ES
Iniciar sesiónEmpezar
Glosario

Especialista en control de calidad de IA

¿Qué es Especialista en control de calidad de IA?

Un especialista en control de calidad de IA comprueba que las aplicaciones de IA funcionen de forma fiable, correcta y adecuada. Su trabajo incluye preguntas de prueba y benchmarks, comparar modelos, analizar las valoraciones de los usuarios y detectar alucinaciones o deterioros con el tiempo. Por ejemplo, antes de cambiar a un modelo nuevo, ambos modelos responden a 50 consultas típicas de clientes y se comparan con criterios fijos.

Cómo ayuda KI.ordo

En KI.ordo, la plantilla «Comparar modelos (benchmark)» y las valoraciones 👍/👎 de las respuestas apoyan este trabajo; las valoraciones sirven para mejorar el conocimiento y las instrucciones, no para entrenar modelos.

Más información →: Especialista en control de calidad de IA

Plantillas adecuadas

Temas

  • Calidad
  • Pruebas
  • Perfil

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

Benchmarking

En IA, el benchmarking es la comparación sistemática de modelos o sistemas mediante tareas y criterios definidos. Los benchmarks públicos miden, por ejemplo, conocimientos generales, razonamiento o capacidad de programación; pero para el uso práctico cuentan sobre todo los casos de prueba de tu propio trabajo diario. Se suelen comparar exactitud, exhaustividad, tiempo de respuesta y coste. Así se puede decidir si un modelo más pequeño y barato basta para una tarea.

  • Comparación de modelos
  • Evaluación
  • +1
Plantilla

Alucinación

Se llama alucinación a la respuesta de un modelo de IA que suena convincente pero es falsa o inventada, como una sentencia judicial inexistente, una cifra errónea o una fuente ficticia. La causa: los modelos de lenguaje generan formulaciones probables; no consultan hechos de forma automática. El riesgo baja cuando las respuestas se basan en fuentes verificadas, se citan las referencias y una persona revisa los resultados importantes.

  • Modelos de lenguaje
  • Fiabilidad
  • +1
Plantilla

Precisión y estabilidad de los modelos de IA

La precisión describe con qué frecuencia un modelo de IA da resultados correctos; la estabilidad, hasta qué punto ese rendimiento se mantiene con entradas ligeramente distintas, datos nuevos o con el paso del tiempo. Un modelo puede ser muy preciso en las pruebas y, aun así, inestable si basta con reformular una pregunta para obtener otra respuesta. En producción, ambas propiedades se comprueban con casos de prueba fijos, validación cruzada y supervisión continua.

  • Calidad del modelo
  • Robustez
  • +1

Deriva del modelo (model drift)

La deriva del modelo (model drift) es la pérdida gradual de calidad predictiva de un modelo en producción porque la realidad cambia respecto a los datos de entrenamiento. Se distingue entre cambios en los datos de entrada (data drift) y cambios en la relación entre entradas y resultado (concept drift). Ejemplo: un modelo de detección de fraude deja de reconocer nuevos tipos de fraude. Los remedios son la supervisión continua de métricas y el reentrenamiento periódico.

  • MLOps
  • calidad del modelo
  • +1