Definición
Un dataset es el conjunto de datos con el que se entrena y se evalúa un modelo. En aprendizaje supervisado son pares de entrada y respuesta correcta; en el preentrenamiento de un LLM es directamente texto en bruto, billones de palabras.
Hay una frase repetida hasta el cansancio en este oficio y que resulta ser verdad: garbage in, garbage out. El modelo no puede aprender lo que no está en los datos, y sí puede aprender perfectamente los errores que sí están. Si tu histórico de precios tiene mal el IVA en un 5 % de las filas, el modelo aprenderá ese 5 % de errores como si fueran normales.
Por eso, en la mayoría de proyectos reales, preparar el dataset se lleva más tiempo que elegir y entrenar el modelo. No es la parte glamurosa, pero es la que decide el resultado.
Cómo se organiza
Un dataset serio se parte en tres, y cada parte tiene un trabajo distinto:
- Entrenamiento (~70 %): con lo que el modelo ajusta sus parámetros.
- Validación (~15 %): para comparar opciones y ajustar hiperparámetros sin engañarse.
- Prueba (~15 %): se guarda intacto y se usa una sola vez, al final. Es la única cifra que puedes enseñar sin sonrojarte.
Dos reglas que se saltan constantemente:
Partir por tiempo cuando hay tiempo. Si predices ventas del mes que viene, no puedes repartir las filas al azar: el modelo vería datos de diciembre mientras aprende a predecir noviembre. Hay que cortar por fecha.
No partir por fila cuando hay entidades. Si tienes veinte pedidos del mismo cliente y unos caen en entrenamiento y otros en prueba, el modelo reconoce al cliente y hace trampa. Se parte por cliente, no por pedido.
Ejemplo práctico
En IMDICA queríamos clasificar automáticamente los gastos bancarios por categoría. El dataset parecía servido: años de movimientos ya categorizados a mano en la contabilidad.
Al mirarlo de cerca, tres problemas que no se ven desde fuera:
- Categorías inconsistentes. El mismo proveedor estaba unas veces en "material" y otras en "consumibles", según quién lo hubiera metido y en qué año. Dos etiquetas para el mismo hecho: el modelo aprende a dudar.
- Desbalance brutal. El 70 % de los movimientos caía en tres categorías y había veinte categorías con menos de diez ejemplos cada una. Un modelo entrenado así ignora la cola larga.
- Concepto bancario ruidoso. El texto del movimiento venía truncado y con abreviaturas distintas según el banco.
La solución no fue un modelo mejor. Fue unificar el criterio de categorías hacia atrás, agrupar las veinte categorías raras en cinco con sentido, y normalizar los conceptos antes de entrenar. Con el mismo algoritmo, el acierto subió de un 71 % a un 89 %.
Ese es el patrón habitual: cuando un proyecto de IA no funciona, mira los datos antes de cambiar de modelo.
Qué mirar antes de entrenar
- Volumen. ¿Hay ejemplos suficientes de cada caso, incluidos los raros?
- Equilibrio. ¿Hay categorías con cuatro ejemplos frente a otras con cuatro mil?
- Consistencia. ¿Dos personas habrían etiquetado igual el mismo caso?
- Actualidad. ¿El histórico describe cómo funciona el negocio hoy, o cómo funcionaba hace cinco años?
- Fugas. ¿Hay alguna columna que solo se conoce después del hecho que quieres predecir?
- Datos personales. ¿Hay nombres, emails o DNI que haya que anonimizar antes de que salgan de casa?
Errores comunes
- Empezar por el modelo. Elegir arquitectura antes de haber mirado los datos es el orden inverso al que funciona.
- Etiquetar sin guía escrita. Sin un criterio documentado, dos personas etiquetan distinto y el modelo hereda la contradicción.
- Tirar los casos raros. Suelen ser justo los que importa acertar.
- Reutilizar el conjunto de prueba. Cada vez que lo miras para decidir algo, pierde valor como medida.
- Olvidar de dónde salieron los datos. Si no puedes reconstruir cómo se generó el dataset, tampoco podrás explicar por qué el modelo hace lo que hace.
Cuándo preocuparte por él
Siempre, y antes que por nada. En un proyecto de empresa el orden sensato es: primero mirar qué datos hay y en qué estado, después decidir si el problema es abordable, y solo entonces elegir modelo.
Muchos proyectos de IA que "fracasan" no fracasan por el modelo: fracasan porque nadie miró los datos hasta que ya se había prometido una fecha.
