Saltar al contenido principal

Menú

Cómo comprar datos de entrenamiento para IA

Idioma: Español

Cuéntanos qué necesita aprender tu modelo y cómo evaluarás si una muestra es útil. Podemos hablar de fuentes adecuadas y de las evidencias que conviene revisar antes de que decidas si obtener una licencia para una colección. Describe tu proyecto a sapien1

Puedes obtener una licencia de un conjunto de datos existente, trabajar directamente con el propietario de los datos o encargar una recopilación para una tarea específica. Antes de comprometerte, define qué necesita aprender el modelo, prueba una muestra frente a ese requisito y comprueba si los términos propuestos cubren el uso previsto.

La pregunta útil no es solo «¿Cuántos datos hay disponibles?». También importa si los registros contienen los ejemplos y el contexto que tu equipo puede usar, y si la licencia acordada cubre a las personas, los sistemas y los fines implicados.

Elige de dónde obtener los datos

VíaCuándo considerarlaQué preguntar primero
Conjunto de datos existenteNecesitas una colección que quizá ya exista.¿Qué versión, campos, periodo y términos de uso se incluyen?
Acuerdo directo con un propietario de datosUna organización posee registros o contenido pertinentes.¿Quién puede autorizar el uso propuesto y qué material está incluido?
Recopilación o preparación a medidaAl material existente le faltan escenarios, formatos o etiquetas importantes.¿Qué se recopilará o preparará, cómo se comprobará la calidad y qué podrás usar después?
Conjunto de datos públicoUna colección accesible puede ajustarse a la tarea o servir como referencia inicial.¿Qué dice su documentación sobre el origen, las limitaciones y el uso permitido?

Por ejemplo, Opendatabay presenta un mercado de conjuntos de datos, mientras que Clickworker describe servicios de recopilación y anotación a medida. Son puntos de partida para investigar; comprueba la oferta y los términos aplicables a los datos concretos que necesitas.

Nuestra guía de obtención de datos explica cómo describir la tarea, la cobertura y el formato antes de contactar con una fuente.

Decide qué debe incluir cada ejemplo

Anota el comportamiento previsto y la información necesaria para evaluarlo. Para un agente de atención al cliente, un registro podría necesitar la solicitud del cliente, la política vigente en ese momento, la acción realizada y el resultado. Para un modelo de documentos, los campos importantes podrían ser imágenes de las páginas, texto extraído, diseño de página y etiquetas verificadas.

Si una muestra de documentos incluye cuadros etiquetados, comprueba que estén alineados con las imágenes entregadas. Algunos formatos expresan las posiciones como fracciones de las dimensiones de la página; otros usan píxeles. Confirma la página, la versión de la imagen, las unidades, el origen de coordenadas y cualquier cambio de tamaño, recorte o rotación; después, superpón los cuadros de muestra para comprobar la alineación. Revisa también si las etiquetas describen las regiones correctas.

Pide una descripción de la versión exacta del conjunto de datos: origen, tamaño y unidades, cobertura temporal, formatos, etiquetas, exclusiones conocidas e historial de procesamiento. La guía de Hugging Face sobre fichas de conjuntos de datos describe cómo una ficha puede documentar el contenido, el contexto y metadatos como la licencia, el idioma y el tamaño. Trata esos campos como información que debes revisar junto con la documentación subyacente.

Prueba una muestra frente a tus requisitos

Acuerda la muestra y las comprobaciones antes de decidir si amplías el alcance. Incluye las situaciones habituales que encontrará tu modelo y los casos difíciles que importan para la tarea. Registra cómo se seleccionó la muestra y qué partes de la colección propuesta representa.

Los términos del mercado de Origin Lab, consultados el 18 de noviembre de 2026, limitan las muestras de su mercado, según las define el documento, a la evaluación interna y prohíben usarlas para probar o evaluar un sistema de IA, salvo que un acuerdo comercial aplicable suscrito por Origin Lab indique expresamente lo contrario. Esa restricción sobre las muestras excluye los Bench Materials, definidos por separado y sujetos a sus propios términos. Comprueba los términos específicos de la muestra y cualquier acuerdo antes de inspeccionarla, probarla, entrenar con ella o compartirla.

