Calidad de datos para sistemas de IA
Descripción
Procesos que garantizan que los datos de entrenamiento y operativos de la IA cumplan con los estándares de calidad en cuanto a exactitud, completitud, coherencia y relevancia.
Orientación de implementación
Dimensiones de calidad
Definir criterios de calidad medibles para los datos de IA: exactitud (corrección de etiquetas y valores), completitud (umbrales de datos faltantes), coherencia (concordancia entre fuentes), actualidad (requisitos de vigencia de los datos) y relevancia (idoneidad para la tarea de IA). Establecer umbrales cuantitativos para cada dimensión.
Pipelines de calidad automatizados
Implementar verificaciones automatizadas de calidad de datos en los pipelines de aprendizaje automático: validación de esquemas, monitoreo de distribución estadística (detección de deriva respecto a la línea base), detección de valores atípicos, identificación de duplicados y evaluación de la calidad de las etiquetas. Condicionar el entrenamiento del modelo a la superación de los umbrales de calidad.
Remediación de calidad
Establecer procesos para remediar los problemas de calidad: procedimientos de limpieza de datos, flujos de trabajo de reetiquetado, criterios de reemplazo de fuentes, y documentación de las decisiones de calidad y su impacto en el desempeño del modelo.
Requisitos de evidencia
- Criterios y umbrales de calidad de datos por sistema de IA
- Configuraciones y resultados de las verificaciones automatizadas de calidad
- Informes de evaluación de calidad de datos
- Registros de remediación e informes de tendencias de calidad