DQN para inventario con demanda real

Antes de tocar el código

Pedir poco hoy puede provocar una venta perdida mañana; pedir demasiado inmoviliza inventario. La recompensa conecta ambas consecuencias.

Pregunta esencial: ¿Cómo aprende una política cuando cada decisión cambia los datos que verá después?

Haz una predicción antes de ejecutar el notebook. Al final volverás a ella y tendrás que decir qué evidencia la confirmó, la corrigió o la dejó abierta.

Mapa de esta clase: De una decisión presente a una recompensa futura. La figura no es decorativa; úsala para explicar el mecanismo con tus propias palabras.

🎯 Qué vas a aprender y construir

Aprender una política de reposición usando una secuencia de demanda observada en transacciones reales.

Práctica propia de esta clase: Leer trayectorias, comparar políticas y estudiar retorno, quiebres de stock y nivel de servicio por separado.

Es la clase 11 de 31 del programa y pertenece a 🟣 el módulo 3, Familias especializadas: generar, decidir, relacionar. Llegas desde GNN sobre red de citas y lo que hagas aquí lo da por supuesto Transfer learning con mascotas.

Trabajarás con el dataset online_retail (UCI, licencia: CC BY 4.0), y tendrás que superar la línea base Política de reposición periódica basada en demanda media histórica, decidiendo con la métrica mean_return medida sobre validation. Nivel avanzado, unas 8 horas de dedicación.

Lo que conviene traer resuelto de las clases anteriores: PyTorch intermedio, optimización, lectura de artículos técnicos.

Al terminar deberías ser capaz de:

• Aprender una política de reposición usando una secuencia de demanda observada en transacciones reales.
• Preparar y auditar el dataset real online_retail sin fuga de datos.
• Entrenar y evaluar valor de acciones con demanda histórica.
• Comparar contra la línea base: Política de reposición periódica basada en demanda media histórica.
• Interpretar intervalos de confianza, errores y limitaciones.

Una idea que conviene desmontar

Maximizar retorno promedio no asegura una política estable ni un nivel de servicio aceptable en los peores episodios.

🧠 Comprender antes de entrenar

Esta sección es la explicación completa del tema. No hace falta abrir otro archivo para entender lo que viene después: aquí está la idea, la matemática que la sostiene y sus límites. (El mismo texto vive en theory.md, que es la fuente desde la que se genera esta guía, junto con la bibliografía del final.)

De qué trata

Este laboratorio estudia valor de acciones con demanda histórica usando online_retail, un dataset público real procedente de UCI.

El problema se plantea como aprendizaje por refuerzo: un agente observa el estado del inventario, elige cuánto reponer, y recibe una recompensa que penaliza tanto quedarse sin stock (ventas perdidas) como mantener inventario en exceso (coste de almacenamiento). No hay etiquetas de "acción correcta"; el agente debe descubrir una política —una regla que mapea estados a acciones— probando y observando consecuencias a lo largo del tiempo. La dificultad propia del refuerzo es que las decisiones tienen efectos diferidos: reponer poco hoy puede ahorrar coste ahora pero causar un quiebre de stock costoso mañana. El agente debe optimizar la recompensa acumulada, no la inmediata.

La pieza clave es aprender el valor de cada acción en cada estado: cuánta recompensa futura total cabe esperar si tomo esta acción y luego actúo bien. Con esa función de valor Q(s, a), la política óptima es trivial: en cada estado elegir la acción de mayor Q. DQN (Deep Q-Network) aproxima Q con una red neuronal, lo que permite manejar estados continuos (inventario, demanda reciente, posición temporal) sin tabular todos los casos. Lo distintivo de este laboratorio es que la demanda de cada paso no la genera un simulador arbitrario: proviene del historial real de transacciones de Online Retail, de modo que la política se enfrenta a la variabilidad genuina de la demanda.

La matemática, paso a paso

El valor Q óptimo satisface la ecuación de Bellman de optimalidad, que expresa el valor de un par (s, a) como la recompensa inmediata más el mejor valor posible del estado siguiente, descontado:

Q*(s, a) = 𝔼[ r + γ · max_{a′} Q*(s′, a′) | s, a ]

Aquí r es la recompensa recibida al ejecutar a en s, s′ es el estado siguiente, y γ ∈ [0, 1) es el factor de descuento, que fija cuánto pesan las recompensas futuras frente a las inmediatas (γ cercano a 1 → agente previsor). DQN entrena una red Q(s, a; θ) para satisfacer esta ecuación minimizando el error de diferencia temporal (TD) contra un objetivo (target):

y = r + γ · max_{a′} Q_target(s′, a′; θ⁻)        ℒ(θ) = 𝔼_{(s,a,r,s′)∼𝒟}[ ( y − Q(s, a; θ) )² ]

Dos ingredientes hacen esto estable. Primero, la repetición de experiencias (replay buffer 𝒟): las transiciones (s, a, r, s′) se guardan y se muestrean en minibatches aleatorios, rompiendo la correlación temporal entre muestras consecutivas. Segundo, la red objetivo con parámetros θ⁻: una copia rezagada de θ que se actualiza cada cierto tiempo; usarla para calcular y evita que el objetivo persiga a la propia red en cada paso, lo que provocaría oscilaciones. La demanda de cada paso proviene del historial real, no de un generador. Conectando con los cuatro elementos: la representación de entrada es el vector de estado s (inventario, demanda reciente, tiempo); la función del modelo es la red Q que produce un valor por cada acción discreta de reposición; la función de pérdida es el error TD cuadrático de arriba; y la regla de actualización es descenso de gradiente, θ ← θ − η ∇_θ ℒ. El notebook muestra las dimensiones de los tensores y conserva la misma implementación que el script de terminal.

