Anotación de datos

¿Qué es la anotación de datos?

El aprendizaje supervisado tiene una condición previa: la IA necesita ver «preguntas con respuesta» antes de poder resolver nada. Anotar datos es pegar etiquetas a los datos en bruto: dibujar una caja alrededor de un «peatón», transcribir voz a texto, marcar una reseña como «positiva/negativa», a mano o con ayuda de IA. Sin esas etiquetas, ni el mejor algoritmo tiene con qué trabajar.

¿Por qué importa tanto?

Las etiquetas fijan el techo
Basura entra, basura sale, como se dice. Si le das al modelo etiquetas mal puestas o ausentes, aprende lo incorrecto.
Decide qué puede hacer la IA
El coche autónomo necesita ver carriles y peatones, la IA médica leer lesiones, los bots de soporte oír el tono: todo eso empieza por un montón de etiquetas.

¿Qué tipos hay?

Anotación de imágenes
Dibujar cajas, contornear formas, marcar puntos clave: enseñar al modelo a «ver».
Anotación de texto
Etiquetar entidades, sentimiento e intención: enseñar al modelo a «leer».
Anotación de voz y vídeo
Transcribir audio y marcar tiempos: enseñar al modelo a «escuchar».

¿Quién etiqueta?

Al principio eran ejércitos de personas. Hoy buena parte funciona en cadena: la IA etiqueta primero y los humanos corrigen. Lo más avanzado usa modelos grandes como anotadores con revisiones humanas por muestreo: más barato, pero el control de calidad sigue sin poder prescindir de la gente.

En resumen: anotar datos es darle a la IA «ejercicios con respuesta». Si planteas bien los ejercicios, el modelo aprende de verdad.