Calidad de los datosData Quality
Qué tan confiables son los datos que se usan para entrenar
- La calidad de los datos mide qué tan confiables son los datos reunidos. Es una pregunta distinta a cuántos hay.
- Se mira desde varios ángulos por separado: si los valores son correctos, si falta algo, si están desactualizados, si son coherentes entre sí, si hay duplicados.
- Un defecto que queda en los datos, al pasar por el entrenamiento, se vuelve una costumbre fija del modelo. Después no se borra fácilmente con solo cambiar la forma de entrenar.
- Que un dato sea bueno o no lo decide para qué se va a usar. Datos que sobran en un lugar pueden no servir en otro.
- La revisión no termina en una sola vez. Mientras sigan entrando datos nuevos, la calidad también sigue moviéndose.
Contenido
1La analogía
Antes de abrir un parque acuático en verano, se saca agua para revisarla. Se llena un recipiente y se mira a simple vista qué tan turbia está, si hay residuos asentados en el fondo, y si el nivel de desinfectante cae dentro del rango indicado. Por muy buenos que sean los toboganes, si el agua que se sacó no pasa esa revisión, ese día no se abre.
Los datos que se reúnen para construir una IA son como esa agua. Si lo que está debajo está turbio, lo que se ponga encima queda turbio igual. La calidad de los datos es sacar un recipiente de esa agua y examinarla de cerca.
Así como la revisión del agua no termina en un solo punto, la revisión de los datos también tiene varios frentes. Si los valores están bien anotados, si hay casillas vacías, cuándo se recogió ese dato, si lo medido ayer coincide con lo medido hoy: cada frente se mira por separado.
2En detalle
La revisión se reparte en cinco frentes
El primero es ver si los valores son correctos. Aquí caen los datos donde en la casilla de estatura aparece un peso, o donde el mes y el día de una fecha están invertidos. Cuanto más se haya escrito a mano, más de estos defectos se cuelan.
El segundo es ver si falta algo. Unas pocas casillas vacías se pueden rellenar o simplemente descartar esa fila, pero si una columna entera está vacía, hay que renunciar directamente a usarla.
El tercero es ver qué tan desactualizado está. Así como no se puede juzgar la piscina de hoy con agua sacada hace años, si el mundo cambió pero los datos siguen siendo los de antes, el modelo sigue describiendo un mundo que ya no existe.
El cuarto y el quinto son ver si hay coherencia y si hay duplicados. Se revisa si lo mismo quedó anotado de dos formas distintas en dos lugares, o si el mismo registro entró varias veces mezclado. Si un registro aparece tres veces, la voz de ese registro pesa el triple.
El defecto fluye hacia abajo tal cual
Si se vierte agua turbia, ni el mejor filtro que se ponga después saca la tierra que ya entró. Con los datos pasa igual. Un modelo entrenado con etiquetas mal puestas aprende ese error como si fuera una regla, y de ahí en adelante responde siguiendo esa regla.
Lo más incómodo es que el defecto casi no se nota. Si solo una parte pequeña de los datos está mal, el puntaje que se ve por fuera parece perfecto. Recién cuando llega una situación parecida a esa parte defectuosa, el modelo responde de forma extraña. Para quien lo usa, parece un error sin ninguna razón.
Por eso el tiempo que se dedica a revisar los datos antes de entrenar nunca es tiempo perdido. Si el defecto se encuentra después de terminar el entrenamiento, hay que corregir los datos y volver a empezar desde cero, y eso sale mucho más caro.
El criterio de "buen dato" lo pone el uso
El agua que se usa para llenar la piscina y la que se bebe no piden lo mismo. Con los datos pasa igual. Para calcular a ojo las ventas diarias de una tienda de barrio alcanza con un registro al que le faltan unos cuantos casos, pero para pedir inventario en automático no puede faltar ni uno.
Por eso, antes de medir la calidad, hay que decidir para qué se va a usar ese dato. En cuanto se define el uso, se sabe qué tan estricto hay que ser en cada frente. Querer ser igual de estricto en todos los frentes hace que el trabajo no termine nunca, y hace perder de vista el frente que de verdad importaba.
También es común que el mismo dato sirva en un lugar y no sirva en otro.
La revisión tiene que seguir funcionando
El agua cambia de estado con solo un día que pase. Los datos también. Si un día el formato de lo que entra cambia sin avisar, o si quien anota los valores cambia de unidad, todo lo que llega desde ese día queda desalineado.
Por eso, donde siguen entrando datos sin parar, la revisión también tiene que seguir corriendo. Se mide todos los días cuántas casillas quedan vacías y si la cantidad que entró se parece a lo habitual, y se hace sonar una alerta cuando algo se sale de lo normal. La revisión a simple vista solo hace falta la primera vez; de ahí en adelante, la máquina saca el agua por su cuenta.
Cuando un servicio que venía funcionando bien empieza a dar respuestas raras un día cualquiera, antes de desarmar el modelo conviene revisar primero el camino por donde entran los datos.
3Con más precisión
La calidad de los datos suele medirse en dimensiones como exactitud, completitud, coherencia, actualidad, unicidad y validez. Cada dimensión se mide de una forma distinta: algunas, como la proporción de casillas vacías, se calculan con solo contar, y otras, como si un valor coincide con la realidad, solo se pueden saber comparando contra otro registro de referencia. Si los datos llevan etiquetas, también hay que revisar la calidad de esas etiquetas por separado. Es habitual medir qué tan de acuerdo están varias personas que anotaron las mismas etiquetas sobre el mismo dato, y usar eso como indicio.
También hay un punto donde la comparación cojea. El agua se puede volver a filtrar y quedar clara otra vez, pero un valor mal anotado en los datos muchas veces no tiene forma de recuperarse: el lugar que se borró queda borrado, y hay que seguir con lo que quedó. La revisión del agua tiene un único criterio fijado por ley, pero los datos no tienen ese criterio común. Fijarlo a la medida de cada tarea es la mitad del trabajo de cuidar la calidad.
También conviene distinguir calidad de sesgo. Un dato sin un solo valor mal escrito y sin ninguna casilla vacía puede estar, aun así, muy inclinado hacia un solo lado. Pasar toda la revisión de calidad no dice nada sobre a quién representa ese dato; eso hay que confirmarlo aparte.
4Pruébalo
5Malentendidos comunes
Es fácil pensar que mientras más datos, mejor, pero en realidad, si se aumentan datos con defectos, los defectos crecen con ellos, y el resultado sale peor que con menos datos pero limpios.
Es fácil pensar que un buen entrenamiento tapa los problemas de calidad, pero en realidad el modelo aprende como regla los valores mal anotados, y cuanto más se entrena, más se afianza ese error.
Es fácil pensar que ordenar los datos una vez ya es suficiente, pero en realidad, desde el momento en que entran datos nuevos, la calidad vuelve a moverse, y por eso la revisión debe quedar siempre encendida.
7Resumen en una línea
En resumenLa calidad de los datos es sacar un recipiente de agua antes de verterla en el entrenamiento y revisarla por cada frente, y el defecto que no se atrapa ahí queda tal cual como costumbre del modelo.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02