Frontera de Pareto como Herramienta para la Elección de Modelos de IA en Entornos con Recursos Limitados.

Abstract

La gran cantidad de modelos de inteligencia artificial que han ido apareciendo en el mercado ha multiplicado las opciones disponibles para resolver tareas de clasificación de texto, pero también ha incrementado la dificultad de elegir entre ellas cuando existen restricciones computacionales concretas. Este trabajo presenta un prototipo en Python para la evaluación y selección de modelos de inteligencia artificial mediante análisis multiobjetivo basado en la frontera de Pareto. La herramienta evalúa conjuntamente el rendimiento predictivo y la complejidad computacional de distintas configuraciones experimentales. A diferencia de los enfoques de puntuación agregada, el análisis de Pareto no requiere asignar ponderaciones previas entre métricas expresadas en unidades diferentes: conserva el conjunto de soluciones no dominadas y traslada la decisión final al momento en que se conocen las restricciones del entorno de implantación. La plataforma automatiza la ejecución de experimentos, el registro de métricas, el cálculo de dominancia y la generación de visualizaciones interactivas en dos y tres dimensiones, permitiendo explorar distintos compromisos sin repetir el entrenamiento de los modelos. Los experimentos se realizaron sobre tareas de clasificación de texto con los conjuntos de datos IMDB y AG News, evaluando modelos clásicos basados en TF-IDF (Naive Bayes, regresión logística y máquinas de vectores de soporte) y modelos basados en transformers (DistilBERT y MiniLM). Los resultados demuestran que la composición de la frontera varía en función de los objetivos seleccionados y que una decisión basada exclusivamente en el rendimiento predictivo omite alternativas eficientes bajo restricciones.

The large number of artificial intelligence models that have emerged in the market has expanded the range of available options for solving text classification tasks, but it has also increased the difficulty of choosing between them when specific computational constraints exist. This work presents a prototype Python platform for the evaluation and selection of artificial intelligence models through multi-objective analysis based on the Pareto frontier. The tool jointly evaluates the predictive performance and computational complexity of different experimental configurations. Unlike aggregate scoring approaches, Pareto analysis does not require prior weights to be assigned to metrics expressed in different units. Instead, it preserves the set of non-dominated solutions and postpones the final decision until the constraints of the deployment environment are known. The platform automates experiment execution, metric logging, dominance calculation, and the generation of interactive two- and three-dimensional visualizations, enabling the exploration of different trade-offs without retraining the models.The experiments were conducted on text classification tasks using the IMDB and AG News datasets, evaluating classical TF-IDF-based models, including Naive Bayes, logistic regression, and support vector machines, as well as transformer-based models, namely DistilBERT and MiniLM. The results show that the composition of the Pareto frontier varies depending on the selected objectives, and that decisions based exclusively on predictive performance overlook efficient alternatives under memory, latency, or storage constraints.