Dataset

¿Qué es un dataset?

Es la materia prima del machine learning. Un modelo no aprende de reglas, sino de ejemplos, y el dataset es el conjunto de esos ejemplos reunidos con un formato común. Puede ser una hoja con miles de filas de ventas, una carpeta de grabaciones con su transcripción o millones de páginas de texto.

En los modelos de lenguaje grandes, el dataset de entrenamiento es enorme y mezcla texto público de muchas fuentes. En proyectos de empresa suele ser mucho más pequeño y específico: tus correos clasificados, tus llamadas etiquetadas, tus documentos.

Cómo funciona

Un dataset para IA suele pasar por estas fases:

1. Recogida. Se reúnen ejemplos del problema real, con permiso para usarlos.
2. Limpieza. Se quitan duplicados, errores y datos personales que no hagan falta.
3. Etiquetado. Si el aprendizaje es supervisado, cada ejemplo recibe su respuesta correcta.
4. División. Se separa en tres partes: entrenamiento (para aprender), validación (para ajustar durante el proceso) y prueba (para medir el resultado final con ejemplos que el modelo nunca vio).

De la calidad del dataset depende casi todo. Si faltan casos de un tipo, el modelo los manejará mal. Si los datos reflejan desigualdades del pasado, el modelo puede reproducirlas: es el origen más común del sesgo en IA. Ver también entrenamiento de un modelo.

Ejemplo

Una aseguradora local de Santander quiere un modelo que clasifique los partes que recibe por correo. Reúne dos años de mensajes, elimina los datos personales que no aportan nada y pide a dos personas del equipo que etiqueten cada uno como «hogar», «auto» o «salud».

Al revisar, descubren que casi no hay partes de salud: el modelo apenas tendría ejemplos de los que aprender. Antes de entrenar, buscan más casos de ese tipo. Ese ajuste del dataset mejora el resultado más que cualquier cambio en el modelo.

Cómo te afecta en tu empresa

Para la mayoría de pymes, la pregunta no es «¿qué dataset tengo?», sino «¿qué información de mi negocio está escrita y al día?». Un agente que usa un modelo ya entrenado no necesita un dataset, sino una base de conocimiento clara que consultar, como hace la técnica RAG.

Así trabajan los agentes de UTIO: responden desde la documentación que cargas, sin que tengas que preparar datos de entrenamiento. En la vertical de soporte, lo que no está en esa documentación no se inventa: el agente toma nota y abre un ticket en el CRM. Y en el agente de voz, las grabaciones, transcripciones y el CRM se guardan en España.