Puntos clave
- El etiquetado es el trabajo en que una persona le asigna una respuesta a cada dato, uno por uno. Ese resultado se convierte en la verdad de referencia.
- Lo difícil no es la mano de obra, sino el límite entre categorías. Decidir hacia qué lado mandar un dato ambiguo es casi toda la calidad del trabajo.
- El mismo dato se etiqueta distinto según quién lo haga. Por eso se escribe una guía y se revisa con varias personas al mismo tiempo.
- Si la respuesta asignada se tambalea, el entrenamiento y la calificación se tambalean juntos. Muchas veces hay que mirar aquí antes que el modelo.
- Se puede aligerar la carga poniendo respuestas automáticas de borrador, pero la revisión de una persona sigue haciendo falta.
La analogía
En el depósito de un museo, los objetos guardados en cajas están alineados en fila. Si no se cuelga una ficha que diga de dónde vino cada uno y para qué se usaba, por más valioso que sea el objeto, después nadie lo va a poder encontrar ni comparar con otros. Por eso una persona saca cada objeto, lo mira y le cuelga una ficha.
El trabajo parece simple, pero apenas se empieza aparecen los casos difíciles justo en el límite: algo que no se sabe si es un plato o una taza, algo tan roto que ya no se distingue qué era. También pasa que dos personas, mirando la misma caja, cuelgan fichas distintas.
Por eso el depósito tiene pegada una guía con las reglas para colgar fichas: esta forma se anota así, si hay duda se deja en la caja de pendientes. Aun así, lo que sigue en desacuerdo se anota por separado entre dos personas y después se discute junto lo que no coincidió.
El etiquetado es exactamente este trabajo. Como la ficha colgada se convierte más adelante en el criterio de todo, importa mucho más cómo se cuelga que qué tan rápido se cuelga.
En detalle
Etiquetar es, al mismo tiempo, construir el criterio
Es fácil ver el etiquetado como una simple tarea de preparación, pero en realidad es el lugar donde se decide qué se va a considerar la respuesta correcta. Hacia qué lado se etiquetó se convierte, tal cual, en lo que el modelo va a aprender, y también en la vara con la que se va a calificar más adelante.
Por eso hay cosas que decidir antes de empezar: en qué categorías se va a dividir, qué hacer con lo que no entra en ninguna, y si un mismo dato puede llevar varias respuestas a la vez. Si se empieza sin resolver esto, a mitad de camino hay que volver a empezar desde cero.
La guía es la mitad del trabajo
Una buena guía no trae solo los nombres de las categorías. Trae también ejemplos que caen justo en el límite: en este caso va en esta categoría, en este otro va en aquella, mostrando datos reales.
La guía nunca queda terminada desde el principio: crece cada vez que aparece un caso difícil, anotando ahí mismo el criterio que se decidió. Por eso conviene empezar etiquetando poco a poco mientras se afina la guía, y recién después, cuando las reglas se estabilizan, avanzar con el volumen grande.
Si la guía cambia sobre la marcha, hay que volver atrás y corregir lo que ya se etiquetó antes. Un lote de datos donde la primera parte y la última siguen criterios distintos es difícil tanto para aprender de él como para calificar con él.
Cada persona etiqueta distinto
Al darle el mismo dato a dos personas, siempre aparece una parte donde el juicio se divide. Medir con un número cuánto se divide da una idea del estado del conjunto de datos. Si la coincidencia es baja, puede deberse a diferencias de experiencia entre quienes etiquetan, pero muchas veces la guía es ambigua o el dato mismo es confuso.
Ese número también sirve para fijar expectativas. Si ni siquiera las personas coinciden más de cinco veces de cada siete, la respuesta correcta misma se tambalea en esa medida. No sorprendería que el puntaje del modelo se detenga cerca de ahí, y al leer el puntaje este número hace de escala.
Lo ambiguo no se descarta: se junta aparte
Meter a la fuerza en cualquier categoría un dato que cae justo en el límite es cómodo por ahora, pero se paga después. El modelo falla más seguido justo en esa zona ambigua, y como la respuesta correcta misma se tambalea, tampoco queda claro hacia dónde corregir.
Por eso lo ambiguo se junta aparte, en una caja de pendientes, y se discute todo junto. El criterio que sale de esa discusión termina siendo la parte más valiosa de la guía. Y esos datos que quedaron pendientes sirven después como material de prueba para ver justo dónde se confunde el modelo.
Aunque se aligere la carga, la revisión sigue haciendo falta
Cuando los datos crecen, ya no alcanza con la mano humana sola. Se usan reglas que etiquetan de forma automática, o un modelo ya entrenado que escribe un borrador y una persona lo corrige. También es común mandarle a una persona solo los casos donde la confianza salió baja.
Sea cual sea el método, el lugar de la revisión humana no desaparece. En las respuestas puestas de forma automática se cuelan errores que se repiten siempre en la misma dirección, y ese tipo de error hace mucho más daño que uno al azar. Conviene dejar planeado, desde el principio, un paso donde una persona revise una muestra de lo ya etiquetado.
Con más precisión
El etiquetado toma varias formas. Ponerle una sola categoría a todo un dato, marcar con un recuadro dónde está un objeto dentro de una imagen, pintar la región exacta píxel por píxel, o conectar la relación entre las palabras de una frase: cuanto más mano exige la forma, más sube el costo por cada dato.
La calidad no depende solo de la guía. Si una misma persona etiqueta durante mucho tiempo seguido, el criterio se va desdibujando hacia el final, y mirar datos parecidos en tandas genera una inclinación donde el juicio anterior arrastra al siguiente. Por eso se mezcla el orden de trabajo y se intercalan de vez en cuando datos cuya respuesta ya se conoce.
La analogía también tiene sus límites. Del depósito se pueden volver a sacar unos pocos objetos para revisarlos, pero los datos son tantos que no se puede volver a mirar uno por uno. Y si no queda registrado por qué se decidió así, también cuesta aplicar el mismo criterio al volver a etiquetar. Conviene dejar anotado también el motivo, en los casos donde el juicio se dividió.
Pruébalo
Malentendidos comunes
Es fácil pensar que el etiquetado es un trabajo sencillo, pero en realidad es el lugar donde se decide qué se va a considerar la respuesta correcta, así que ahí mismo se define tanto lo que el modelo aprende como la vara con que se califica.
Es fácil creer que cuantos más datos se etiqueten, mejor, pero en realidad un conjunto de datos acumulado con un criterio inestable termina desordenando tanto el entrenamiento como la calificación.
Es fácil pensar que etiquetar de forma automática elimina la necesidad de una persona, pero en realidad el trabajo automático deja errores que se repiten en la misma dirección, así que la revisión humana importa todavía más.
Resumen en una línea
El etiquetado es el trabajo en que una persona le asigna una respuesta a cada dato para construir el criterio, y lo que decide el resultado no es la velocidad, sino cómo se traza el límite entre categorías.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización 2026-10-17