Preparación de datos para proyectos de IA: por dónde empezar
Cómo preparar los datos antes de un proyecto de IA: inventario, limpieza, responsables, acceso, conjunto de prueba, protección de datos y errores.
Equipo de rabbitclipPublicación: 6 min. de lectura
En breve
Preparar los datos de un proyecto de IA significa averiguar antes de empezar dónde están sus datos, de quién son, hasta qué punto son fiables y qué partes puede ver un sistema de IA, y limpiar después lo que haya que limpiar. En la mayoría de los proyectos esto lleva más tiempo que elegir el modelo y condiciona más el resultado. Si los datos están dispersos, desactualizados o son contradictorios, la IA no los arreglará; repetirá los errores en una prosa fluida. Los datos sensibles se separan y se protegen en esta fase, no después.
Este artículo no trata de elegir un modelo o una herramienta; trata de lo que debería estar listo sea cual sea la herramienta que elija. No recorre la construcción de una base de conocimiento concreta ni una ley de protección de datos; examina las preguntas que conviene hacerse antes de que empiece un proyecto.
¿Por qué la preparación de datos va antes que el modelo?
La IA aprende de los datos que se le muestran, o responde apoyándose en ellos. Un error en los datos puede convertirse en una tendencia duradera en el comportamiento del sistema. Si un fabricante de suelos guarda los datos de sus productos en tres tablas con tres unidades distintas, un asistente que trabaje a partir de ellas puede dar medidas diferentes para el mismo producto.
Por tanto, la preparación no es un coste que se paga al principio, sino una manera de evitar los errores que de otro modo aflorarían más tarde. La causa común de muchos proyectos fallidos no es el modelo, sino unos datos en los que nadie confía.
¿Cómo se construye un inventario de datos?
El primer paso es una lista de lo que usted tiene: qué información se guarda dónde, quién la actualiza, cuándo se actualizó por última vez y en qué formato. La lista suele sorprender; un mismo dato de cliente puede vivir por separado en un programa de contabilidad, en un buzón de correo y en una hoja de cálculo.
Para cada fuente, el inventario responde a tres preguntas: si está actualizada, si es fiable y si un sistema de IA puede verla. Una fuente a la que no pueda responder que sí en las tres se deja fuera del proyecto o se arregla primero.
- Fuente: dónde se guardan los datos, en qué sistema o archivo
- Responsable: quién los actualiza y quién responde de su exactitud
- Actualidad: cuándo se revisaron por última vez
- Formato: tabla estructurada, texto libre o imagen escaneada
- Sensibilidad: si contienen material personal, financiero o comercialmente confidencial
¿Cómo se limpian los datos?
La limpieza son tres tareas: fusionar duplicados, resolver contradicciones y rellenar o señalar huecos. Un cliente registrado con tres grafías, un producto con dos precios, campos dejados en blanco: son casos típicos. Las herramientas automáticas suelen hacer la mitad del camino, y alguien que conozca el negocio termina el resto.
La IA también puede ayudar aquí, por ejemplo agrupando registros parecidos y sugiriendo fusiones; pero su sugerencia puede ser errónea, y fusionar por error dos fichas de clientes es difícil de deshacer. Las decisiones de fusión se comprueban primero a ojo en una muestra pequeña y luego se amplían.
¿Cómo se separan y se protegen los datos sensibles?
No hace falta mostrar todos los datos a la IA. Los números de identidad, los datos de salud, los datos bancarios y la correspondencia privada con los clientes se dejan fuera o se enmascaran, salvo que la tarea los necesite de verdad. Los datos más seguros son los que nunca se muestran.
Para los datos que sí se muestran, el acceso es limitado: solo los ven las personas del proyecto, cada acceso queda registrado y se acuerda de antemano a qué servicio van los datos, si se almacenan allí y si se usan para entrenar el modelo. Aquí no puede darse un dictamen firme sobre las obligaciones legales; antes de un proyecto que toque datos personales, consulte a un abogado, también en lo relativo al RGPD.
¿Cómo se prepara un conjunto de prueba para medir el éxito?
La parte de la preparación que más se omite es el conjunto de prueba: una lista breve de preguntas reales que el sistema debe responder correctamente, con las respuestas correctas. Lo escribe alguien que conozca el trabajo, con independencia del sistema. Unas cien preguntas bastan para empezar en la mayoría de las empresas.
Sin un conjunto de prueba, saber si el sistema funciona bien es solo una impresión. Cada vez que actualiza los datos o cambia la herramienta, vuelve a pasar la misma lista y comprueba si ha mejorado o ha empeorado. La IA a veces responde mal; el conjunto de prueba muestra con qué frecuencia y en qué temas.
¿Cuándo es innecesaria la preparación de datos, o prematura?
Si usa la IA solo para corregir la ortografía, resumir reuniones o redactar textos generales, no necesita datos propios y una preparación detallada sería excesiva. La cuestión real ahí es una regla sencilla sobre lo que nunca debe escribirse en la herramienta.
La preparación también es prematura cuando el propósito del proyecto sigue siendo vago. Limpiar datos antes de saber qué se quiere resolver corre el riesgo de arreglar lo que no toca. Elija primero una pregunta pequeña y clara, y prepare después los datos que la sirven.
¿Qué errores se cometen con más frecuencia?
El error más común es intentar preparar todos los datos de una vez. Una limpieza que dura meses agota a las personas antes de que aparezca ningún resultado. Empezar en pequeño, con los datos de un solo tema, da un resultado rápido y muestra qué funciona.
El segundo son los datos huérfanos: una fuente sin una persona clara que la actualice vuelve a quedar obsoleta pasado un tiempo. El tercero es que los datos sensibles se olviden durante la preparación y se suban tal cual a una hoja de cálculo. La separación se hace mientras se preparan los datos, no se deja para después.
El éxito de un proyecto de IA depende en gran medida de cómo se preparen los datos: qué hay, de quién es, hasta qué punto es fiable, qué parte puede mostrarse y si el sistema responde correctamente. Empezar con un tema pequeño y construir por turnos el inventario, la limpieza, la separación de datos sensibles y el conjunto de prueba reduce tanto el riesgo como el coste. Si desea revisar junto a nosotros lo preparados que están sus datos para la IA, puede concertar una reunión de descubrimiento con rabbitclip.
Preguntas frecuentes
¿Cuántos datos necesita un proyecto de IA?
Varía mucho según la tarea. Si apoya un asistente en sus propios documentos, la actualidad y la coherencia importan más que el volumen; un conjunto pequeño y limpio suele funcionar mejor que uno grande y desordenado.
¿Puedo empezar si mis datos están dispersos?
Sí, con un tema. Reúna y limpie primero los datos de ese tema y amplíe después; intentar arreglarlo todo de una vez suele agotar un proyecto.
¿Es seguro mostrar datos de clientes a una IA?
No mostrarlos mientras no haga falta es lo más seguro. Si hacen falta, enmascárelos, limite el acceso y averigüe si el servicio los almacena. Sobre el RGPD, consulte a un abogado.
¿Por qué hace falta un conjunto de prueba?
Permite medir si el sistema funciona haciendo una y otra vez las mismas preguntas, en lugar de fiarse de la impresión. Cuando cambia los datos o la herramienta, la mejora o el empeoramiento se hacen visibles.
