La cuantificación de la incertidumbre (UQ, por sus siglas en inglés) es la ciencia de la caracterización y estimación cuantitativa de las incertidumbres en aplicaciones tanto computacionales como del mundo real. Su objetivo es determinar cuán probables son ciertos resultados si algunos aspectos de un sistema no se conocen con exactitud. Por ejemplo, predecir la aceleración de un cuerpo humano en una colisión frontal con otro automóvil implica incertidumbre: incluso si la velocidad se conoce con exactitud, pequeñas diferencias en la fabricación, el apriete de los pernos y otros factores conducen a resultados diferentes que solo pueden predecirse en un sentido estadístico. Muchos problemas en las ciencias naturales y la ingeniería están repletos de fuentes de incertidumbre, y los experimentos computacionales con simulaciones son el enfoque más común para estudiar la UQ.
La UQ ha adquirido una importancia creciente con el auge del aprendizaje automático y la inteligencia artificial, donde los modelos a menudo proporcionan predicciones sin medidas de confianza inherentes. En estos contextos, la UQ ayuda a cuantificar la fiabilidad del modelo, respaldando un despliegue más seguro en dominios de alto riesgo como la atención sanitaria, la conducción autónoma y las finanzas.
Fuentes de Incertidumbre
La incertidumbre puede entrar en los modelos matemáticos y las mediciones experimentales de diversas maneras. Una categorización distingue varias fuentes:
- Incertidumbre de parámetros: Surge de los parámetros del modelo que son entradas del modelo computacional pero cuyos valores exactos se desconocen o no pueden controlarse en experimentos físicos. Los ejemplos incluyen la aceleración de caída libre local en un experimento de objetos en caída, las propiedades de los materiales en el análisis de elementos finitos y la incertidumbre multiplicativa en la optimización de políticas macroeconómicas.
- Variabilidad paramétrica: Proviene de la variabilidad de las variables de entrada. Por ejemplo, las dimensiones de una pieza fabricada pueden desviarse de las especificaciones de diseño, causando variabilidad en el rendimiento.
- Incertidumbre estructural: También conocida como inadequación del modelo, sesgo del modelo o discrepancia del modelo, se deriva de la falta de conocimiento de la física subyacente. Los modelos son casi siempre aproximaciones; por ejemplo, el modelo de caída libre ignora la fricción del aire, creando una discrepancia entre el modelo y la realidad incluso sin parámetros desconocidos.
- Incertidumbre algorítmica: También llamada incertidumbre numérica o discreta, surge de errores numéricos y aproximaciones en la implementación del modelo computacional. Técnicas como los métodos de elementos finitos o los métodos de diferencias finitas aproximan soluciones a ecuaciones diferenciales parciales, introduciendo errores. La integración numérica y la truncación de sumas infinitas son otros ejemplos.
- Incertidumbre experimental: También conocida como error de observación, proviene de la variabilidad en las mediciones experimentales. Repetir una medición en condiciones idénticas produce resultados diferentes, haciendo que esta incertidumbre sea inevitable.
- Incertidumbre de interpolación: Resulta de la falta de datos de simulaciones o experimentos. Para configuraciones de entrada sin datos, se necesita interpolación o extrapolación, introduciendo incertidumbre.
Incertidumbre Aleatoria y Epistémica
La incertidumbre a menudo se clasifica en dos categorías, destacadamente en aplicaciones médicas:
- Incertidumbre aleatoria: También conocida como incertidumbre estocástica, representa desconocidos que difieren cada vez que se ejecuta el mismo experimento. Por ejemplo, las flechas disparadas con un arco mecánico que duplica exactamente cada lanzamiento no golpearán todas el mismo punto debido a vibraciones aleatorias del eje de la flecha. El término deriva del latín alea (dado), refiriéndose a juegos de azar. La incertidumbre aleatoria es irreducible en la práctica, aunque una medición mejorada podría teóricamente desplazarla a epistémica.
- Incertidumbre epistémica: También conocida como incertidumbre sistemática, surge de cosas que uno podría en principio conocer pero no conoce en la práctica. Esto puede deberse a mediciones inexactas, efectos del modelo descuidados o datos deliberadamente ocultos. Por ejemplo, la aceleración gravitacional comúnmente utilizada de 9.8 m/s² ignora la resistencia del aire, pero medir e incorporar la resistencia podría reducir la incertidumbre en el cálculo de la aceleración gravitacional.
La incertidumbre aleatoria y epistémica pueden ocurrir simultáneamente. Por ejemplo, cuando los parámetros experimentales exhiben incertidumbre aleatoria y se introducen en una simulación computacional, un modelo sustituto (por ejemplo, un proceso gaussiano o una expansión de caos polinomial) aprendido de experimentos computacionales exhibe incertidumbre epistémica que depende o interactúa con la incertidumbre aleatoria. Tal incertidumbre combinada es una incertidumbre inferencial más general.
En aplicaciones reales, ambos tipos están presentes, y la UQ tiene como objetivo expresarlos por separado. Cuantificar la incertidumbre aleatoria es relativamente sencillo, a menudo utilizando probabilidad frecuentista tradicional y técnicas como el método de Monte Carlo. Las distribuciones de probabilidad pueden representarse por momentos (para casos gaussianos, la media y la covarianza son suficientes, aunque en general todos los momentos no especifican de manera única una distribución) o por expansiones de Karhunen–Loève y de caos polinomial. La incertidumbre epistémica se entiende generalmente a través de la probabilidad bayesiana, donde las probabilidades se interpretan como grados de creencia.