Este laboratorio incorpora dos mejoras estándar sobre el DQN original. Double DQN corrige la sobreestimación del valor: el operador max en el target tiende a elegir acciones cuyo Q está inflado por ruido, así que se desacopla la selección de la evaluación —la red en línea elige la acción y la red objetivo la valora: y = r + γ · Q_target(s′, argmax_{a′} Q(s′, a′; θ); θ⁻). Dueling DQN reorganiza la arquitectura separando el valor del estado V(s) de la ventaja A(s, a) de cada acción, y las recombina como Q(s, a) = V(s) + ( A(s, a) − (1/|𝒜|) Σ_{a′} A(s, a′) ). La resta de la ventaja media es un truco de identificabilidad que estabiliza el aprendizaje; la intuición es que en muchos estados el valor depende poco de la acción concreta, y estimar V(s) por separado hace el aprendizaje más eficiente.

Por último, el agente equilibra exploración y explotación típicamente con una política ε-greedy: con probabilidad ε toma una acción aleatoria (explora) y con probabilidad 1−ε toma argmax_a Q(s, a) (explota), reduciendo ε a lo largo del entrenamiento. Sin exploración suficiente, el agente podría fijar prematuramente una política de reposición subóptima.

Por qué la Q aprendida sobreestima, con la desigualdad delante

El motivo de Double DQN se puede demostrar en una línea, y conviene verlo porque el sesgo es sistemático, no un accidente de implementación.

El objetivo TD usa max_a Q(s′, a). Como Q es una estimación con error —ruidosa por el muestreo, por la aproximación de la red y por la propia iteración—, se está tomando el máximo de variables aleatorias. Y para cualquier conjunto de variables aleatorias se cumple, por la desigualdad de Jensen aplicada al máximo, que

𝔼[ max_a Q̂(s′, a) ] ≥ max_a 𝔼[ Q̂(s′, a) ].

Es decir: el máximo de estimaciones ruidosas es, en promedio, mayor que el máximo real. La razón intuitiva es que el operador máximo selecciona precisamente la acción cuyo error apuntó más hacia arriba. Y como ese valor inflado se usa para construir el objetivo del paso siguiente, el sesgo se propaga y se acumula a lo largo del entrenamiento: la red acaba creyendo que todas sus acciones valen más de lo que valen, y su ordenamiento relativo —que es lo único que determina la política— se distorsiona.

La corrección de Double DQN es quirúrgica: se separa quién elige la acción de quién la evalúa. En vez de max_a Q_target(s′, a), el objetivo se construye como

y = r + γ · Q_target( s′, argmax_a Q_online(s′, a) ).

La red online elige, la red objetivo puntúa. Como sus errores no están correlacionados, la acción que la primera sobreestimó no tiene por qué estar sobreestimada por la segunda, y el sesgo se reduce drásticamente. No desaparece —ambas redes comparten datos— pero deja de acumularse.

La tríada mortal, y por qué hacen falta los dos parches

El aprendizaje por refuerzo profundo combina tres ingredientes que, por separado, son inofensivos, y juntos pueden divergir. Se les llama la tríada mortal:

1. Bootstrapping: el objetivo se construye con la propia estimación, y = r + γ·max Q, en lugar de con retornos reales observados.
2. Muestreo fuera de política: se aprende de transiciones generadas por una política distinta de la actual —las del búfer, recogidas hace miles de pasos—.
3. Aproximación de función: Q no es una tabla sino una red, así que actualizar un estado modifica la estimación de todos los demás.

Con los tres a la vez, las garantías de convergencia del Q-learning tabular se pierden y el entrenamiento puede diverger. Los dos parches de DQN atacan cada uno un vértice de la tríada. La repetición de experiencias rompe la correlación temporal entre muestras consecutivas —el descenso de gradiente supone muestras aproximadamente independientes, y una trayectoria no lo es en absoluto— y permite reutilizar cada transición muchas veces, algo valioso cuando obtenerlas es caro. La red objetivo congela el blanco durante unos miles de pasos: sin ella, cada actualización mueve simultáneamente la predicción y el objetivo, y la red persigue una diana que se desplaza con cada paso, un bucle de realimentación que amplifica cualquier error.

