Conjunto de datos (dataset)

Un conjunto de datos (dataset) es una colección de ejemplos reunidos con un propósito: entrenar un modelo, ajustarlo o medir qué tan bien funciona. Puede ser una tabla con miles de filas de ventas, una carpeta de radiografías, horas de grabaciones de voz o billones de palabras recopiladas de internet.

Lo que convierte una pila de archivos en un buen dataset es su calidad y documentación: que los ejemplos representen la realidad donde se usará el modelo, que no tengan duplicados ni errores graves y, si es para aprendizaje supervisado, que el etiquetado sea consistente. Por eso se suele dividir en conjuntos de entrenamiento, validación y prueba, para evaluar con datos que el modelo no vio.

Un dataset también hereda los sesgos de cómo se recolectó. Si casi todas las fotos de una base de rostros son de personas de piel clara, el modelo fallará más con otros tonos de piel; esto alimenta el sesgo algorítmico. Para hacer visibles estos límites, investigadoras como Timnit Gebru propusieron las «hojas de datos para datasets» (datasheets for datasets): fichas que explican quién creó los datos, con qué fin, cómo se recolectaron y qué usos no se recomiendan.

Otro matiz: tener los datos no significa tener derecho a usarlos. Licencias, derechos de autor y datos personales cuentan tanto como el tamaño.