Junior AI/ML Engineer — Preguntas de entrevista de ingeniero de IA/ML

¿Cuál es la diferencia entre aprendizaje supervisado, no supervisado y por refuerzo?

El aprendizaje supervisado entrena con pares entrada-salida etiquetados, como predecir precios de casas a partir de características. El aprendizaje no supervisado encuentra estructura en datos sin etiquetar, como agrupar clientes en segmentos. El aprendizaje por refuerzo entrena a un agente para tomar acciones que maximicen una señal de recompensa con el tiempo, como un bot que juega — no hay ejemplos etiquetados, solo retroalimentación del entorno.

¿Qué es el overfitting?

Un modelo con overfitting ha aprendido demasiado bien los datos de entrenamiento, incluido su ruido, así que rinde genial en entrenamiento pero mal en datos nuevos. Una señal clásica es una gran brecha entre la accuracy de entrenamiento y la de validación. La solución suele empezar por conseguir más datos o simplificar el modelo antes de recurrir a regularización más elaborada.

¿Qué es una función de loss?

Una función de loss mide qué tan equivocada es la predicción de un modelo comparada con el valor real — error cuadrático medio para regresión, cross-entropy para clasificación. Entrenar es literalmente el proceso de ajustar los parámetros del modelo para hacer este número más pequeño. La elección de la función de loss determina qué optimiza realmente el modelo, por eso elegir la equivocada produce silenciosamente el modelo equivocado.

¿Qué significan precision y recall?

Precision es: de todo lo que el modelo marcó como positivo, cuánto era realmente positivo. Recall es: de todo lo que era realmente positivo, cuánto capturó el modelo. Un filtro de spam ajustado para alta precision pierde menos correos reales pero deja pasar más spam; ajustado para alto recall atrapa más spam pero también marca más correos reales — siempre hay un trade-off.

¿Para qué se usan NumPy y pandas?

NumPy ofrece operaciones rápidas con arrays en Python, trabajando los datos como arrays vectorizados en vez de loops lentos de Python — casi toda librería de ML está construida sobre él. Pandas se construye sobre NumPy y da DataFrames — datos tabulares y etiquetados que puedes filtrar, agrupar, unir y limpiar, que es donde ocurre la mayor parte del trabajo real con datos antes de que un modelo los vea.