Contenido
- Qué es el etiquetado de datos y por qué decide la calidad del modelo
- Etiquetado manual con equipos internos o expertos
- Etiquetado colaborativo y servicios externos
- Etiquetado programático o supervisión débil
- Etiquetado asistido y aprendizaje activo
- Cómo elegir el método de etiquetado de datos en tu empresa
- Preguntas frecuentes sobre el etiquetado de datos
El etiquetado de datos consiste en asignar a cada ejemplo la respuesta correcta que un modelo de aprendizaje automático debe aprender, y se puede hacer con personas, con reglas programadas o con un modelo que pide ayuda humana solo en los casos dudosos. Cada método cambia el equilibrio entre costo, velocidad y calidad. Esta guía explica los cuatro métodos principales y cómo elegir entre ellos.
Qué es el etiquetado de datos y por qué decide la calidad del modelo
El etiquetado de datos es el trabajo de decir qué contiene cada ejemplo. Por ejemplo, una persona marca si un correo es fraude o no, o si una foto muestra un producto dañado. Después, el modelo de aprendizaje supervisado aprende a repetir esas decisiones con ejemplos nuevos. Si quieres repasar la base, consulta esta guía para comprender el aprendizaje automático.
Un modelo nunca será mejor que sus etiquetas. Además, las etiquetas también sirven para evaluar el modelo, de modo que un error en ellas engaña dos veces. En 2021, Curtis Northcutt, Anish Athalye y Jonas Mueller publicaron «Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks». Sus autores estiman un promedio de al menos 3,3 % de errores en los conjuntos de prueba de 10 bases de datos muy usadas. En concreto, calculan que al menos el 6 % del conjunto de validación de ImageNet tiene etiquetas erróneas.
Por eso, la pregunta clave no es solo cuánto cuesta etiquetar. También importa cuánto cuesta equivocarse. Un error en la detección de fraude o en un diagnóstico pesa mucho más que un error al clasificar comentarios por tema.
Etiquetado manual con equipos internos o expertos
El etiquetado manual es el método más directo: personas capacitadas revisan cada ejemplo y deciden la etiqueta. Es la opción natural cuando la tarea exige conocimiento especializado, como leer imágenes médicas o interpretar contratos. Sin embargo, también es la opción más lenta y la más cara por ejemplo etiquetado.
El etiquetado manual tampoco es perfecto. Dos personas pueden leer el mismo caso de forma distinta, sobre todo si las instrucciones son ambiguas. Por eso conviene medir el acuerdo entre anotadores. La biblioteca scikit-learn ofrece la función cohen_kappa_score, que calcula el coeficiente kappa de Cohen entre dos anotadores. Según su documentación, el valor va de -1 a 1: 1 indica acuerdo total y 0 indica un acuerdo que no supera al azar.
En la práctica, un acuerdo bajo casi siempre revela un problema de instrucciones, no de personas. Así, el primer paso es escribir una guía de etiquetado con ejemplos claros de cada categoría y de los casos frontera.
Etiquetado colaborativo y servicios externos
El etiquetado colaborativo reparte tareas pequeñas entre muchas personas externas. Durante años, la referencia fue Amazon Mechanical Turk. Sin embargo, su sitio oficial indica que el servicio cerró de forma definitiva el 30 de septiembre de 2026. Por lo tanto, cualquier guía que lo recomiende hoy está desactualizada.
El mercado de servicios gestionados también cambia. Según la documentación de Amazon SageMaker Ground Truth, el servicio ya no acepta clientes nuevos, aunque los actuales pueden seguir usándolo. Ground Truth trabaja con un equipo privado de empleados o contratistas, o con empresas proveedoras de etiquetado. Por eso, antes de firmar con un proveedor, conviene revisar que el servicio siga abierto y que cumpla tus reglas de confidencialidad.
Con trabajo externo, el control de calidad es decisivo. Por ejemplo, se pueden repetir algunos ejemplos ya etiquetados para medir la exactitud de cada persona, o pedir varias etiquetas por ejemplo y quedarse con la mayoría.
Etiquetado programático o supervisión débil
La supervisión débil reemplaza parte del trabajo manual por reglas. En lugar de etiquetar ejemplo por ejemplo, el equipo escribe funciones de etiquetado: reglas como «si el correo contiene un enlace acortado y pide una contraseña, es sospechoso». Después, un sistema combina esas reglas imperfectas y estima su exactitud sin datos de referencia.
El sistema más conocido es Snorkel. En 2017, Alexander Ratner, Christopher Ré y otros autores publicaron «Snorkel: Rapid Training Data Creation with Weak Supervision», presentado en las actas de VLDB. En su estudio con usuarios, expertos en la materia crearon modelos 2,8 veces más rápido y mejoraron el rendimiento predictivo en un 45,5 % de media, frente a siete horas de etiquetado manual. Además, los autores reportan que Snorkel quedó, en promedio, a 3,6 % del rendimiento de grandes conjuntos etiquetados a mano.
