{"id":16528,"date":"2024-11-18T14:23:00","date_gmt":"2024-11-18T13:23:00","guid":{"rendered":"https:\/\/www.quobis.com\/?p=16528"},"modified":"2025-09-29T17:29:45","modified_gmt":"2025-09-29T15:29:45","slug":"mlsip-aprendizaje-supervisado-la-tecnica-de-ia-elegida-para-entrenar-a-mlsip","status":"publish","type":"post","link":"https:\/\/www.quobis.com\/es\/2024\/11\/18\/mlsip-aprendizaje-supervisado-la-tecnica-de-ia-elegida-para-entrenar-a-mlsip\/","title":{"rendered":"MLSIP | Aprendizaje Supervisado: La t\u00e9cnica de IA elegida para entrenar a MLSIP"},"content":{"rendered":"\n

Para que el sistema MLSIP<\/a> pueda tomar decisiones inteligentes, primero debe aprender. El campo del Machine Learning ofrece diversas t\u00e9cnicas, pero para el objetivo de predecir la calidad de una ruta SIP, el equipo de Quobis ha seleccionado el Aprendizaje Supervisado<\/strong> como el enfoque principal.<\/p>\n\n\n\n

Aprendizaje supervisado pera entrenar modelos de IA<\/h2>\n\n\n\n

El aprendizaje supervisado funciona de manera similar a como aprende un estudiante con un profesor. El modelo de IA se entrena con un conjunto de datos que ya ha sido \u00abetiquetado\u00bb con la respuesta correcta. En el contexto de MLSIP, esto significa alimentar al sistema con miles de registros de llamadas anteriores (CDRs), donde cada registro incluye los par\u00e1metros de la llamada (ruta, hora, c\u00f3dec, destino) y una etiqueta que indica el resultado: si la llamada fue \u00abexitosa\u00bb o \u00abfallida\u00bb, o una m\u00e9trica de calidad como el factor MOS.<\/p>\n\n\n\n

Al analizar estos datos hist\u00f3ricos, el modelo aprende a identificar patrones. Por ejemplo, puede descubrir que las llamadas a un determinado pa\u00eds a trav\u00e9s de la Ruta A entre las 10:00 y las 12:00 tienen una alta probabilidad de fallo. Con este conocimiento, cuando reciba una nueva petici\u00f3n de llamada con caracter\u00edsticas similares, podr\u00e1 predecir el resultado y recomendar una ruta alternativa.<\/p>\n\n\n\n

Dentro del aprendizaje supervisado, MLSIP utilizar\u00e1 algoritmos robustos como Random Forest<\/strong>, que se basa en m\u00faltiples \u00e1rboles de decisi\u00f3n para lograr predicciones estables y f\u00e1cilmente interpretables, y FT-Transformer<\/strong>, una arquitectura m\u00e1s moderna basada en redes neuronales <\/strong>y dise\u00f1ada para datos tabulares. Esta combinaci\u00f3n permitir\u00e1 al sistema no solo tomar decisiones precisas, sino tambi\u00e9n ofrecer un equilibrio entre rendimiento y coste computacional.<\/p>\n\n\n