Vale la pena notar que esto convierte el aprendizaje por refuerzo en un problema de regresión no estacionario: la distribución de datos cambia según mejora la política, y el objetivo cambia según se actualizan los pesos. Ninguna de las dos cosas ocurre en los laboratorios supervisados anteriores, y es la razón de fondo por la que aquí todo es más frágil.

Cómo se evalúa una política, y por qué una corrida no dice nada

La evaluación en refuerzo tiene reglas propias que este laboratorio hace explícitas.

Primero, la pérdida no mide desempeño. Una pérdida TD baja significa que la red predice bien sus propios objetivos, incluso si esos objetivos son malos: es perfectamente posible tener error TD mínimo con una política pésima. Lo que se mide es el retorno obtenido al ejecutar la política, y en este dominio, además, sus indicadores operativos —nivel de servicio, roturas de stock, costo de inventario— que es lo que un responsable de reposición miraría de verdad.

Segundo, la evaluación se hace sin exploración. Durante el entrenamiento se necesita ε > 0 para descubrir acciones nuevas; al evaluar, cada acción aleatoria mete ruido que no forma parte de la política aprendida. Se evalúa con ε = 0 o con un valor mínimo fijo, y hay que declarar cuál.

Tercero, y es lo que más se incumple en la literatura: la varianza entre semillas en refuerzo profundo es enorme, mucho mayor que en aprendizaje supervisado. Dos entrenamientos idénticos salvo por la semilla pueden acabar en políticas de calidad muy distinta, porque las primeras decisiones aleatorias determinan qué experiencias entran al búfer y eso condiciona todo lo que viene después. Reportar una única corrida no es una medida imprecisa: es una anécdota. Por eso la comparación honesta necesita varias semillas y, además, evaluar cada política sobre varios episodios, ya que el propio entorno tiene aleatoriedad en la demanda.

Y la línea base debe ser el heurístico que se usaría en la práctica —una política de punto de reorden, del tipo «pedir Q unidades cuando el inventario baje de R»—. Esas reglas están muy bien afinadas en logística, y un DQN que no las supere claramente no justifica su costo de desarrollo, entrenamiento y mantenimiento. Es la comparación que decide si el aprendizaje por refuerzo aportaba algo en este problema.

La pregunta que deberías poder responder al terminar: ¿La política es robusta a cambios en costo y demanda?

Qué se mide y con qué se decide

La clase reporta mean_return, stockout_rate, holding_cost, service_level. De todas ellas, la que decide qué modelo se conserva es mean_return, y se mide siempre sobre validation: es la única forma de que test siga siendo una estimación honesta de lo que pasará con datos nuevos.

📓 Los tres cuadernos

La clase se puede recorrer en Jupyter y trae tres cuadernos con papeles distintos. Los tres siguen el mismo camino —descargar el dataset real, auditar la partición, entrenar, sellar el experimento y evaluar test una vez—; lo que cambia es qué te toca escribir a ti:

Qué se practica en los ejercicios

Cinco de ellos cubren el contrato experimental común: auditar la partición, decidir con validation, compararse con la línea base, sellar antes de abrir test y dejar el plan por escrito. Se resuelven con Python estándar —sin descargar el dataset ni entrenar—, así que se corrigen en segundos y sin GPU, y cada uno está parametrizado con los valores de este laboratorio: su métrica de selección, su línea base y su experimento propio.

Cómo abrirlos

Los cuadernos necesitan el extra notebooks, que instala Jupyter junto con el paquete:

pip install -e ".[dev,notebooks]"
jupyter lab labs/10_dqn_reinforcement/notebook.ipynb

También se abren desde VS Code —con la extensión de Jupyter— haciendo doble clic en el archivo, o desde la interfaz clásica con jupyter notebook. El primer arranque descarga el dataset real desde su proveedor, así que la primera ejecución tarda más y requiere conexión.

Si prefieres ejecutar sin abrir un cuaderno, train.py hace exactamente lo mismo desde la terminal, y la sección de comandos de arriba explica cada opción.

🖥️ Los comandos, explicados

Todo el laboratorio se maneja con una sola herramienta de terminal, neural-labs, que se instala junto con el paquete (pip install -e ".[dev,notebooks]"). Cada subcomando hace una cosa del protocolo, y por eso se pueden ejecutar por separado: preparar datos, auditar la partición, entrenar, repetir con varias semillas.

