Gen AI Leader
Deep Dive
Ningún foundation model, por potente que sea, compensa datos de mala calidad. Este artículo cubre las dimensiones de calidad de datos que el examen evalúa, la diferencia entre datos estructurados y no estructurados, y entre datos etiquetados y no etiquetados — con sus implicaciones de negocio.
Contenido
"Garbage in, garbage out" aplica con más fuerza que nunca en gen AI: la calidad de los datos usados para entrenar, ajustar o fundamentar (grounding) un modelo determina directamente la calidad y confiabilidad de sus resultados. Google Cloud identifica seis dimensiones clave.
Completitud (completeness)
¿Faltan campos, registros o categorías importantes en el dataset? Datos incompletos generan modelos con puntos ciegos sistemáticos —por ejemplo, un modelo de riesgo crediticio entrenado sin datos de ciertos segmentos de clientes tomará decisiones sesgadas sobre ellos.
Consistencia (consistency)
¿Los datos siguen el mismo formato, unidades y convenciones en todas las fuentes? Fechas en formatos distintos, monedas mezcladas o nombres de campo inconsistentes entre sistemas generan errores silenciosos difíciles de detectar.
Relevancia (relevance)
¿Los datos están realmente relacionados con el problema de negocio que se quiere resolver? Un dataset masivo pero irrelevante para el caso de uso no mejora el modelo — puede incluso diluir su rendimiento en la tarea real.
Disponibilidad (availability)
¿Los datos están accesibles cuando se necesitan, en el formato y con los permisos correctos? Datos atrapados en silos departamentales o sistemas legados sin API generan retrasos y proyectos bloqueados.
Costo (cost)
Recolectar, limpiar, etiquetar y almacenar datos de calidad tiene un costo real de tiempo y dinero — una decisión de negocio es cuánto invertir en preparación de datos frente al beneficio esperado del modelo.
Formato (format)
¿Los datos están en un formato que el modelo o el pipeline de entrenamiento puede procesar directamente (CSV, JSON, texto plano, imágenes en un formato soportado), o requieren conversión previa?
Implicación de negocio
Invertir en calidad de datos no es un paso "técnico" separado del negocio: datos incompletos o inconsistentes producen modelos con sesgos, alucinaciones más frecuentes o decisiones erróneas que terminan costando más (en reputación, cumplimiento normativo o pérdida de confianza del cliente) que la inversión inicial en preparar los datos correctamente.
Los datos estructurados siguen un modelo predefinido y organizado —filas y columnas, esquemas fijos— que facilita su búsqueda y análisis directo. Los datos no estructurados no tienen un formato predefinido y requieren procesamiento adicional (a menudo con gen AI) para extraerles valor.
Datos estructurados — ejemplos reales
Datos no estructurados — ejemplos reales
Por qué importa para gen AI
Se estima que la gran mayoría de los datos empresariales son no estructurados. La IA generativa es especialmente valiosa aquí porque puede extraer, resumir y estructurar información útil de estos datos "desordenados" —por ejemplo, con Document AI u OCR— algo que las herramientas de análisis tradicionales, pensadas para datos estructurados, no podían hacer bien.
Document AI
Extracción de documentosServicio de Google Cloud que extrae y estructura texto, tablas y campos de documentos no estructurados (PDFs escaneados, formularios, contratos), convirtiéndolos en datos utilizables por un modelo o pipeline.
Los datos etiquetados incluyen una "respuesta correcta" o categoría asignada junto a cada ejemplo (por ejemplo, una imagen marcada como "gato"), mientras que los datos no etiquetados son datos crudos sin ninguna anotación asociada.
| Tipo | Ejemplo | Uso típico |
|---|---|---|
| Etiquetados | Correos marcados manualmente como "spam"/"no spam"; imágenes de rayos X anotadas por radiólogos como "normal"/"anomalía" | Aprendizaje supervisado — entrenar el modelo con el resultado esperado explícito |
| No etiquetados | Millones de páginas web crudas; transcripciones de audio sin categorizar | Pre-entrenamiento de foundation models y aprendizaje no supervisado — el modelo descubre patrones por sí mismo |
Implicación de negocio: el costo del etiquetado
Etiquetar datos suele requerir revisión humana experta (radiólogos, abogados, lingüistas según el dominio), lo que lo convierte en uno de los costos ocultos más grandes de un proyecto de ML supervisado. Los foundation models modernos reducen esta dependencia porque se pre-entrenan principalmente con enormes volúmenes de datos no etiquetados, y luego solo se necesita un conjunto mucho más pequeño de datos etiquetados para fine-tuning específico de una tarea.
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Una aseguradora tiene miles de fotos de daños de vehículos enviadas por clientes, sin ninguna categoría ni anotación asociada. Un equipo de peritos revisa manualmente una muestra de 2,000 fotos y las clasifica como 'daño leve', 'daño moderado' o 'daño total' antes de usarlas para entrenar un modelo de clasificación automática. ¿Qué transformación de datos describe este proceso?
Pon a prueba lo que aprendiste con preguntas originales del examen Gen AI Leader.
Iniciar simulacro Gen AI LeaderSin límite de simulacros con plan Pro
Inicia sesión para llevar tu progreso.