Hay escasez de datos cuando para una tarea de IA no existen suficientes datos adecuados o etiquetados para entrenar o evaluar un modelo de forma fiable. Ocurre, por ejemplo, con defectos poco frecuentes en producción, idiomas minoritarios o productos nuevos sin historial de ventas. Algunas soluciones son el aprendizaje por transferencia, los datos sintéticos, el aumento de datos o los modelos de lenguaje preentrenados, que dan resultados útiles con pocos ejemplos.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoLos datos sintéticos se generan de forma artificial en lugar de recogerse en el mundo real, pero imitan sus patrones y propiedades. Son útiles cuando los datos reales escasean, son caros o delicados desde el punto de vista de la protección de datos, por ejemplo para probar software, entrenar modelos o poner a prueba un chatbot con consultas realistas. Asegúrate de que reflejen la realidad lo suficiente y no permitan identificar a personas reales.
En el aprendizaje por transferencia (transfer learning), un modelo que ya ha aprendido una tarea amplia y general sirve como punto de partida para otra nueva y específica. En lugar de empezar de cero, se adapta, por ejemplo mediante ajuste fino, con relativamente pocos datos propios. Así ahorras cómputo y datos, por ejemplo cuando un modelo de imágenes general debe aprender a detectar defectos de fabricación en fotos.
El aprendizaje few-shot es la capacidad de un modelo para resolver una tarea a partir de pocos ejemplos. En los modelos de lenguaje suele ocurrir en la propia entrada: muestras dos o tres pares de pregunta y respuesta deseada, y el modelo aplica el mismo formato y estilo a casos nuevos, sin reentrenamiento. Ejemplo: tres consultas de clientes bien clasificadas suelen bastar para que las siguientes se ordenen con el mismo esquema.
Los datos de entrenamiento son los ejemplos con los que un modelo de IA aprende patrones: grandes colecciones de texto en los modelos de lenguaje, imágenes etiquetadas en los de visión. Su calidad, variedad y actualidad determinan en gran medida lo fiable y justo que será el modelo y lo actualizado que estará su conocimiento. Para tu empresa también importa si un proveedor usa los datos de clientes que introduces para seguir entrenando.