La forma general es siempre la misma:

neural-labs <subcomando> --lab <identificador> [opciones]

El script del laboratorio

labs/10_dqn_reinforcement/train.py no es un programa distinto: fija el --lab y delega en la misma herramienta, de modo que estas dos líneas hacen exactamente lo mismo.

python labs/10_dqn_reinforcement/train.py --quick
neural-labs train --lab 10_dqn_reinforcement --quick

Lo mismo desde Python

Si prefieres trabajar en un cuaderno o llamar al laboratorio desde tu propio código, la misma ejecución se lanza así. La función devuelve un objeto con el directorio de la ejecución, las métricas y el historial ya cargados:

from neural_labs.experiments import run_lab

resultado = run_lab(
    "10_dqn_reinforcement",
    quick=True,          # False para la ejecución completa
    config_name="baseline",
    split_seed=42,       # fija la partición
    training_seed=43,    # varía la inicialización
)

print(resultado.run_dir)   # dónde quedaron los archivos
print(resultado.metrics)   # el diccionario de métricas finales

Y para preparar el dataset sin entrenar —útil para inspeccionarlo antes—:

from neural_labs.datasets import prepare_dataset

datos = prepare_dataset("10_dqn_reinforcement", quick=True, seed=42)
print(datos.summary)       # tamaño de cada partición y metadatos de la fuente

🪜 Laboratorio guiado

Cada paso dice qué ocurre por dentro, por qué se hace en ese orden y cómo comprobar que salió bien. El orden no es una convención de estilo: es el que ejecuta el código, y alterarlo invalida el resultado.

Paso 1 — Traer el dataset real y partirlo

Qué ocurre. Descarga online_retail desde su proveedor y construye las tres particiones —train, validation y test— con la semilla de partición que le pases.

Por qué. La partición se fija antes de entrenar y su semilla (--split-seed) es independiente de la del entrenamiento (--training-seed). Si ambas fueran la misma, no podrías distinguir si un cambio en el resultado viene de haber repartido los datos de otro modo o de haber inicializado los pesos de otro modo.

neural-labs dataset --lab 10_dqn_reinforcement --quick --split-seed 42

Cómo sabes que salió bien. El comando termina sin error y deja el dataset en caché. Si no hay red, falla: no se rellena con datos inventados (data/dataset.yaml declara fallback_to_generated_data: false).

Paso 2 — Comprobar que las particiones no se tocan

Qué ocurre. Recorre los identificadores de las tres particiones y verifica que ninguno aparece en dos de ellas.

Por qué. Una sola fila compartida entre train y test basta para que la métrica final quede inflada. Es el error más caro del oficio porque no produce ningún síntoma visible: el modelo simplemente «parece» mejor de lo que es.

neural-labs audit --lab 10_dqn_reinforcement --quick --split-seed 42

Cómo sabes que salió bien. La auditoría reporta cero solapamientos. Si reporta alguno, no sigas: el resto del laboratorio no significaría nada.

Paso 3 — Mirar los datos antes de modelarlos

Qué ocurre. Genera el informe de calidad (valores faltantes, balance de clases, rangos) y el de deriva entre particiones.

Por qué. Un desbalance fuerte o una diferencia de distribución entre train y test cambia qué métrica tiene sentido leer. Descubrirlo después de entrenar obliga a repetirlo todo.

neural-labs quality --lab 10_dqn_reinforcement --quick --split-seed 42

Cómo sabes que salió bien. Obtienes data_quality.json y drift_report.json; ábrelos antes de decidir la configuración.

Paso 4 — Estudiar la teoría del laboratorio

Qué ocurre. Leer theory.md: la idea central, el desarrollo matemático, los riesgos de interpretación y la bibliografía de la que sale todo eso.

Por qué. Sin esto, el entrenamiento es una caja que devuelve números. La teoría es lo que te permite decidir qué mirar y reconocer cuándo un resultado es sospechoso.

Cómo sabes que salió bien. Puedes responder, con tus palabras, qué calcula el modelo y por qué esa arquitectura encaja con la tarea reinforcement_learning.

Paso 5 — Entrenar y seleccionar con validation

Qué ocurre. El entrenamiento recorre las épocas midiendo en validation después de cada una, y conserva el checkpoint con el mejor valor de mean_return.

Por qué. El conjunto de validación existe para tomar decisiones —arquitectura, hiperparámetros, cuándo parar—. Si esas decisiones se tomaran mirando test, test dejaría de ser una estimación de lo que pasará con datos nuevos y pasaría a ser parte del entrenamiento.

python labs/10_dqn_reinforcement/train.py --quick
# o, con control explícito de las dos semillas:
neural-labs train --lab 10_dqn_reinforcement --config baseline --split-seed 42 --training-seed 43

Cómo sabes que salió bien. En runs/10_dqn_reinforcement/<ejecución>/ aparecen history.csv y best_model.pt; la métrica de validación mejora respecto de la primera época.

Paso 6 — Compararte con la línea base

Qué ocurre. El repositorio entrena por su cuenta Política de reposición periódica basada en demanda media histórica y guarda su resultado, primero sobre validation y —solo al final— sobre test.

Por qué. Una métrica sola no dice si el modelo aporta algo. Puede que un método mucho más simple llegue igual de lejos, y entonces la complejidad añadida no está justificada. Esta comparación es la que convierte un número en un argumento.

Cómo sabes que salió bien. Comparas metrics.json con baseline_metrics.json. Si tu modelo no supera la línea base, el resultado del laboratorio es exactamente ese, y hay que reportarlo.

Paso 7 — El sellado: experiment.lock.json

Qué ocurre. Antes de tocar test, el código escribe un archivo que fija el laboratorio, las dos semillas, la configuración, la métrica de selección, el checkpoint elegido y el hash del dataset.

