Los datos: el combustible de la IA y por qué son clave

En la lección sobre cómo aprende una red, el principio «garbage in, garbage out» se mencionó de pasada. Es hora de tomárselo en serio: los datos no son un telón de fondo, son el combustible con el que funciona cada IA. Cambia el combustible y todo cambia.

Por qué los datos deciden, no el algoritmo

La intuición dice que una IA potente significa un algoritmo brillante. En realidad, los algoritmos de entrenamiento se han publicado durante años y están disponibles para todo el mundo; los estudiantes los estudian. Lo que separa un modelo mediocre de uno excelente es más a menudo el dato: cuánto, cuán limpio, cuán variado. Recuerda de la lección uno por qué el avance llegó en 2012: los algoritmos de redes neuronales se conocían desde los años 80, pero solo se activaron una vez que internet acumuló miles de millones de ejemplos. El algoritmo no estaba esperando datos, los datos despertaron al algoritmo.

De ahí la regla de la industria: invertir en los datos suele compensar más que un ajuste adicional al modelo. Las empresas con datos únicos (motores de búsqueda, redes sociales, bancos) son fuertes precisamente por ello: los datos son más difíciles de copiar que el código.

Dos tipos de datos: estructurados y no estructurados

Los datos estructurados están ordenados de forma clara en tablas: filas, columnas, números, categorías. Edad del cliente, importe de la compra, fecha... todo en su sitio.

Los datos no estructurados son todo lo demás: el texto de correos electrónicos, fotos, audio, vídeo, publicaciones. Sin filas, sin columnas, solo un flujo. Según varias estimaciones, la mayor parte de los datos del mundo no están estructurados, y durante décadas las empresas apenas pudieron usar nada de ellos. El avance de las redes neuronales es precisamente este: por primera vez existe una herramienta que extrae significado de ese océano. El LLM del último módulo es una máquina para digerir texto no estructurado.

De dónde vienen los datos

• Etiquetado. Las personas añaden las «respuestas» a mano: delineando peatones en grabaciones para un coche autónomo, marcando correos electrónicos como spam / no spam. El famoso conjunto de datos ImageNet de la lección uno —unos 14 millones de imágenes, etiquetadas a mano por un ejército de personas—; con eso ganó AlexNet. El etiquetado es un trabajo caro, lento e irremplazable.
• Observación del comportamiento. Cada clic, cada «me gusta», cada vídeo que ves hasta el final es un etiquetado gratuito. Sin darte cuenta, eres tú quien entrena los sistemas de recomendación: visto hasta el final, «buen ejemplo»; pasado de largo, «mal ejemplo».
• Conjuntos de datos prefabricados. Conjuntos recopilados y limpios que mucha gente reutiliza: el texto de libros, enciclopedias, colecciones de fotos abiertas. Rápido, pero todo el mundo tiene los mismos, por lo que no ofrecen una ventaja única.

Tú das la entrada y la salida; la red construye el resto sola

Un detalle importante que explica por qué el etiquetado «entrada → respuesta» es suficiente. Nunca describes a la IA cómo es un gato o una cara. Solo das la entrada A (una foto) y la salida B («gato / no gato»), y la red ensambla las características intermedias por sí misma, capa por capa, como piezas de lego. En el reconocimiento facial puedes verlo claramente: las primeras capas encuentran bordes y manchas simples, las siguientes construyen partes a partir de ellos (un ojo, una nariz, un contorno), las superiores construyen caras enteras.

Nadie programó «un ojo» a mano; la red desarrolló el concepto por sí misma, solo para que las respuestas fueran correctas. Por eso el enfoque ganó (recuerda la lección sobre qué es la IA): las características que una persona no podía expresar con palabras, la máquina las deriva de ejemplos.

«Garbage in, garbage out»

Ahora el principio de la lección de entrenamiento se escucha a todo volumen. Un modelo no es más inteligente que sus datos: aprende lo que le mostraste, incluidos errores, lagunas y sesgos.

Un caso real: en 2016, Microsoft lanzó un chatbot en Twitter llamado Tay, destinado a aprender conversación natural directamente de lo que los usuarios le decían. En menos de un día, los troles lo inundaron de mensajes abusivos y racistas, y Tay, aprendiendo obedientemente de ese «combustible», comenzó a repetir la misma inmundicia. Dieciséis horas después, Microsoft lo desconectó. El algoritmo funcionó exactamente como fue diseñado; fueron los datos que se le introdujeron los que estaban envenenados.

Tres ideas erróneas sobre los datos

• «Más datos siempre es mejor». No: un millón de ejemplos basura son peores que mil limpios. El volumen sin calidad solo amplifica el error.
• «Los datos son objetivos, son números». Los datos son una huella de la realidad tomada por personas, con sus elecciones y sus puntos ciegos. Un número no es garantía de verdad: recuerda el corte de conocimiento y los precios desactualizados de la lección de entrenamiento.
• «No tenemos muchos datos, la IA no es para nosotros». Un poco suele ser suficiente, si está limpio y es relevante; y siempre puedes tomar un modelo ya hecho y complementar un poco su entrenamiento (eso fue al final de la lección de entrenamiento).

Haz esto ahora

Un ejercicio de cinco minutos, sin herramientas, solo con tu cabeza. Elige cualquier servicio de IA que conozcas (un feed de recomendaciones, un filtro de spam, un asistente de voz) y responde a tres preguntas en papel: (1) ¿con qué datos se entrenó más probablemente? (2) ¿de dónde vinieron esos datos: etiquetado, observación del comportamiento o un conjunto de datos prefabricado? (3) ¿qué sesgo podría haber introducido? El hábito de ver los datos detrás del resultado es lo que separa a un profesional de un consumidor. En la próxima lección veremos qué puede hacer realmente la IA, dados datos como esos, y qué está más allá de ella.