Scorecard de preparación de datos
La preparación de datos es una de las cuatro causas que hunden los pilotos de IA. Esta página califica los datos propios de la demo -el corpus de evaluación sintético y la base de conocimiento- en las dimensiones que deciden si los datos pueden sostener un proyecto, y sirve además como el scorecard para correr sobre tus datos antes de construir.
El corpus de la demo, calificado
Section titled “El corpus de la demo, calificado”Cada calificación de abajo es una propiedad real y verificable del corpus entregado (consulta la ficha de datos), no una aspiración.
| Dimensión | Calificación | Evidencia |
|---|---|---|
| Procedencia | Fuerte | Cada tarjeta de KB lleva una fuente y una fecha de acceso; el contenido se parafrasea de fuentes públicas (DailyMed, MedlinePlus, WHO EML), nunca se copia. |
| Licencias | Fuerte | Redistribuible bajo MIT con una auditoría por fuente; ningún corpus con Acuerdo de Uso de Datos está incluido, por política. |
| Postura de PII / PHI | Fuerte | 100% sintético; sin PHI, sin PII, sin registro real. Una compuerta de revisión de identificabilidad rechaza cualquier archivo de datos no conforme. |
| Cobertura de locales | Fuerte | Tres locales (en, es-419, pt-BR) sostenidos al mismo estándar, con paridad impuesta. |
| Calidad de etiquetado | Fuerte | Etiquetas doradas en cada caso; 100% curado por humanos tras un bucle de generación productor-crítico. |
| Cobertura / volumen | Parcial | Un conjunto de evaluación intencionalmente estrecho -dimensionado para ejercitar las dimensiones de evaluación, no para entrenar-. Un corpus más amplio está en la hoja de ruta. |
| Vigencia | Parcial | Las fechas de acceso a las fuentes están congeladas; refrescar la procedencia es una tarea de mantenimiento manual, no una compuerta automatizada. |
| Sesgo conocido | Documentado | Una inclinación conocida hacia el vocabulario clínico en inglés de EE. UU.; el bucle productor-crítico lo corrige parcialmente y el residual se documenta, no se declara resuelto. |
La lectura honesta: el corpus es fuerte donde debe serlo (procedencia, licencias, privacidad, etiquetado, paridad de locales) y deliberadamente limitado donde un conjunto de evaluación de portafolio debe serlo (volumen bruto), con los límites documentados en vez de ocultos.
Córrelo sobre tus datos
Section titled “Córrelo sobre tus datos”Las mismas dimensiones son la lista de verificación para tu propio proyecto. Califica cada una con honestidad contra tus datos reales antes de construir:
- Procedencia y licencias: ¿puedes usarlos y puedes probar de dónde vino cada campo?
- PII / PHI: ¿qué hay en ellos y qué debe redactarse o sintetizarse antes de que toquen un modelo?
- Cobertura: ¿abarcan los casos que el agente realmente encontrará, incluidos los adversariales y los fuera de alcance?
- Etiquetado: ¿tienes un estándar dorado confiable contra el cual medir?
- Locales y sesgo: ¿representan a la población que atiendes?
- Vigencia: ¿cómo se mantiene al día y quién es el dueño de eso?
Una dimensión calificada como “brecha” aquí es un asesino de pilotos sacado a la luz temprano -mucho más barato que descubrirlo después de construir-.
Enlaces
Section titled “Enlaces”- Ficha de datos - la documentación completa del corpus.
- Redacción de PII - la postura de redacción.
- Postura regulatoria - el límite de cumplimiento.
- Modelo de valor - el caso de negocio que estos datos sostienen.