Para una muestra de voz con marcas de tiempo por palabra, pregunta qué grabación y unidad de tiempo utilizan. Si las marcas de tiempo se refieren a una copia de la que se han eliminado los silencios, pide el identificador de la grabación de origen y un mapa que relacione los segmentos conservados con la línea temporal original. Comprueba una palabra situada después de un corte interior. En una muestra ficticia que une los segundos 2–4 y 7–9 de la fuente sin añadir relleno, 2,5 segundos en la muestra corresponden a 7,5 segundos en la fuente. Si se suma el desplazamiento de dos segundos del primer segmento, se obtienen 4,5 segundos, dentro del intervalo eliminado. Asignación de marcas de tiempo de NeMo Curator

Comprueba cómo se señalan en la entrega las palabras cuyas marcas de tiempo atraviesan un punto de unión. En la misma muestra ficticia, la función auxiliar de faster-whisper probada eligió un único desplazamiento para ambos extremos de un intervalo que cruzaba una unión y situó su inicio dentro del intervalo eliminado. Si tu uso requiere un intervalo continuo en la grabación original, acuerda cómo señalar y revisar esos casos antes de aceptarlos. Restauración de marcas de tiempo de faster-whisper · Cálculo de desplazamientos de faster-whisper

Considera este ejemplo ficticio. Un equipo quiere ajustar un agente de atención al cliente que recomiende el siguiente paso para una solicitud de devolución. Un proveedor propone una colección de casos de atención. El equipo pide 12 ejemplos de diagnóstico: seis devoluciones habituales y seis excepciones. Para esta primera revisión, exige que cada ejemplo incluya la solicitud del cliente, un enlace a la versión de la política que se aplicó y el resultado registrado.

ComprobaciónRequisito para esta muestraResultado ilustrativo
Solicitud del clientePresente en los 12 ejemplosEstá presente en 12 de 12
Versión aplicable de la políticaEnlazada en los 12 ejemplosEstá enlazada en 10 de 12; dos casos de excepción carecen del enlace
Resultado registradoPresente en los 12 ejemplosEstá presente en 11 de 12; un caso habitual carece de resultado

La muestra no supera dos de las comprobaciones establecidas por el equipo. El siguiente paso es preguntar si se pueden recuperar los enlaces a las políticas y el resultado que faltan, y revisar una muestra corregida. Si no es posible, el equipo puede cambiar su requisito o buscar otra fuente. Un resultado registrado no es automáticamente una decisión correcta: una persona experta en el área también debe comparar los resultados con la política aplicable.

Estos recuentos describen únicamente los 12 casos seleccionados. No estiman la tasa de error de toda la colección. Para evaluar una cobertura más amplia, pregunta cómo se distribuye el conjunto de datos entre los escenarios pertinentes y acuerda una muestra adicional seleccionada mediante un método documentado. La guía de Google sobre calidad de datos y muestreo explica por qué una muestra seleccionada puede dar una imagen engañosa de una población más amplia.

Supongamos que los 12 casos procedían de 2024, pero la colección ofrecida abarca 2022–2024. Comprobar una copia corregida puede confirmar las correcciones de esos casos; no demuestra que se haya corregido el resto de la colección. Pregunta qué versión del conjunto de datos y qué registros recibieron la corrección y, después, acuerda cómo seleccionar una nueva muestra de la versión que piensas comprar. Si solo se puede revisar 2024, deja 2022–2023 sin evaluar y decide si reduces el alcance de la compra o esperas a una revisión más amplia.

Si no se pueden compartir registros reales para la revisión inicial, pregunta si es posible obtener una muestra anonimizada o acceso controlado. Un ejemplo sintético puede mostrar el formato, pero no permite determinar la calidad ni la cobertura de la colección real.

Antes de recibir una muestra, acuerda cómo se hará cumplir el control de acceso: una consulta que selecciona determinadas columnas no restringe por sí sola el acceso al resto del archivo subyacente. Un pie de archivo Parquet también puede contener estadísticas de columnas. Si el remitente necesita limitar lo que se transfiere fuera de su entorno, considera una muestra preparada por separado con los campos aprobados o un servicio que aplique controles de acceso por campo. Revisa los metadatos y los controles de acceso junto con los registros devueltos.

Comprueba qué usos de los datos están permitidos

Asegúrate de que el acuerdo y los documentos de respaldo correspondan al conjunto de datos y al proyecto concretos. Entre las preguntas que conviene tratar con el proveedor y con las personas responsables de la revisión legal y de compras se incluyen:

  • ¿Qué versión del conjunto de datos está cubierta y está autorizado el proveedor para conceder el uso propuesto?
  • ¿Se incluyen, cuando sean necesarios, el entrenamiento, el ajuste fino, la evaluación o la recuperación? ¿Los términos contemplan el despliegue comercial y las restricciones pertinentes sobre los modelos o sus resultados?
  • ¿Quién puede acceder a los datos o procesarlos, incluidos contratistas o proveedores de servicios? ¿Cuáles son los términos de entrega, almacenamiento, conservación y eliminación?
  • ¿Hay exclusiones, derechos de origen, material de terceros u otras restricciones que deban revisarse? ¿Qué evidencia respalda la descripción del proveedor sobre el origen de los datos y los permisos?

