Saltar al contenido

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.

Actualizado: 3 de junio de 2026.

El ground truth es la "respuesta oficial" frente a la que comparamos las predicciones del modelo. Suele provenir de etiquetado humano cuidadoso o de mediciones reales.

Por qué es crítico

Un ground truth con errores contamina tanto el entrenamiento como la evaluación: el modelo aprende mal y, además, no podemos saber si mejora.

En evaluación

Los benchmarks comparan las salidas del modelo con un ground truth para puntuar su rendimiento de forma objetiva.

Aprende Verdad de referencia (ground truth) con una ruta guiada

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

Términos relacionados

Etiquetado de datosProceso 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.Benchmark (de IA)Prueba estandarizada que mide y compara el rendimiento de modelos en tareas concretas, como razonamiento, código o comprensión lectora. Permite comparar modelos de forma objetiva.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.Validación cruzadaTécnica para evaluar un modelo dividiendo los datos en varios bloques y entrenando y probando de forma rotativa. Ofrece una estimación más fiable del rendimiento que una sola partición.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.

Ver todos los términos