Etiquetado de datos

El etiquetado de datos (o anotación) consiste en agregar a cada ejemplo la información que el modelo debe aprender a predecir: la etiqueta. Puede ser una categoría («gato», «perro»), un recuadro alrededor de cada auto en una imagen, la transcripción de un audio o la valoración de cuál de dos respuestas de un chatbot es mejor. Es el insumo indispensable del aprendizaje supervisado.

Se hace de varias formas: con personal especializado (médicos que marcan radiografías), con plataformas que distribuyen tareas a miles de anotadores, de forma semiautomática con un modelo que propone etiquetas y personas que las corrigen, o aprovechando señales existentes, como los clics de los usuarios. En la IA generativa, el etiquetado humano de preferencias es la base del RLHF.

La calidad de las etiquetas limita la calidad del modelo. Instrucciones ambiguas, anotadores cansados o con criterios distintos y casos difíciles generan ruido. Por eso se miden niveles de acuerdo entre anotadores y se revisan muestras. Los criterios y la composición del equipo de anotación también pueden introducir sesgo algorítmico: si quienes marcan «lenguaje ofensivo» no conocen los modismos mexicanos, el modelo heredará esa ceguera.

Tiene además una dimensión laboral: buena parte de este trabajo lo realizan personas en distintos países, a veces con baja paga y expuestas a contenido perturbador cuando moderan material violento. Alternativas como el aprendizaje autosupervisado y los datos sintéticos reducen, pero no eliminan, la necesidad de etiquetas humanas.