Métodos en la Cuantificación de la Incertidumbre
La UQ emplea una variedad de métodos computacionales y estadísticos:
- Métodos de Monte Carlo: Implican muestreo aleatorio repetido para estimar distribuciones de probabilidad de salidas. Se utilizan ampliamente para la propagación de incertidumbre aleatoria, pero pueden ser computacionalmente costosos para modelos complejos.
- Expansiones de caos polinomial: Representan salidas del modelo como expansiones en polinomios ortogonales de variables de entrada, permitiendo una propagación eficiente de la incertidumbre. Son particularmente útiles cuando se conocen las distribuciones de entrada.
- Emuladores de procesos gaussianos: También conocidos como Kriging, estos modelos sustitutos aproximan simulaciones costosas, proporcionando predicciones con incertidumbre asociada. Son comunes en el aprendizaje automático para la UQ.
- Inferencia bayesiana: Este marco actualiza las creencias sobre los parámetros del modelo basándose en datos, produciendo distribuciones posteriores que cuantifican la incertidumbre epistémica. Es central en muchos enfoques de UQ.
- Análisis de sensibilidad: Identifica qué incertidumbres de entrada influyen más en la variabilidad de salida, guiando la asignación de recursos para reducir la incertidumbre.
En el aprendizaje profundo, las técnicas de UQ incluyen redes neuronales bayesianas, dropout de Monte Carlo y métodos de conjunto. Estos enfoques estiman la incertidumbre predictiva, que es crucial para salidas fiables de modelos de lenguaje grandes y otros sistemas de IA.
Aplicaciones
La UQ se aplica en diversos campos:
- Ingeniería: En ingeniería estructural y aeroespacial, la UQ evalúa márgenes de seguridad bajo incertidumbres de materiales y cargas. Por ejemplo, los modelos de elementos finitos de componentes de aeronaves incorporan UQ para garantizar la fiabilidad.
- Modelado climático: Las proyecciones climáticas dependen de la UQ para cuantificar la incertidumbre en escenarios futuros de temperatura y precipitación, informando decisiones políticas.
- Atención sanitaria: En el diagnóstico médico y la planificación de tratamientos, la UQ ayuda a interpretar predicciones de modelos, como en el análisis de imágenes donde la incertidumbre indica confianza en anomalías detectadas.
- Finanzas: La evaluación de riesgos y la optimización de carteras utilizan la UQ para modelar incertidumbres del mercado y eventos extremos.
- Sistemas autónomos: Los vehículos autónomos, como los desarrollados por Waymo y Tesla Autopilot, utilizan la UQ para medir la confianza en la percepción y la toma de decisiones, mejorando la seguridad.
- Ciencias naturales: En física y química, la UQ cuantifica incertidumbres experimentales y de modelado en simulaciones de sistemas complejos.
Desafíos y Direcciones Futuras
A pesar de los avances, la UQ enfrenta varios desafíos:
- Costo computacional: Las simulaciones de alta fidelidad son costosas, dificultando la propagación extensiva de incertidumbre. Los modelos sustitutos ayudan pero introducen sus propias incertidumbres.
- Alta dimensionalidad: Los sistemas con muchos parámetros inciertos requieren métodos eficientes para evitar la maldición de la dimensionalidad.
- Inadequación del modelo: La incertidumbre estructural es difícil de cuantificar porque el modelo verdadero se desconoce. Enfoques como el promedio de modelos bayesianos intentan abordar esto.
- Escasez de datos: En muchas aplicaciones, los datos limitados dificultan la estimación precisa de la incertidumbre, especialmente para la incertidumbre epistémica.
La investigación futura se centra en integrar la UQ con el aprendizaje automático y el aprendizaje profundo, desarrollando algoritmos escalables y mejorando la interpretabilidad. A medida que los sistemas de IA se vuelven más prevalentes, la UQ será esencial para la toma de decisiones confiable.
Relación con la Inteligencia Artificial
En la inteligencia artificial, la UQ es crítica para la fiabilidad del modelo. Los modelos de redes neuronales a menudo producen predicciones excesivamente confiadas, y los métodos de UQ ayudan a calibrar la confianza. Para los modelos de lenguaje grandes, la UQ puede indicar cuándo un modelo está inseguro sobre sus respuestas, reduciendo alucinaciones. Organizaciones como OpenAI, Anthropic y Google DeepMind invierten en investigación de UQ para mejorar la seguridad. Técnicas como el escalado de temperatura y los métodos de conjunto se utilizan para mejorar la calibración. La UQ también se cruza con la IA generativa, donde medir la incertidumbre en el contenido generado es un área activa.
Véase También
- Aprendizaje automático
- Aprendizaje profundo
- Red neuronal
- Modelo de lenguaje grande
- Inferencia bayesiana (no en la lista, pero relevante)
Referencias
Este artículo se basa en la entrada de Wikipedia sobre Cuantificación de la incertidumbre, que proporciona una visión general completa del tema.