Respuesta correcta
- BReducir el tamaño del modelo o agregar regularización de abandono.
Explicación
El aumento de la pérdida de validación mientras disminuye la pérdida de entrenamiento es un signo clásico de sobreajuste, en el cual el modelo memoriza los datos de entrenamiento pero no logra generalizar. Reducir el tamaño del modelo o agregar regularización de abandono combate directamente el sobreajuste al limitar la capacidad del modelo o introducir ruido durante el entrenamiento, lo que fuerza al modelo a aprender características más robustas. Esta es la mejor opción de acción porque aborda la causa raíz sin exacerbar aún más el problema.
Para profundizar
El patrón descrito —la pérdida de entrenamiento disminuye mientras que la pérdida de validación aumenta— es la firma clásica del sobreajuste: el modelo está memorizando peculiaridades del conjunto de entrenamiento en lugar de aprender patrones generalizables. Bajo el capó, esto ocurre cuando el recuento de parámetros o la capacidad efectiva supera lo que el conjunto de datos puede restringir, por lo que el descenso de gradiente continúa reduciendo el riesgo empírico mientras el riesgo real crece. Agregar la regularización de abandono pone en cero las activaciones de manera aleatoria durante cada paso de propagación hacia adelante, lo que fuerza a la red a distribuir representaciones y reduce la coadaptación; reducir el tamaño del modelo disminuye la capacidad directamente. En Vertex AI, ajustaría estos parámetros mediante los hiperparámetros de la canalización de entrenamiento y supervisaría ambas curvas de pérdida en Vertex AI Experiments o TensorBoard. Un escenario realista: afinar un modelo base en unos pocos miles de ejemplos de dominio, donde la perplejidad de validación comienza a subir después de la segunda época; la detención temprana junto con la regularización restaura la generalización.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de Generative AI Leader de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.