Glosario

Datos de entrenamiento

¿Qué es 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.

Cómo ayuda KI.ordo

Según las condiciones comerciales de Anthropic (a octubre de 2026), Anthropic no puede entrenar modelos con contenido de clientes procedente de sus servicios, y las valoraciones 👍/👎 en KI.ordo solo sirven para mejorar el conocimiento y las instrucciones, no para entrenar modelos.

Más información →

Temas

Datos
Entrenamiento
Privacidad

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

Escasez de datos

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.

datos de entrenamiento
calidad de datos
+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

Sesgo

En IA, el sesgo (bias) es una distorsión sistemática de los resultados. Suele deberse a datos de entrenamiento desequilibrados o marcados por la historia, pero también al diseño del modelo o a cómo se plantea la pregunta. Un ejemplo conocido: un filtro de candidaturas que aprende de contrataciones pasadas puede perpetuar desventajas existentes. En estadística, sesgo es además la desviación de una estimación respecto al valor real. Ayudan los datos diversos, las revisiones periódicas y que las decisiones de personal las tome una persona.

Ética de la IA
Equidad
+1