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 el 0 % y el 100 %) y representa la probabilidad estimada de que la salida del algoritmo coincida con la verdad fundamental. Por ejemplo, en una tarea de detección de objetos, si un sistema identifica una región de una imagen como una "bicicleta" con una confianza de 0,92, esto sugiere una probabilidad estimada del 92 % de que la clasificación sea correcta. Estas puntuaciones se obtienen de la capa final de una red neuronal, normalmente procesada mediante una función de activación, como Softmax para la categorización multiclase o la función Sigmoid para decisiones binarias.

El papel de la confianza en la inferencia#

Las puntuaciones de confianza son un componente fundamental del flujo de trabajo del motor de inferencia, ya que actúan como un filtro para distinguir las predicciones de alta calidad del ruido de fondo. Este proceso de filtrado, conocido como aplicación de umbrales, permite a los desarrolladores ajustar la sensibilidad de una aplicación. Al establecer un umbral mínimo de confianza, puedes gestionar el equilibrio entre precisión y cobertura. 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 omitan instancias sutiles.

En arquitecturas avanzadas como Ultralytics YOLO26, las puntuaciones de confianza son esenciales para técnicas de posprocesamiento como la supresión no máxima (NMS). NMS utiliza estas puntuaciones para eliminar cuadros delimitadores redundantes que se solapan considerablemente, conservando únicamente la detección con la probabilidad más alta. Este paso garantiza que la salida final esté limpia y lista para tareas posteriores, como el recuento de objetos o el seguimiento.

El siguiente ejemplo en Python muestra cómo filtrar predicciones por confianza usando 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}")

Aplicaciones en el mundo real#

Las puntuaciones de confianza proporcionan una capa de interpretabilidad indispensable en los sectores en los que se aplica la visión artificial (CV). Ayudan a los sistemas automatizados a determinar cuándo deben proceder de forma autónoma y cuándo deben activar alertas para que las revise una persona.

• Conducción autónoma: En el sector de la IA en la automoción, los vehículos autónomos dependen de métricas de confianza para garantizar la seguridad de los pasajeros. Si un sistema de percepción detecta un obstáculo con poca confianza, puede contrastar estos datos con sensores LiDAR o con un radar para verificar la presencia del objeto antes de ejecutar una maniobra de emergencia. Esta redundancia ayuda a evitar el "frenado fantasma" causado por sombras o reflejos.
• Diagnóstico médico: Al utilizar IA en la sanidad, los modelos ayudan a los profesionales sanitarios señalando posibles anomalías en los datos de imagen. Un sistema diseñado para la detección de tumores puede resaltar regiones con un alto nivel de confianza para un diagnóstico inmediato, mientras que las predicciones con menor confianza se registran para un análisis secundario. Este flujo de trabajo con una persona en el circuito garantiza que la IA aumente la capacidad de decisión clínica sin sustituir el criterio experto.
• 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 puede intentar agarrar un componente únicamente si la confianza de la detección supera el 90 %, reduciendo así el riesgo de dañar piezas delicadas debido a una desalineación.

Diferencias entre la confianza y términos relacionados#

Es fundamental 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 acierta un modelo en todo un conjunto de datos (por ejemplo, "El modelo tiene una exactitud del 92 %"). En cambio, la confianza es un valor local específico de una predicción (por ejemplo, "El modelo está seguro al 92 % de que esta imagen concreta contiene un gato"). Un modelo puede tener una exactitud global alta y, aun así, ofrecer una confianza baja en casos límite.
• Confianza frente a calibración de probabilidades: Una puntuación de confianza sin procesar no siempre coincide con la verdadera probabilidad de acierto. 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 ajustar las puntuaciones a las probabilidades empíricas.
• Confianza frente a precisión: La precisión mide la proporción de identificaciones positivas que eran realmente correctas. Aunque aumentar el umbral de confianza suele incrementar la precisión, a menudo lo hace a costa de la cobertura. Los desarrolladores deben ajustar este umbral en función de si su aplicación prioriza omitir menos objetos o minimizar las falsas alarmas.

Mejora de la confianza del modelo#

Si un modelo produce de forma constante una confianza baja para objetos válidos, a menudo indica una discrepancia entre los datos de entrenamiento y el entorno de despliegue. Entre las estrategias para mitigarla se incluye el aumento de datos, que amplía artificialmente el conjunto de datos variando la iluminación, la rotación y el ruido. Además, utilizar la Ultralytics Platform para implementar canalizaciones de aprendizaje activo permite a los desarrolladores identificar fácilmente muestras con baja confianza, anotarlas y volver a entrenar el modelo. Este ciclo iterativo es esencial para crear agentes de IA robustos, capaces de funcionar de forma fiable en entornos dinámicos del mundo real.