Glosario

Garbage in, garbage out (GIGO)

¿Qué es Garbage in, garbage out (GIGO)?

«Garbage in, garbage out» («entra basura, sale basura») expresa el principio de que un sistema solo puede dar resultados tan buenos como los datos que recibe. En la IA esto pesa el doble: datos de entrenamiento o de conocimiento erróneos, desactualizados o sesgados producen respuestas falsas o distorsionadas. Un chatbot que consulta una lista de precios antigua dará precios antiguos. Por eso, cuidar los datos es una tarea continua en cualquier proyecto de IA.

Cómo ayuda KI.ordo

También en KI.ordo las respuestas dependen de la calidad del conocimiento que cargas; la lista de lagunas de conocimiento muestra a qué preguntas les faltan fuentes claras.

Más información →

Temas

Calidad de datos
Principio
Mantenimiento del conocimiento

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Limpieza de datos

La limpieza de datos consiste en detectar y corregir entradas erróneas, duplicadas o incoherentes en un conjunto de datos. Pasos típicos son unificar grafías y formatos de fecha, eliminar espacios sobrantes y fusionar duplicados como «García S.L.» y «Garcia SL». Unos datos limpios son la base de análisis, envíos masivos y aplicaciones de IA fiables.

calidad de datos
duplicados
+1

Plantilla

Datos de entrenamiento

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.

Datos
Entrenamiento
+1

Validación de datos

La validación de datos comprueba que los datos estén completos, con el formato correcto y sean plausibles antes de seguir procesándolos. Los controles típicos revisan campos obligatorios, el formato de correos, códigos postales o fechas y las contradicciones lógicas, como una fecha de entrega anterior a la del pedido. Así los errores se detectan pronto, en lugar de arrastrarse a informes, facturas o análisis con IA.

calidad de datos
comprobación
+1

Plantilla

Gobernanza de datos

La gobernanza de datos abarca las reglas, roles y procesos con los que una organización define quién puede recoger, usar, modificar y borrar qué datos. Incluye la responsabilidad sobre la calidad de los datos, los permisos de acceso, los plazos de conservación y el cumplimiento de la normativa de protección de datos. Es especialmente importante en proyectos de IA, porque los modelos y agentes solo son tan fiables como los datos que utilizan.

gestión de datos
cumplimiento
+1