Glosario

Colapso del modelo

¿Qué es Colapso del modelo?

El colapso del modelo (model collapse) es la pérdida de calidad que puede darse cuando los modelos generativos se entrenan repetidamente con datos generados por una IA. Los contenidos poco frecuentes y los casos límite se pierden poco a poco, y los resultados se vuelven más uniformes y propensos a errores. El tema gana relevancia porque crece la proporción de textos e imágenes generados por IA en internet. Los datos de origen humano, bien seleccionados, ayudan a evitarlo.

Temas

datos de entrenamiento
IA generativa
calidad de datos

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

Datos sintéticos

Los 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.

datos de prueba
protección de datos
+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

IA generativa

La IA generativa engloba los sistemas de IA que crean contenido nuevo, como textos, imágenes, audio, vídeo o código, en lugar de limitarse a ordenar o valorar datos existentes. Se basa en modelos que aprenden patrones de grandes volúmenes de datos y los usan para producir resultados nuevos y verosímiles. En la empresa se usa, por ejemplo, para borradores de correos, resúmenes, descripciones de producto o ideas visuales. Los resultados pueden tener errores y conviene revisarlos antes de usarlos.

Concepto básico
Creación de contenidos
+1

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.

Calidad de datos
Principio
+1