Leer derivaciones de IA: detecta la primera línea que falla

Tres predicciones de un modelo producen residuos de $-2$, $0$ y $2$. Los residuos con signo se cancelan, por lo que su media es cero. La predicción intermedia es exacta, pero las otras dos son erróneas, y su error cuadrático medio es $8/3$. Una derivación plausible puede convertir esa pérdida real en cero al mover un cuadrado a través de un promedio.

La forma más rápida de depurar una página de álgebra no es fijarse en su respuesta final. Empieza por arriba y pregunta por qué cada línea se sigue de la anterior. Detente en el primer signo igual que se rompe. Todas las líneas posteriores pueden ser aritmética impecable aplicada a una expresión que ya no es la que la derivación afirmaba calcular.

Al terminar esta lección, podrás leer una derivación línea por línea, nombrar la regla detrás de cada transformación y revelar un supuesto no declarado sobre un dominio, divisor, signo o rango de índices. También depurarás el cálculo de la pérdida en álgebra y NumPy sin usar cálculo diferencial ni optimización.

La lección combina dos habilidades anteriores. La Lección 6 sobre sumas y agregación de pérdidas estableció cómo los límites y los promedios convierten pérdidas indexadas en un solo número. La Lección 9 sobre ecuaciones y conjuntos de soluciones mostró por qué un paso algebraico debe conservar la afirmación matemática que se está haciendo. El sitio oficial Mathematics for Machine Learning y su capítulo introductorio presentan los fundamentos matemáticos como herramientas para comprender modelos, depurar métodos y hacer visibles sus supuestos. El método de auditoría y los ejemplos siguientes son originales.

Cada línea hace una afirmación local

Una derivación es una secuencia de enunciados matemáticos en la que cada nueva línea está respaldada por una definición, una regla algebraica, un supuesto declarado o un resultado ya establecido. Leerla bien es una tarea local. Entre dos líneas adyacentes, haz cuatro preguntas:

1. ¿Qué cambió: un símbolo, una operación, un límite o toda la expresión?
2. ¿Qué definición o regla algebraica permite exactamente ese cambio?
3. ¿Qué condiciones hacen legal la regla?
4. ¿La nueva línea hace la misma afirmación o solo una relacionada?

El símbolo que conecta las expresiones indica qué tipo de afirmación debes auditar.

Este método separa deliberadamente dos preguntas. «¿Llegó el autor a la respuesta esperada?» es una prueba del destino. «¿Conservó cada paso la afirmación?» es una prueba de la ruta. Se puede llegar a un destino correcto mediante un razonamiento inválido, igual que un destino falso puede seguir a muchos pasos válidos después de un error temprano de sustitución.

Mover un cuadrado borra una pérdida real

Para $N$ ejemplos, sea $\hat y_i$ la predicción $i$, $y_i$ su objetivo y $r_i$ su residuo. Definimos

y definimos el error cuadrático medio (MSE) mediante

La condición $N>0$ no es un adorno: una media aritmética divide por el número de términos, así que un lote vacío no tiene MSE según esta definición.

Ahora usa tres residuos,

Abre los pasos en este mapa de derivación. Las palabras de estado y los símbolos repiten la señal de color, y cada resumen funciona con el teclado mediante el control de revelación nativo del navegador.

Las tres primeras líneas calculan la pérdida real:

La Línea 4 la sustituye por una cantidad diferente:

Aquí $L_{\mathrm{SMR}}$ es el nombre del cuadrado de la media de los residuos. Los errores opuestos se cancelan antes de aplicar el cuadrado. El MSE eleva al cuadrado primero, por lo que tanto $-2$ como $2$ aportan $4$. El orden de las operaciones cambia lo que mide el número.

El paso ilegal también se ve al expandir el cuadrado de una suma:

Los términos cruzados no desaparecen automáticamente, y la media exterior aporta un factor $1/9$, no $1/3$. Por tanto, mover el cuadrado cambia tanto los términos como la escala.

Las reglas viajan con sus condiciones

Muchas derivaciones esconden su información más importante en una frase como «para $x\ne0$» o «sobre los números reales». Si quitas la condición, una identidad válida puede convertirse en una afirmación universal falsa.

Considera la cancelación:

Cuando $x=0$, el lado izquierdo no está definido. Del mismo modo, dividir la ecuación $x(x+1)=x$ por $x$ produce $x+1=1$, pero solo bajo el supuesto adicional $x\ne0$. Una mirada rápida puede sugerir que $x=0$ y $x=-1$ son soluciones. La auditoría de líneas rechaza esa suposición en cuanto se simplifica la ecuación original:

La tentadora división por $x$ devuelve por casualidad $x=0$ a partir de $x+1=1$, aunque ese paso supusiera $x\ne0$. Su resultado contradice la condición que lo autorizaba. La ruta segura reorganiza la ecuación sin dividir por una expresión que podría ser cero.

