Investigación Algoritmo de Bremen reduce el costo de etiquetar datos con modelos rivales
Una nueva ola de investigación en árboles de decisión y el Efecto Rashomon busca reducir costos de etiquetado y hacer modelos más transparentes. ¿Qué implica para las empresas de la región?
La 35ª Conferencia Internacional Conjunta sobre Inteligencia Artificial (IJCAI-ECAI 2026) reunió en Bremen a más de 6.300 autores y aceptó solo 858 artículos, una tasa de aceptación del 13,53 % que refleja el rigor del campo. Entre los trabajos presentados, dos líneas de investigación captaron la atención de quienes buscan modelos de IA más fiables y comprensibles: el Aprendizaje Activo basado en el conjunto de Rashomon y la equivalencia predictiva en árboles de decisión. Ambas tienen implicaciones directas para sectores regulados de América Latina, donde la transparencia es cada vez más exigida y los datos etiquetados son un recurso escaso y costoso.
El concepto del Efecto Rashomon, acuñado por Leo Breiman en 2001, describe la existencia de múltiples modelos que logran un rendimiento casi idéntico sobre los mismos datos pero con estructuras internas completamente distintas. Cynthia Rudin, pionera en IA explicable, lo ha convertido en un pilar de su trabajo: en una entrevista reciente defendió que la simplicidad no es enemiga de la precisión y que la complejidad innecesaria solo genera cajas negras. Ahora, un equipo de la Universidad de Washington y Duke University ha llevado esa idea al terreno del aprendizaje activo con REALITrees (Rashomon Ensemble Active Learning).
REALITrees propone construir un comité de consulta —la técnica clásica Query-by-Committee— a partir de la enumeración exhaustiva de todos los árboles de decisión casi óptimos, en lugar de depender de la aleatoriedad de bosques o bagging. La clave es que, al etiquetar datos manualmente, el algoritmo selecciona ejemplos donde los miembros del comité (todos igual de precisos) discrepan estructuralmente, no por variaciones aleatorias. Esto acelera la convergencia, especialmente en entornos con ruido moderado, donde el conjunto de Rashomon se expande y ofrece mayor diversidad de patrones. Para la práctica empresarial, significa reducir el costo de etiquetado —una tarea que en América Latina suele externalizarse o hacerse con equipos pequeños— sin sacrificar precisión.
Paralelamente, otro trabajo del mismo grupo aborda la equivalencia predictiva: un mismo límite de decisión puede ser representado por múltiples árboles que sugieren diferentes órdenes de evaluación de variables. Esto genera inconsistencias en la importancia de variables, en el manejo de datos faltantes y en la optimización de costos de adquisición. Los autores proponen una representación lógica minimal (Forma Normal Disyuntiva) que elimina la ambigüedad y revela que muchos árboles pueden hacer predicciones incluso cuando faltan valores, sin necesidad de imputación. Para una empresa en Latinoamérica que opera con bases de datos incompletas —comunes en sistemas de salud o finanzas— esto es una ventaja operativa directa: el modelo puede seguir funcionando sin sesgos introducidos por imputaciones artificiales.
La conferencia de Bremen también subrayó la urgencia de la gobernanza. Jeroen Delfos, de la Comisión Europea, detalló la implementación del EU AI Act, un marco que tarde o temprano influirá en las regulaciones latinoamericanas, desde el proyecto de ley brasileño hasta las iniciativas de México y Chile. La transparencia algorítmica deja de ser un atributo deseable para convertirse en un requisito legal. Los avances en árboles interpretables ofrecen un camino concreto: modelos que no solo son precisos, sino también auditables.
Sin embargo, la representación de países en IJCAI-ECAI revela una ausencia notable: entre las diez naciones con más autores (China, Alemania, Estados Unidos, Corea, Reino Unido, Japón, Italia, Francia, Países Bajos y Polonia) no aparece ningún país de América Latina. Esto refleja una brecha de participación que no solo limita la visibilidad de la investigación regional, sino que retrasa la adopción de técnicas como el aprendizaje activo basado en Rashomon o la resolución de equivalencia predictiva. Si las empresas locales quieren cumplir con estándares de explicabilidad sin depender de consultorías extranjeras, necesitan invertir en formación y colaboración internacional.
Para el ejecutivo latinoamericano, la lección es práctica: los nuevos marcos de árboles de decisión permiten construir sistemas de clasificación —para scoring crediticio, diagnóstico asistido o detección de fraude— que requieren menos datos etiquetados, resisten mejor los valores faltantes y ofrecen una interpretación estable de las variables relevantes. Proyectos piloto con estos algoritmos podrían reducir costos operativos y, al mismo tiempo, preparar a la organización para una regulación que ya está en camino.
