Aprovechar la sabiduría de la multitud en los modelos de aprendizaje automático.
En los últimos años, hemos dado por sentado recursos como Wikipedia o Reddit: estos recursos dependen del conocimiento colectivo de los contribuyentes individuales para ayudarnos. Sobre todo información precisa, a veces llamada la “sabiduría de la multitud”. La idea es que la decisión colectiva puede ser más precisa que el juicio de cualquier individuo, ya que cada uno de nosotros puede tener sus propios prejuicios implícitos y/o falta de conocimiento, lo que resulta en cierto nivel de error en nuestro juicio. En conjunto, estos errores pueden compensarse entre sí; por ejemplo, podemos compensar la falta de conocimiento o experiencia de otra persona en un área, mientras que ellos compensan la nuestra en otras áreas. La aplicación de esta idea al aprendizaje automático da como resultado métodos de «conjunto».
A un nivel muy alto, entrenamos modelos de aprendizaje automático para hacer predicciones sobre el futuro. En otras palabras, proporcionamos datos de entrenamiento a los modelos con la esperanza de que el modelo pueda hacer buenas predicciones sobre el futuro. Pero, ¿qué pasaría si pudiéramos entrenar múltiples modelos de aprendizaje automático y luego, de alguna manera, agregar sus opiniones sobre las predicciones? Resulta que este puede ser un enfoque muy útil y ampliamente utilizado en la industria.