Elevar al cuadrado también requiere revisar la dirección. Si $a=b$, entonces $a^2=b^2$. Lo contrario no se deduce sin más información: $a^2=b^2$ permite $a=b$ o $a=-b$. Por tanto, elevar ambos lados de una ecuación al cuadrado puede añadir candidatos que deben comprobarse en la ecuación original.

Las raíces cuadradas también llevan una condición de signo. Para $x$ real,

no siempre $x$. Sustituir $x=-3$ da $\sqrt{(-3)^2}=3$, mientras que el reemplazo no declarado $\sqrt{x^2}=x$ daría $-3$. En consecuencia, $x^2=9$ tiene dos soluciones reales, $x=3$ y $x=-3$; escribir solo $x=\sqrt9$ pierde la solución negativa.

Estas condiciones no vuelven quisquillosas las derivaciones. Identifican qué entradas cubre realmente el argumento.

Los límites y las definiciones deben mantenerse fijos

Una derivación indexada tiene otro estado oculto: su rango. Estas dos expresiones normalmente no coinciden:

La segunda omite el ejemplo $N$. Cambiar el nombre de un índice mudo no causa problemas:

porque los límites y el patrón de términos permanecen iguales. Cambiar un límite, el denominador o la operación es un cambio matemático que necesita una razón.

Las definiciones requieren la misma disciplina. Una vez que $r_i:=\hat y_i-y_i$, una línea posterior no puede usar silenciosamente $r_i:=y_i-\hat y_i$. Elevar al cuadrado oculta ese cambio de signo porque $r_i^2=(-r_i)^2$, pero una media sin cuadrado cambiaría de signo. Una derivación que funciona solo porque una operación posterior enmascara una definición incoherente sigue estando rota.

NumPy hace visible el orden

NumPy documenta np.square como una operación elemento a elemento: cada residuo se eleva al cuadrado mientras se conserva la forma de entrada. Documenta np.mean como una reducción aritmética sobre el eje seleccionado, o sobre el arreglo aplanado de forma predeterminada. Por eso, anidar ambas operaciones codifica el orden de la derivación.

import numpy as np

predictions = np.array([8.0, 10.0, 12.0])
targets = np.array([10.0, 10.0, 10.0])
residuals = predictions - targets

mse = np.mean(np.square(residuals))
squared_mean_residual = np.square(np.mean(residuals))

print(residuals)
print(mse)
print(squared_mean_residual)

[-2.  0.  2.]
2.6666666666666665
0.0

np.mean(np.square(residuals)) dice «eleva al cuadrado cada valor y después calcula la media». np.square(np.mean(residuals)) dice «calcula primero la media y después eleva al cuadrado ese único resultado». Los paréntesis son un árbol de derivación compacto; cambiar las llamadas cambia la cantidad calculada.

Una prueba numérica tiene una fuerza lógica asimétrica. El contraejemplo anterior basta para refutar la afirmación universal

Un fallo refuta «para toda». Un acierto no lo demuestra. Con residuos $(2,2,2)$, ambas expresiones valen $4$, pero ese caso aprobado no puede establecer la identidad para todas las demás secuencias. Una demostración general necesita un álgebra que cubra el dominio declarado; las pruebas son excelentes para encontrar contraejemplos y errores de implementación.

Lleva la auditoría al código y a los artículos de IA

Las ecuaciones de pérdida en el código de un modelo suelen comprimir varios pasos: definir residuos, elevar al cuadrado elemento a elemento, reducir sobre un eje de ejemplos y dividir por un recuento. La auditoría línea por línea hace que cada paso se pueda inspeccionar. Escribe la fórmula pretendida, relaciona una operación de código con cada operación matemática, conserva los mismos ejemplos en la misma reducción y declara qué ocurre cuando el lote está vacío.

El mismo hábito se aplica a derivaciones más largas sin necesitar matemáticas más avanzadas. Deja un margen para la regla y sus condiciones. Marca := cuando una cantidad recibe un nombre. Usa $=$ solo cuando dos expresiones tienen el mismo valor bajo los supuestos activos. Usa $\iff$ solo cuando ambas direcciones conservan el mismo conjunto de soluciones. Cuando la ruta se rompe, informa de la primera transición incorrecta, no solo de un número final sospechoso.

Esta práctica es el puente entre el álgebra previa y el siguiente módulo del curso. La notación densa se vuelve manejable cuando cada línea debe responder una pequeña pregunta: ¿qué cambió y por qué se permitió ese cambio?

Comprueba lo que has entendido

residuals = predictions - targets
loss = np.mean(np.square(residuals))