Datos de entrenamiento: los patrones dependen de la calidad, no de la cantidad

Los datos de entrenamiento son el conjunto de ejemplos que se proporcionan a un modelo para que pueda aprender patrones, como enseñar a un niño fotografías de gatos para que aprenda qué aspecto tiene un gato. La diferencia fundamental es que una mayor cantidad de datos no siempre es mejor: si sus datos están sesgados (por ejemplo, solo incluyen gatos blancos), el modelo fallará con los gatos negros. La calidad implica que los datos deben ser representativos, exactos y obtenidos de fuentes legales; de lo contrario, el modelo aprende patrones incorrectos.

En el examen, preste atención a las preguntas que den a entender que un modelo funciona bien porque dispone de muchos datos: se trata de una trampa. Compruebe, en cambio, si los datos abarcan todos los casos pertinentes (cobertura), no contienen errores sistemáticos (sesgo) y se recopilaron con permiso (legalidad). Una prueba mental rápida: si usted fuera el modelo, ¿le enseñarían esos datos la regla correcta? Por ejemplo, un modelo de contratación entrenado únicamente con currículos de hombres aprenderá a preferirlos, no porque sea sexista, sino porque los datos carecen de ejemplos de mujeres.

Para recordarlo, imagine una balanza: en un lado está la cantidad de datos y, en el otro, la calidad de los datos. En el examen, la balanza siempre se inclina hacia la calidad. Una comprobación rápida: pregúntese «¿Tienen estos datos puntos ciegos o problemas jurídicos?». Si la respuesta es afirmativa, el resultado del modelo no es fiable, por muchos datos que tenga.