Contenido
- Qué es el etiquetado de datos y qué tipos de etiqueta existen
- Por qué los errores de etiqueta cuestan caro
- Técnicas de etiquetado: de las personas al código
- Cómo controlar la calidad del etiquetado
- Etiquetar datos personales en empresas de Panamá
- Plataformas de etiquetado tras el cierre de Mechanical Turk
- Preguntas frecuentes sobre el etiquetado de datos para IA
El etiquetado de datos consiste en asignar a cada ejemplo la respuesta que un modelo de IA debe aprender, como «fraude» o «no fraude» en una transacción. La calidad de esas etiquetas limita la del modelo. Por eso conviene elegir la técnica según el problema y medir los errores desde el primer lote.
Qué es el etiquetado de datos y qué tipos de etiqueta existen
En el aprendizaje supervisado, cada ejemplo lleva una etiqueta: la respuesta correcta. Por ejemplo, una foto de una factura lleva su monto, y un mensaje de un cliente lleva su motivo, como «reclamo» o «consulta». El modelo aprende la relación entre los datos y esas etiquetas. Si quieres repasar estos conceptos, revisa los conceptos básicos del machine learning.
El curso de aprendizaje automático de Google distingue dos tipos de etiqueta. La etiqueta directa coincide con lo que se quiere predecir. En cambio, la etiqueta sustituta solo se le parece. Por ejemplo, usar «abrió el correo» en lugar de «compró» es una etiqueta sustituta. Google concluye que las etiquetas directas suelen ser mejores y que las sustitutas siempre son un compromiso.
Por qué los errores de etiqueta cuestan caro
Los errores de etiqueta son más comunes de lo que parece. Curtis Northcutt, Anish Athalye y Jonas Mueller revisaron diez conjuntos de datos muy usados en investigación. Según su estudio sobre errores de etiqueta, al menos 3.3 % de los ejemplos de prueba estaban mal etiquetados de media. Además, al menos 6 % del conjunto de validación de ImageNet tenía errores.
Esos errores cambian decisiones. Los autores muestran que elegir un modelo solo por su exactitud en pruebas ruidosas puede llevar a elegir un modelo que no es el mejor. Por ejemplo, en ImageNet con etiquetas corregidas, un modelo más pequeño, ResNet-18, supera a ResNet-50 si la proporción de ejemplos mal etiquetados sube cerca de 6 %. Por eso, un equipo que etiqueta mal no solo entrena peor: también mide peor. Para evaluar con datos limpios, revisa cómo medir la eficacia de los modelos.
Técnicas de etiquetado: de las personas al código
Personas calificadoras
La técnica clásica asigna el trabajo a personas que revisan cada ejemplo. Según Google, estas personas resuelven tareas que incluso modelos avanzados encuentran difíciles. Además, el proceso obliga a definir criterios claros. Sin embargo, el etiquetado humano suele ser caro y tiene errores, así que a veces hacen falta varias personas por ejemplo.
Supervisión débil
La supervisión débil reemplaza parte del trabajo manual por reglas. En el sistema Snorkel, el equipo escribe funciones de etiquetado con heurísticas, por ejemplo, «si el mensaje menciona un reembolso, es un reclamo». Después, Snorkel combina y depura esas reglas sin necesidad de etiquetas de referencia. En su estudio con usuarios, los expertos crearon modelos 2.8 veces más rápido que con siete horas de etiquetado manual, con una mejora media de 45.5 % en el rendimiento.
Aprendizaje activo
El aprendizaje activo decide qué ejemplos merecen una etiqueta humana. Según la revisión de Burr Settles, publicada en 2009, un modelo que elige de qué datos aprende puede lograr más exactitud con menos ejemplos etiquetados. En concreto, el modelo consulta a un «oráculo», normalmente una persona, solo en los casos dudosos. Así, el presupuesto de etiquetado se concentra donde más rinde.
Etiquetas generadas por programas
Google menciona también las etiquetas generadas de forma automática por un programa o por otro modelo. Esta vía es rápida. En cambio, hereda los errores del programa que etiqueta. Del mismo modo, los datos sintéticos pueden traer etiquetas incluidas, aunque reproducen los sesgos del generador.
| Técnica | Funciona mejor cuando | Riesgo principal | Control recomendado |
|---|---|---|---|
| Personas calificadoras | El criterio requiere juicio experto, como en documentos legales o imágenes médicas | Costo alto e inconsistencias entre personas | Guía escrita y medición del acuerdo |
| Supervisión débil | Hay reglas claras y muchos datos sin etiquetar | Reglas que fallan en casos poco comunes | Muestra revisada por personas |
| Aprendizaje activo | El presupuesto humano es limitado | Sesgo hacia los casos que el modelo ya conoce | Incluir también ejemplos al azar |
| Etiquetas automáticas | Ya existe un modelo o un sistema que registra el resultado | Copiar los errores del sistema de origen | Auditoría periódica de una muestra |
Cómo controlar la calidad del etiquetado
La calidad del etiquetado se mide; no se supone. Google lo resume así: revisa siempre el trabajo de las personas calificadoras. Además, la documentación de scikit-learn sobre el kappa de Cohen explica cómo medir el acuerdo entre dos personas. El kappa vale 1 con acuerdo total y 0 cuando el acuerdo no es mejor que el azar.
