interpretabilidad indispensable en los sectores donde se aplica la visión artificial (CV). Ayudan a los sistemas automatizados a determinar cuándo proceder de forma autónoma y cuándo activar alertas para la revisión humana.

• Conducción autónoma: En el sector de la IA en automoción, los vehículos autoconducidos confían en las métricas de confianza para garantizar la seguridad de los pasajeros. Si un sistema de percepción detecta un obstáculo con baja confianza, podría contrastar estos datos con sensores LiDAR o radar para verificar la presencia del objeto antes de ejecutar una maniobra de emergencia. Esta redundancia ayuda a prevenir el "frenado fantasma" causado por sombras o reflejos.
• Diagnóstico médico: Al aprovechar la IA en el cuidado de la salud, los modelos ayudan a los profesionales médicos señalando posibles anomalías en los datos de imagen. Un sistema diseñado para la detección de tumores podría resaltar regiones con alta confianza para un diagnóstico inmediato, mientras que las predicciones de menor confianza se registran para un análisis secundario. Este flujo de trabajo de human-in-the-loop garantiza que la IA mejore la toma de decisiones clínicas sin sustituir el juicio de los expertos.
• Automatización industrial: En la fabricación inteligente, los brazos robóticos utilizan puntuaciones de confianza para interactuar con objetos en las líneas de montaje. Un robot equipado con IA de visión podría intentar agarrar un componente solo si la confianza de detección supera el 90%, reduciendo así el riesgo de dañar piezas delicadas debido a una mala alineación.

Link to this sectionDistinguir la confianza de otros términos relacionados#

Es crucial diferenciar la confianza de otras métricas estadísticas utilizadas en la evaluación de modelos.

• Confianza frente a exactitud: La exactitud es una métrica global que describe con qué frecuencia un modelo es correcto en todo un conjunto de datos (ej.: "El modelo tiene una exactitud del 92%"). Por el contrario, la confianza es un valor local y específico de cada predicción (ej.: "El modelo está seguro al 92% de que esta imagen específica contiene un gato"). Un modelo puede tener una alta exactitud global, pero seguir arrojando una confianza baja en casos extremos.
• Confianza frente a calibración de probabilidad: Una puntuación de confianza bruta no siempre se alinea con la verdadera probabilidad de corrección. Un modelo está "bien calibrado" si las predicciones realizadas con una confianza de 0,8 son correctas aproximadamente el 80% de las veces. A menudo se emplean técnicas como el escalado de Platt o la regresión isotónica para alinear las puntuaciones con las probabilidades empíricas.
• Confianza frente a precisión: La precisión mide la proporción de identificaciones positivas que fueron realmente correctas. Aunque aumentar el umbral de confianza generalmente mejora la precisión, a menudo lo hace a expensas de la exhaustividad. Los desarrolladores deben ajustar este umbral en función de si su aplicación prioriza perder menos objetos o minimizar las falsas alarmas.

Link to this sectionMejorar la confianza del modelo#

Si un modelo arroja sistemáticamente una confianza baja para objetos válidos, a menudo indica una discrepancia entre los datos de entrenamiento y el entorno de implementación. Las estrategias para mitigar esto incluyen el aumento de datos, que amplía artificialmente el conjunto de datos variando la iluminación, la rotación y el ruido. Además, el uso de la plataforma Ultralytics para implementar tuberías de aprendizaje activo permite a los desarrolladores identificar fácilmente muestras de baja confianza, anotarlas y volver a entrenar el modelo. Este ciclo iterativo es vital para crear agentes de IA robustos, capaces de operar de forma fiable en entornos dinámicos del mundo real.