Por qué. Es la frontera del experimento. A partir de ahí, cualquier ajuste que hagas mirando test queda a la vista: el sello dice qué habías decidido antes de ver el resultado final. Sin ese archivo, nadie —incluido tú dentro de un mes— puede distinguir una predicción de una racionalización.

Cómo sabes que salió bien. El archivo existe y su contenido coincide con lo que creías haber ejecutado.

Paso 8 — Evaluar test una sola vez y medir la incertidumbre

Qué ocurre. Con el checkpoint congelado se evalúa test. En esta ruta la tarea es reinforcement_learning, así que el resultado se resume en las métricas propias de ese régimen y no en una predicción por ejemplo.

Por qué. Un número puntual esconde cuánto podría moverse. Por eso el paso siguiente —repetir con varias semillas— no es opcional aquí: es la única forma de saber cuánta de la diferencia observada es señal.

Cómo sabes que salió bien. Tienes metrics.json con el resultado final, y sabes que la comparación honesta llega con las repeticiones del paso siguiente.

Paso 9 — Repetir con varias semillas de entrenamiento

Qué ocurre. Se repite el entrenamiento manteniendo fija la partición y cambiando solo la semilla de entrenamiento.

Por qué. Dos ejecuciones idénticas salvo por la inicialización pueden diferir bastante. Si no mides esa dispersión, corres el riesgo de celebrar una mejora que era una semilla afortunada.

neural-labs benchmark --lab 10_dqn_reinforcement --quick --split-seed 42 --training-seeds 41 42 43

Cómo sabes que salió bien. Obtienes media y dispersión entre semillas, no un único número.

Paso 10 — Documentar y cerrar

Qué ocurre. Cada ejecución deja model_card.md y report.md; el plan de experimentos vive en experiments.md y la rúbrica en assessment.md.

Por qué. Un resultado sin su contexto —qué datos, qué decisiones, qué límites— no es reutilizable. La model card es lo que permite que otra persona sepa cuándo no debería usar tu modelo.

Cómo sabes que salió bien. Completaste la tabla multi-semilla de experiments.md y respondiste las preguntas de assessment.md.

🔍 Cómo leer lo que produce la ejecución

Cada ejecución escribe su propio directorio con nombre único, de modo que dos corridas nunca se pisan. Esto es lo que encontrarás dentro:

⚠️ Dónde suele perderse la gente

• --quick no es una versión pequeña del resultado, es una prueba de que todo corre. En esta ruta recorta a 1024 ejemplos de entrenamiento · 256 de validación · 256 de test · 2 épocas. Sirve para comprobar la instalación y la descarga; cualquier conclusión sobre el modelo exige la ejecución completa.
• Cambiar algo después de ver test invalida la comparación. Si al mirar el resultado final se te ocurre una mejora, la ruta correcta es volver a validation, decidir allí, y sellar de nuevo.
• Las dos semillas no son intercambiables. --split-seed cambia qué datos caen en cada partición; --training-seed cambia cómo se inicializa y baraja el entrenamiento. Para comparar modelos se fija la primera y se varía la segunda.
• Aquí no vas a ver predictions.csv ni confusion_matrix.png, y no es un error. La tarea es reinforcement_learning, y el código solo genera esos archivos cuando hay una predicción por ejemplo comparable contra una etiqueta.
• Límite declarado de este dataset. La dinámica de inventario es un entorno educativo, pero la demanda diaria se construye exclusivamente desde transacciones reales de Online Retail.

Riesgos al interpretar los resultados

La dinámica de inventario es un entorno educativo, pero la demanda diaria se construye exclusivamente desde transacciones reales de Online Retail.

El dataset refleja su proceso de recolección y no representa automáticamente otros períodos, países o poblaciones. Una asociación predictiva no demuestra causalidad.

✅ Antes de darlo por terminado

La clase está aprobada cuando se cumplen estos criterios:

• [ ] cero solapamiento entre train, validation y test
• [ ] selección basada únicamente en validation
• [ ] métricas finales acompañadas por incertidumbre
• [ ] conclusiones que distinguen evidencia de suposición

Y cuando tienes estos entregables:

• [ ] notebook ejecutado
• [ ] reporte experimental
• [ ] model card
• [ ] comparación con línea base
• [ ] respuesta a preguntas críticas

El plan experimental con la tabla que hay que completar está en experiments.md, y las preguntas con su rúbrica, en assessment.md. Ambos documentos se abren desde la barra de navegación de arriba.

Para ir más lejos

• Cambia una decisión experimental y justifícala con el resultado en validation, no con la intuición.
• Analiza los errores por clase o por segmento: casi siempre se concentran en un subconjunto reconocible.
• Compara costo, precisión y latencia; el mejor modelo no siempre es el que gana por décimas.
• Documenta sesgos, limitaciones y usos para los que no recomendarías este modelo.