Anota por separado lo que está confirmado y lo que aún necesita revisión. Una etiqueta de licencia o una ficha de conjunto de datos ayuda a identificar un uso declarado; no verifica por sí sola los derechos subyacentes. Una auditoría de conjuntos públicos de datos de texto, voz y vídeo detectó diferencias entre las descripciones de licencias a nivel de conjunto de datos y las restricciones asociadas al contenido de origen. Sus conclusiones se refieren a los conjuntos de datos públicos examinados, no a todas las colecciones comerciales.

Por ejemplo, una versión fijada de la ficha del conjunto de datos público de investigación SciFact describe el conjunto como CC BY-NC 2.0 y enlaza a un archivo de licencia en la rama master del repositorio, que puede cambiar. En una instantánea fijada de esa licencia, el repositorio describe por separado CC BY 4.0 para las afirmaciones y anotaciones de evidencia, ODC-By 1.0 para los resúmenes del corpus y Apache 2.0 para su código. Los documentos pueden describir versiones, componentes o transformaciones diferentes; por sí solos no establecen los términos aplicables a un archivo concreto. Relaciona los archivos entregados y sus componentes de origen con la documentación pertinente, y somete a revisión las cuestiones de derechos pendientes.

Planifica la evaluación y la entrega

Decide cómo se entregarán y aceptarán los datos: formatos de archivo, manifiesto o identificador de versión, documentación, comprobaciones de muestras y modo de corregir los problemas. Si los datos también se van a usar para evaluar un modelo, mantén un conjunto de prueba separado del entrenamiento y comprueba si hay duplicados entre las particiones. La guía de Google sobre división de conjuntos de datos explica cómo los duplicados pueden hacer que una prueba parezca mejor de lo que es.

Comprueba cuándo comienza el plazo de inspección, cómo se debe notificar, qué significa el silencio y qué medidas correctivas se aplican. Por ejemplo, la versión 1.0 de la licencia estándar de ai.market para entrenamiento de IA concede al comprador siete días naturales desde la primera entrega para notificar al mercado una discrepancia sustancial con el anuncio. Los términos generales de micro1, actualizados el 12 de noviembre de 2026, conceden a micro1, como licenciatario, 30 días hábiles desde que se complete la entrega conforme al manifiesto para rechazar los datos por escrito. Se aplica un supuesto de inicio distinto si el proveedor le notifica por escrito que no puede entregar los datos restantes. Los documentos se aplican a transacciones diferentes y contienen otras condiciones y excepciones. Revisa los términos y la versión que rigen tu pedido.

Un manifiesto puede enumerar los archivos y las sumas de verificación previstos para la versión acordada del conjunto de datos. Acuerda cómo verificarás el origen del manifiesto, compararás su lista de archivos con lo recibido e investigarás los archivos ausentes, inesperados o que no coincidan. Por ejemplo, si un manifiesto ficticio enumera dos archivos pero solo llega uno, una suma de verificación coincidente para ese archivo no hace que la entrega esté completa. La especificación BagIt distingue entre la integridad de la entrega y la validación de sumas de verificación para un formato de empaquetado. Una suma de verificación coincidente indica que el resumen calculado de un archivo concuerda con el manifiesto; no establece por sí sola la identidad del remitente, la corrección de las etiquetas, la representatividad de la cobertura ni los derechos de uso de los datos. Revisa esos aspectos por separado.

Cuando un proveedor envíe la siguiente versión, consulta cómo aceptar entregas recurrentes de datos para IA.

Para ver un ejemplo desarrollado de cómo comprobar la filtración del conjunto de prueba y la falta de contexto, consulta nuestra guía de evaluación de conjuntos de datos.

sapien1 ayuda a los equipos a definir el alcance de sus requisitos de datos, identificar posibles fuentes y evaluar muestras. Empieza por la tarea, los ejemplos que necesitas y la decisión que debe respaldar una muestra. Los propietarios de datos que se preparan para una conversación pueden consultar nuestra guía de preparación para la concesión de licencias de datos.