Saltar al contenido

Etiquetado de datos

Proceso de asignar etiquetas o anotaciones a los datos para que un modelo supervisado pueda aprender de ellos. Suele ser manual, costoso y determinante para la calidad del modelo.

Actualizado: 3 de junio de 2026.

Para que un modelo aprenda a distinguir gatos de perros, alguien tiene que etiquetar miles de fotos. Ese trabajo crea el ground truth del que depende todo el aprendizaje supervisado.

El cuello de botella

Es lento y caro, y los errores o prejuicios de quien etiqueta se trasladan al modelo como sesgo algorítmico. Por eso la calidad del etiquetado decide en gran parte la calidad del modelo.

Alternativas

Los datos sintéticos, el aumento de datos y los enfoques semi-supervisados y auto-supervisados reducen la dependencia del etiquetado manual cuando etiquetar todo resulta inviable.

Aprende Etiquetado de datos con una ruta guiada

Si quieres aplicar este concepto con proyectos y criterio, estas son las páginas de AIClases para continuar.

Términos relacionados

Aprendizaje supervisadoForma de machine learning en la que el modelo aprende de datos etiquetados: cada ejemplo incluye la respuesta correcta. El objetivo es que el modelo prediga esa respuesta en datos nuevos.Verdad de referencia (ground truth)Conjunto de respuestas correctas verificadas que se usa como referencia para entrenar y evaluar modelos. Sin un ground truth fiable no se puede medir si un modelo acierta.Dataset o conjunto de datos: qué esUn dataset o conjunto de datos es una colección de ejemplos reunidos para análisis, entrenamiento, validación o evaluación. Cada ejemplo puede contener características, etiquetas, texto, imágenes, audio u otros valores. Su utilidad no depende solo del tamaño: representatividad, calidad, procedencia, permisos, partición y correspondencia con el uso real determinan qué conclusiones o modelos permite sostener.Datos de entrenamientoSubconjunto de datos que el modelo usa para aprender ajustando sus parámetros. Es de donde el modelo extrae todo su conocimiento, por lo que sus sesgos y vacíos se reflejan en el resultado.Sesgo algorítmicoTendencia de un modelo a producir resultados injustos o discriminatorios, normalmente porque aprendió de datos sesgados. Puede afectar a decisiones sensibles como crédito, contratación o justicia.
Ver todos los términos
Help & support