An conjunto abierto in the context of inteligencia artificial (AI) and aprendizaje automático refers to a conceptual framework where the set of possible classes or categories is not fixed. This means that the model is designed to recognize not only the classes it was trained on, but also to identify new classes that may emerge after the training phase. Open sets are particularly important in applications where the environment is dynamic and constantly changing, such as in real-world clasificación de imágenes, detección de anomalías, and procesamiento de lenguaje natural.
En escenarios tradicionales de aprendizaje automático, los modelos se entrenan típicamente en un conjunto cerrado de clases, lo que significa que solo pueden clasificar instancias en estas categorías predefinidas. Sin embargo, en un escenario de conjunto abierto, un modelo debe poseer la capacidad de reconocer cuándo una entrada no pertenece a ninguna de las clases conocidas y marcarla en consecuencia. Esto es crucial para garantizar que el sistema de IA pueda adaptarse a datos nuevos y no vistos sin un proceso de reentrenamiento completo.
El reconocimiento de conjuntos abiertos implica técnicas como detección fuera de distribución, where the model is trained to distinguish between known and unknown classes effectively. This may involve using confidence scores or additional algorithms to determine whether a sample belongs to a known class or should be classified as unknown. The concept of open sets is gaining traction in various fields, including computer vision, where new objects may appear, and natural language processing, where new phrases or terms may emerge.