📚 Fuentes

La teoría de arriba no es original de este repositorio: se apoya en la literatura de referencia del área y en los papers originales de cada arquitectura. Estas son las obras concretas, y lo que aporta cada una:

• Sutton & Barto — Reinforcement Learning: An Introduction (2.ª ed., MIT Press) — texto canónico: procesos de decisión de Markov, ecuación de Bellman, Q-learning y equilibrio exploración–explotación.
• Mnih et al. (2015), Human-level control through deep reinforcement learning (DQN), Nature — DQN con replay buffer y red objetivo, base del laboratorio.
• van Hasselt, Guez & Silver (2016), Deep Reinforcement Learning with Double Q-learning, AAAI — corrección de la sobreestimación desacoplando selección y evaluación.
• Wang et al. (2016), Dueling Network Architectures for Deep Reinforcement Learning, ICML — separación de valor de estado y ventaja de acción.
• Fuente del dataset: https://archive.ics.uci.edu/dataset/352/online+retail — Online Retail (UCI Machine Learning Repository, CC BY 4.0); procedencia, versión y SHA-256 en el registro de fuentes, entrada uci-online-retail — esta clase la usa para construir la señal de demanda diaria a partir de transacciones reales y aprender sobre ella una política de reposición.
• Consulte docs/experiment-protocol.md, docs/reproducibility.md y docs/ethics-and-licenses.md.

Los archivos de este laboratorio

Todo lo que necesitas está en esta carpeta. Cada enlace abre el archivo directamente:

Y fuera de la carpeta, tres referencias que esta guía usa: el catálogo configs/labs.yaml —de donde salen el objetivo, la línea base y las métricas—, el código src/neural_labs/experiments.py —que define el orden de los pasos y los archivos que escribe cada ejecución— y docs/experiment-protocol.md, con la regla general del protocolo.

Los datasets se descargan de su proveedor original y conservan su licencia; este repositorio no los redistribuye ni sustituye una descarga fallida por datos generados.

🔬 Experimentos

Plan de experimentos — DQN para inventario con demanda real

Qué significa «experimentar» aquí

Entrenar un modelo y mirar el número que sale no es un experimento: es una observación. Un experimento empieza por una afirmación que podría resultar falsa, sigue fijando todo lo que no se está poniendo a prueba, y termina midiendo si la afirmación se sostiene cuando se repite.

La diferencia importa porque el entrenamiento de una red tiene azar por dentro: la inicialización de los pesos y el orden en que se barajan los lotes cambian el resultado aunque no cambies nada más. Si comparas una sola corrida contra otra sola corrida, no sabes si la diferencia viene de tu idea o de la semilla. Por eso todo lo que sigue está organizado para separar la señal (el efecto de lo que cambiaste) del ruido (la variabilidad propia del entrenamiento).

La hipótesis de este laboratorio

Aprender una política de reposición usando una secuencia de demanda observada en transacciones reales.

Formulada como algo que se puede refutar: el modelo de este laboratorio supera a Política de reposición periódica basada en demanda media histórica en mean_return, y la diferencia es mayor que la dispersión entre semillas.

Qué la haría falsa —y esto también es un resultado que hay que reportar—:

• El modelo no supera a Política de reposición periódica basada en demanda media histórica.
• Lo supera, pero por menos de lo que varía el propio modelo al cambiar la semilla de entrenamiento.
• Lo supera solo con una semilla concreta y no con las demás.
• Lo supera a costa de un tiempo o un tamaño que el problema no justifica.

El experimento propio de esta clase

Además de la comparación con la línea base, aquí interesa una pregunta específica: Comparar retorno contra políticas heurísticas. Es la comparación que da sentido al tema de este laboratorio; la de la línea base solo dice si el modelo sirve, mientras que esta dice qué parte del diseño es la que aporta.

Qué se varía y qué se mantiene fijo

Un experimento es interpretable cuando cambia una cosa a la vez. Esta tabla dice qué papel juega cada elemento y, sobre todo, por qué:

Las dos configuraciones que vas a comparar

El laboratorio trae dos configuraciones ya escritas. Estos son los parámetros en los que difieren —el resto es idéntico, que es justamente lo que hace legible la comparación—:

Elegir entre ellas es una decisión de validation. Si improved gana en validación, se queda; si no, la configuración base es la respuesta y hay que decirlo así.

Cómo ejecutar la serie

El comando benchmark hace exactamente esto: repite el entrenamiento manteniendo la partición fija y cambiando solo la semilla de entrenamiento.

neural-labs benchmark --lab 10_dqn_reinforcement \
  --config baseline --split-seed 42 --training-seeds 41 42 43

neural-labs benchmark --lab 10_dqn_reinforcement \
  --config improved --split-seed 42 --training-seeds 41 42 43

Por dentro, benchmark no hace magia: llama a run_lab una vez por semilla con la misma partición y resume los resultados. Desde Python es literalmente eso:

from neural_labs.experiments import run_lab
from neural_labs.benchmarking import summarize_benchmark

registros = []
for semilla in (41, 42, 43):
    resultado = run_lab(
        "10_dqn_reinforcement",
        config_name="baseline",
        split_seed=42,          # la partición NO cambia
        training_seed=semilla,  # solo cambia la inicialización
    )
    registros.append({"training_seed": semilla, "metrics": resultado.metrics})

print(summarize_benchmark(registros))   # media y dispersión entre semillas

Empieza con --quick para comprobar que la serie corre entera; los números que se reportan salen de la ejecución completa.

