El mundo del machine learning ha cambiado ligeramente el ¨¦nfasis de explorar qu¨¦ modelos son capaces de comprender a c¨®mo lo hacen. La preocupaci¨®n por la introducci¨®n de sesgos o la generalizaci¨®n excesiva de la aplicabilidad de un modelo, ha dado lugar a nuevas herramientas interesantes, como (WIT). Esta herramienta ayuda a data scientists a indagar en el comportamiento de un modelo y a visualizar el impacto que varias caracter¨ªsticas y conjuntos de datos tienen en el output. Introducido por Google y disponible a trav¨¦s de o Jupyter notebooks; WIT simplifica las tareas de comparaci¨®n de modelos, corte de conjuntos de datos, visualizaci¨®n de facets y edici¨®n de conjunto de datos individuales. Aunque WIT facilita la realizaci¨®n de estos an¨¢lisis, todav¨ªa requieren una profunda comprensi¨®n de las matem¨¢ticas y la teor¨ªa que hay detr¨¢s de los modelos. Es una herramienta para que data scientist obtengan una visi¨®n m¨¢s profunda del comportamiento del modelo. Usuarios ingenuos no deben esperar que ninguna herramienta elimine el riesgo o minimice el da?o causado por un algoritmo mal aplicado o mal entrenado.
