Cada modelo es un reflejo condensado de aquello con lo que se entrenó. Los datos de entrenamiento son esa dieta: la colección de ejemplos que un sistema de aprendizaje automático estudia antes de que se le pida que realice alguna tarea útil. Un modelo de reconocimiento facial puede aprender de millones de retratos etiquetados. Un motor de ajedrez aprende de millones de partidas. Un clasificador médico aprende de escáneres anotados por radiólogos.

El volumen ayuda, pero la composición es aún más importante. Si los retratos tienen una mayor proporción de personas blancas y hombres, el modelo fallará con pieles más oscuras y mujeres. Si los datos del juego provienen únicamente de jugadores aficionados, el motor se estancará. Los investigadores denominan a esto un cambio en la distribución, y es una de las razones más comunes por las que un modelo que luce brillante en el laboratorio falla en la práctica.

Consideraciones prácticas

• Calidad de las etiquetas: las anotaciones ruidosas o sesgadas perjudican el modelo.
• Consentimiento y licencia: los datos extraídos de la web pueden conllevar riesgos legales.
• Privacidad: la información personal a menudo debe ser eliminada o anonimizada.
• Representación: los grupos poco frecuentes necesitan un sobremuestreo deliberado.

La limpieza y la organización de datos suelen consumir entre el 60 y el 80 por ciento del tiempo de un proyecto de aprendizaje automático. La parte más atractiva es la arquitectura; la parte decisiva es el conjunto de datos.