La tabla que debes completar

De dónde sale cada columna, para que no haya que adivinarlo:

• Métrica en validation: el mejor valor de mean_return durante el entrenamiento; está en history.csv y resumido en metrics.json.
• Métrica en test: el valor final, en metrics.json, ya con el modelo congelado.
• Tiempo: wall_time_seconds de metrics.json.
• Parámetros: parameters de metrics.json; es la medida honesta del tamaño del modelo.
• Observación: lo que viste y los números no dicen —una curva que se dispara, una clase que concentra los errores, una corrida que no convergió—.

Cómo decidir con esos números

1. Compara medias, pero decide con la dispersión. Calcula media y desviación entre las tres semillas de cada variante. Una mejora de 0,3 puntos entre variantes cuya dispersión interna es de 1,2 puntos no es una mejora: es ruido con buena suerte.
2. Si los rangos se solapan, dilo. «No se observó una diferencia distinguible del ruido con tres semillas» es una conclusión legítima y mucho más útil que un número inventado de confianza.
3. Decide con validation. La columna de test sirve para reportar el resultado final una vez, no para elegir la variante ganadora.
4. El costo forma parte del resultado. Si improved gana por poco y cuesta el triple de tiempo, la conclusión honesta menciona ambas cosas.
5. Vuelve a la línea base. La comparación contra Política de reposición periódica basada en demanda media histórica es la que dice si todo el aparato de la red neuronal estaba justificado para este problema.

Qué debe decir tu conclusión

Una conclusión completa contiene cinco cosas, y se puede escribir en un párrafo:

• Magnitud: cuánto mejoró, en qué métrica y sobre qué conjunto.
• Incertidumbre: cuánto varió entre semillas, y si la mejora sobrevive a esa variación.
• Costo: tiempo, memoria o tamaño adicional que hubo que pagar.
• Errores: dónde falla el modelo, no solo cuánto acierta.
• Condiciones: en qué circunstancias no esperarías que este resultado se repitiera.

Errores de diseño que invalidan el experimento

• Cambiar dos cosas a la vez. Si tocas la arquitectura y la tasa de aprendizaje en la misma corrida, el resultado no atribuye el efecto a ninguna de las dos.
• Comparar con particiones distintas. Es el error más frecuente y el más difícil de detectar después: parece una mejora del modelo y es un reparto distinto de los datos.
• Quedarse con la mejor semilla. Elegir la corrida más favorable y reportar solo esa es seleccionar el ruido. Se reportan todas.
• Ajustar mirando test. En cuanto una decisión se toma con el resultado de test, ese conjunto deja de estimar el rendimiento con datos nuevos.
• No registrar el entorno. Sin versiones ni hardware, una diferencia de tiempo o de resultado se vuelve inexplicable meses después.

📝 Evaluación

Evaluación — DQN para inventario con demanda real

Cómo se evalúa esta clase

No se evalúa el número final. Un modelo con una métrica alta obtenida mirando test, o sin compararse con nada, vale menos que uno modesto cuyo resultado se puede auditar. Lo que se califica es el proceso: si las particiones están limpias, si la decisión se tomó donde debía, si la conclusión distingue lo que se midió de lo que se supone.

Evidencias que debes entregar

Las preguntas, y qué se busca en tu respuesta

No se corrige la longitud de la respuesta, sino si demuestra comprensión. Debajo de cada pregunta está lo que una buena respuesta debería contener.

1. ¿Cómo aprende una política cuando cada decisión cambia los datos que verá después?

Qué se busca: Comienza con la predicción que hiciste al abrir la clase y contrástala con una gráfica, una medida o una observación concreta de tu ejecución.

2. Explica con tus palabras: y=r+γ max_a Q_target(s′,a); la demanda de cada paso proviene del historial real, no de un generador.

Qué se busca: Una buena respuesta conecta cuatro cosas —cómo se representa la entrada, qué calcula el modelo, qué mide la función de pérdida y cómo se actualizan los pesos— en vez de repetir la definición del libro. Si puedes explicarlo sin la fórmula delante, lo entendiste.

3. ¿Qué información del dataset solo puede usarse durante el entrenamiento?

Qué se busca: Se espera que nombres casos concretos: las estadísticas de normalización, el vocabulario, la selección de variables, los umbrales. Todo eso se ajusta solo con train; calcularlo sobre el conjunto completo es una fuga silenciosa que infla el resultado sin dar ningún aviso.

4. ¿Por qué Política de reposición periódica basada en demanda media histórica es una comparación razonable para este problema?