- Escribe la guía. Define cada etiqueta con ejemplos claros y con casos límite.
- Etiqueta una muestra propia. Google sugiere etiquetar unos 1,000 ejemplos y compararlos con los de las personas calificadoras.
- Mide el acuerdo. Haz que dos personas etiqueten los mismos ejemplos y calcula el kappa de Cohen.
- Revisa los desacuerdos. No des por buena ninguna versión, sobre todo en juicios de valor.
- Ajusta y repite. Si los errores persisten, aclara las instrucciones y vuelve a etiquetar.
Fuente: Google, Datasets: Labels y scikit-learn, cohen_kappa_score; consulta: 12 de noviembre de 2026.
Etiquetar datos personales en empresas de Panamá
Muchos proyectos de etiquetado tocan datos de clientes, como chats, reclamos o documentos de identidad. En Panamá, la Ley 81 de 2019 obliga a guardar confidencialidad a quienes intervienen en el tratamiento, incluso después de terminar su relación. Por lo tanto, ese deber alcanza también a las personas que etiquetan. Además, si un proveedor etiqueta por encargo, el artículo 10 pide dejar constancia de las condiciones del tratamiento.
Los datos de salud exigen más cuidado, porque la ley pide un consentimiento previo, irrefutable y expreso. Por eso conviene quitar los datos que no hacen falta antes de etiquetar. También importa el idioma. Un modelo que atiende a clientes panameños necesita personas que entiendan las expresiones locales, porque una guía pensada para otro país puede clasificar mal mensajes comunes. Si las etiquetas se usarán para personalizar ofertas, revisa además la personalización con IA que respeta la privacidad. Si los datos no pueden salir de cada sede, revisa el aprendizaje federado para la privacidad empresarial.
Plataformas de etiquetado tras el cierre de Mechanical Turk
El texto anterior de esta entrada citaba Amazon Mechanical Turk como plataforma de colaboración masiva. Según su página oficial, el servicio cerró de forma definitiva el 30 de septiembre de 2026. Así, quien dependía de él debe migrar a otra plataforma o a un equipo propio.
Antes de elegir, conviene revisar dónde se guardan los datos y quién accede a ellos. Un equipo propio da más control sobre la confidencialidad y sobre la guía de etiquetado. En cambio, un proveedor externo ofrece volumen y rapidez, pero exige un contrato claro y auditorías de muestras. En ambos casos, el ciclo de control de calidad descrito arriba sigue siendo el mismo. Si tu empresa necesita diseñar un flujo de etiquetado con control de calidad, conoce nuestras soluciones de IA para empresas en Panamá.
Preguntas frecuentes sobre el etiquetado de datos para IA
¿Qué significa etiquetar datos en inteligencia artificial?
Significa asignar a cada ejemplo la respuesta correcta que el modelo debe aprender. Por ejemplo, marcar una transacción como «fraude» o «no fraude», o un mensaje como «reclamo» o «consulta». El modelo aprende la relación entre los datos y esas etiquetas. Por eso, si las etiquetas tienen errores, el modelo los aprende y también los repite.
¿Qué es una etiqueta sustituta?
Es una etiqueta que se parece a lo que se quiere predecir, pero no coincide del todo. Usar «abrió el correo» en lugar de «compró» es un caso típico. El curso de aprendizaje automático de Google considera que las etiquetas directas suelen ser mejores y que las sustitutas siempre son un compromiso, útil solo si se relacionan bien con el objetivo.
¿Cómo se mide la calidad del etiquetado?
Con muestras revisadas y con medidas de acuerdo. Una práctica es etiquetar una muestra propia y compararla con el trabajo del equipo. Otra es pedir a dos personas que etiqueten los mismos ejemplos y calcular el kappa de Cohen, que vale 1 con acuerdo total y 0 cuando el acuerdo no supera al azar.
¿Cuántos errores de etiqueta tienen los conjuntos de datos?
Más de los que se suele creer. Un estudio de 2021 sobre diez conjuntos muy usados en investigación encontró al menos 3.3 % de errores de media en sus datos de prueba. En el conjunto de validación de ImageNet, los errores llegaron al menos a 6 %. Esos fallos pueden llevar a elegir el modelo equivocado.
¿Qué es la supervisión débil en el etiquetado de datos?
Es una técnica que usa reglas escritas por expertos, llamadas funciones de etiquetado, en lugar de etiquetar cada ejemplo a mano. Un sistema como Snorkel combina esas reglas y estima cuáles aciertan. En su estudio con usuarios, los expertos crearon modelos 2.8 veces más rápido que con siete horas de etiquetado manual.
¿Amazon Mechanical Turk sigue funcionando en 2026?
No. Según su página oficial, Amazon Mechanical Turk cerró de forma definitiva el 30 de septiembre de 2026. Las empresas que lo usaban para etiquetar datos deben migrar a otra plataforma o formar un equipo propio. Antes de elegir, conviene revisar dónde se guardan los datos y qué personas acceden a ellos.