La supervisión débil funciona mejor cuando el conocimiento del negocio se puede expresar en reglas. En cambio, rinde peor cuando la decisión depende de matices difíciles de describir.
Etiquetado asistido y aprendizaje activo
El aprendizaje activo deja que el modelo elija qué ejemplos necesita. En su «Active Learning Literature Survey», publicado en 2009 por la Universidad de Wisconsin-Madison, Burr Settles explica la idea central. Si el algoritmo elige de qué datos aprende, puede lograr mayor exactitud con menos ejemplos etiquetados. Es decir, las personas dedican su tiempo a los casos difíciles.
Ground Truth es un buen ejemplo documentado de este enfoque. Según su guía de etiquetado automático, la función exige al menos 1.250 objetos y recomienda 5.000. Además, en clasificación de imágenes y textos busca una exactitud de al menos 95 % frente a las etiquetas humanas.
- Muestra humana. Personas etiquetan una muestra aleatoria de los datos.
- Entrenamiento. Con esa muestra se entrena y se valida un modelo de etiquetado.
- Umbral de confianza. El sistema calcula a partir de qué confianza las etiquetas automáticas cumplen la calidad pedida.
- Etiquetado automático. El modelo etiqueta los ejemplos que superan ese umbral.
- Casos dudosos a personas. Los ejemplos de baja confianza vuelven al equipo humano, y el ciclo se repite hasta terminar o agotar el presupuesto.
Fuente: Amazon Web Services, Automate data labeling; consulta: 11 de noviembre de 2026.
Cómo elegir el método de etiquetado de datos en tu empresa
No hay un método ganador. La elección depende del volumen de datos, del conocimiento que exige la tarea, de la confidencialidad y del costo de un error. Esta tabla resume las compensaciones de cada opción.
| Método | Cuándo conviene | Principal límite |
|---|---|---|
| Manual con expertos | Tareas especializadas o con alto costo de error | Lento y caro; necesita medir el acuerdo entre anotadores |
| Colaborativo o proveedor externo | Grandes volúmenes de tareas simples | Calidad variable y riesgos de confidencialidad |
| Supervisión débil | Conocimiento del negocio expresable en reglas | Rinde peor con decisiones llenas de matices |
| Aprendizaje activo | Miles de ejemplos y presupuesto humano limitado | Requiere una muestra inicial y un equipo técnico |
En muchos proyectos, la mejor opción combina métodos. Por ejemplo, un experto etiqueta un conjunto de referencia pequeño y muy cuidado. Después, reglas o aprendizaje activo amplían el volumen. Por último, ese conjunto de referencia sirve para la evaluación de modelos con métricas útiles para el negocio.
Cuando los datos reales escasean o son demasiado sensibles para mostrarlos a un equipo externo, algunas empresas exploran los datos sintéticos, con sus ventajas y riesgos. Si necesitas diseñar el proceso completo, desde la guía de etiquetado hasta el modelo en producción, revisa nuestros servicios de consultoría en inteligencia artificial y análisis de datos.
Preguntas frecuentes sobre el etiquetado de datos
¿Qué es el etiquetado de datos en inteligencia artificial?
Es el proceso de asignar a cada ejemplo la respuesta correcta que el modelo debe aprender. Por ejemplo, marcar si una transacción es fraude o qué producto aparece en una foto. Los modelos de aprendizaje supervisado aprenden de esas etiquetas, y también se evalúan con ellas, por eso su calidad es decisiva.
¿Cuál es el método de etiquetado de datos más preciso?
Suele serlo el etiquetado manual con expertos, aunque no es infalible. Un estudio de 2021 encontró un promedio de al menos 3,3 % de etiquetas erróneas en conjuntos de prueba muy usados. Para reducir errores conviene escribir una guía clara y medir el acuerdo entre anotadores con el coeficiente kappa de Cohen.
¿Qué es la supervisión débil?
Es un método que sustituye parte del etiquetado manual por reglas escritas por expertos, llamadas funciones de etiquetado. Un sistema como Snorkel combina esas reglas imperfectas y estima su fiabilidad. En su estudio de 2017, expertos crearon modelos 2,8 veces más rápido que con siete horas de etiquetado manual.
¿Qué es el aprendizaje activo en el etiquetado de datos?
Es una técnica en la que el modelo elige qué ejemplos debe etiquetar una persona. Así, el equipo humano se concentra en los casos dudosos y el modelo etiqueta los fáciles. Según la revisión de Burr Settles, de 2009, este enfoque puede lograr mayor exactitud con menos ejemplos etiquetados.
¿Amazon Mechanical Turk sigue funcionando?
No. Según su sitio oficial, Amazon Mechanical Turk cerró de forma definitiva el 30 de septiembre de 2026. Además, Amazon SageMaker Ground Truth ya no acepta clientes nuevos, aunque mantiene el servicio para los actuales. Quien busque etiquetado externo debe comparar proveedores vigentes y revisar sus condiciones de confidencialidad.