Qué se busca: Una buena respuesta explica qué captura la línea base y qué no, y por qué superarla —o no superarla— es informativo aquí. Si la línea base ya resuelve el problema, la conclusión correcta es que la red no estaba justificada.

5. ¿La política es robusta a cambios en costo y demanda?

Qué se busca: Esta es la pregunta propia del tema. Responde con evidencia de tu ejecución —predicciones, matriz de confusión, curvas, artefactos del directorio de la corrida—, no con una impresión general.

6. ¿Qué aprendiste al realizar esta práctica: Leer trayectorias, comparar políticas y estudiar retorno, quiebres de stock y nivel de servicio por separado.?

Qué se busca: No basta con relatar los pasos. Explica qué cambió, por qué cambió y qué resultado te haría rechazar tu interpretación inicial.

7. Refuta con evidencia esta idea frecuente: «Maximizar retorno promedio no asegura una política estable ni un nivel de servicio aceptable en los peores episodios.»

Qué se busca: Se busca una refutación situada en esta materia, apoyada en el mecanismo estudiado y en los resultados obtenidos, no una negación genérica.

8. ¿Qué te dice mean_return que no te dirían las otras métricas?

Qué se busca: Cada métrica pondera distinto los errores. Se espera que expliques por qué esa es la que decide aquí y en qué situación sería una mala elección.

9. ¿Qué cambiarías antes de usar este modelo fuera del laboratorio?

Qué se busca: Aquí se evalúa el criterio, no la técnica: licencias y condiciones de uso de online_retail, representatividad de la población, calibración de las probabilidades, vigilancia de la deriva, desempeño por subgrupo y supervisión humana. Un «funcionaría bien» sin condiciones se corrige como respuesta incompleta.

La rúbrica, explicada

La diferencia entre adecuado y excelente casi nunca está en la métrica: está en si el trabajo permite que otra persona llegue a la misma conclusión con los artefactos que dejaste. Un resultado peor, bien medido y bien explicado, se califica por encima de uno mejor que no se puede auditar.

La aprobación exige al menos 70 % y cero errores críticos de fuga de datos. La fuga es eliminatoria por sí sola porque invalida todas las demás cifras del trabajo, por buenas que parezcan.

Autoevaluación antes de entregar

• [ ] Puedo explicar la idea central de la clase a alguien que no la cursó, sin leer el código.
• [ ] Sé qué decisión tomé en cada paso y con qué evidencia la tomé.
• [ ] Miré test una sola vez, después de que existiera experiment.lock.json.
• [ ] Mi conclusión dice magnitud, incertidumbre, costo, errores y condiciones.

• [ ] Puedo señalar al menos una limitación real de mi resultado.

• [ ] cero solapamiento entre train, validation y test

• [ ] selección basada únicamente en validation
• [ ] métricas finales acompañadas por incertidumbre
• [ ] conclusiones que distinguen evidencia de suposición

🧑‍🏫 Guía docente

Guía docente — Clase 11: DQN para inventario con demanda real

Módulo 3: Familias especializadas · Esta guía acompaña a quien facilita la clase; no es un guion que deba leerse literalmente.

La conversación que abre la clase

Pedir poco hoy puede provocar una venta perdida mañana; pedir demasiado inmoviliza inventario. La recompensa conecta ambas consecuencias.

Plantee primero esta pregunta y permita que el grupo formule una predicción antes de mostrar código:

¿Cómo aprende una política cuando cada decisión cambia los datos que verá después?

Qué debe quedar comprendido

• Aprender una política de reposición usando una secuencia de demanda observada en transacciones reales.
• Preparar y auditar el dataset real online_retail sin fuga de datos.
• Entrenar y evaluar valor de acciones con demanda histórica.
• Comparar contra la línea base: Política de reposición periódica basada en demanda media histórica.
• Interpretar intervalos de confianza, errores y limitaciones.

Secuencia sugerida

Práctica propia de esta materia

Leer trayectorias, comparar políticas y estudiar retorno, quiebres de stock y nivel de servicio por separado.

La figura es un punto de entrada. Pida al estudiante que explique qué cambia entre los tres pasos y qué resultado observable invalidaría su explicación.

Dificultad conceptual que conviene provocar

Idea engañosa: Maximizar retorno promedio no asegura una política estable ni un nivel de servicio aceptable en los peores episodios.

No la corrija inmediatamente. Solicite un ejemplo o contraejemplo, ejecute una comparación y recién entonces reconstruya la explicación con el grupo.

Preguntas para acompañar sin resolver

• ¿Qué observación concreta respalda esa afirmación?
• ¿Qué variable está cambiando y cuáles permanecen controladas?
• ¿La gráfica muestra el mecanismo o solamente una correlación?
• ¿En qué caso dejaría de ser válida esta conclusión?

Cierre verificable

La clase termina cuando el estudiante puede responder la pregunta esencial, interpretar su visualización y señalar al menos una limitación. Una métrica aislada no reemplaza ninguna de esas tres evidencias.