Un ensamble que se explica a sí mismo

Un clasificador acertado pero mudo es difícil de vender. Quien revisa no quiere solo la etiqueta — quiere saber por qué. El truco es combinar un modelo rápido que decide con uno hablador que explica, y mantener esas dos tareas estrictamente separadas.

Barato, local y suficientemente bueno

Para clasificación de texto acotada, TF‑IDF más embeddings hacia una cabeza de regresión logística es rápido, se ejecuta enteramente en tu propio hardware y — entrenado con decenas de miles de ejemplos etiquetados — es genuinamente preciso. Sin llamada a API por predicción, sin datos saliendo del equipo, sin sorpresas de latencia.

Que el LLM hable, no que decida

El movimiento tentador y arriesgado es dejar que un LLM haga la clasificación. El movimiento seguro: el ensamble decide y el LLM redacta una justificación apoyada en la entrada — citando las frases exactas que motivaron la etiqueta. Como la explicación se genera después de la decisión, nunca puede cambiar el veredicto a escondidas.

Mide antes de creer

Cada decisión de modelado — cuántos datos, qué cabeza de embeddings, ensamble frente a un solo modelo — se ganó su sitio moviendo un número en un conjunto de validación. «Se siente mejor» no es un resultado. El recall a una precisión fija, sí.

Apunta los callejones sin salida

Los experimentos que no funcionaron merecen documentarse. La siguiente persona — normalmente tú en el futuro — se ahorra semanas al saber que el finetune sofisticado rindió peor que la aburrida cabeza lineal.

Deja que el modelo barato decida y el caro explique. La confianza vive en la costura entre ambos.