Las cuatro fuentes de datos de entrenamiento
- Web pública: páginas, código y libros rastreados, cada vez más limitados por exclusiones voluntarias y demandas.
- Datos licenciados: archivos de editoriales, plataformas y empresas, usados mediante contrato.
- Datos creados por personas: ejemplos redactados, ordenados o corregidos por especialistas remunerados.
- Datos sintéticos: ejemplos generados por modelos o simuladores.
Por qué se buscan datos empresariales licenciados
Epoch AI calcula que el volumen de texto humano público aprovechable podría agotarse entre 2026 y 2032 (Epoch AI). Además, los datos web dicen poco sobre cómo se hace el trabajo profesional dentro de las empresas. Los registros empresariales, como incidencias, planos, registros y informes, cubren ese hueco, y por eso los laboratorios y sus socios los licencian ya.
Preentrenamiento, ajuste fino y evaluación
El preentrenamiento usa conjuntos de datos enormes y amplios. El ajuste fino y el aprendizaje por refuerzo usan conjuntos más pequeños y de mayor calidad, a menudo de expertos. Los conjuntos de evaluación comprueban si un modelo funciona de verdad. Los registros empresariales sirven para los tres, sobre todo para los dos últimos. Vea qué datos compran las empresas de IA.
Cómo aporta una empresa datos de entrenamiento
La empresa licencia a un comprador una copia definida y anonimizada de sus registros mediante un acuerdo escrito, y conserva los originales. Lea cómo vender datos a empresas de IA para conocer el proceso completo, o haga la evaluación gratuita de dos minutos de Calto Data para ver si sus registros encajan con las solicitudes actuales.
Preguntas frecuentes
¿Qué son los datos de entrenamiento de un LLM?
Los textos y otros datos con los que aprende un gran modelo de lenguaje: páginas web, libros, código, archivos licenciados, ejemplos escritos por expertos y texto sintético.
¿Quién suministra datos de entrenamiento de IA?
Rastreos web, editoriales y plataformas, empresas de etiquetado y redes de expertos, socios de licencias de datos y empresas que licencian sus propios registros.
¿Es legal usar datos empresariales para entrenar IA?
En general sí, cuando la empresa es dueña de los datos, la información personal se elimina o tiene base jurídica y una licencia fija los usos permitidos. Esto es información general, no asesoramiento jurídico.