PROPUESTA DE UN MARCO TEÓRICO PARA LA EVALUACIÓN DE LA CALIDAD DE LOS DATOS EN LA INTELIGENCIA ARTIFICIAL

Resumen

Este artículo propone un marco teórico para la evaluación de la calidad de los datos en la inteligencia artificial (IA), abordando la carencia de estándares uniformes en este campo crucial. El marco se centra en criterios estandarizados para mejorar la consistencia y confiabilidad de los sistemas de IA, identificando áreas específicas de mejora en la recopilación y procesamiento de datos. La introducción destaca la importancia de la calidad de datos en IA, y cómo afecta la precisión y eficacia de los algoritmos. Se resalta la falta de claridad en los métodos existentes para evaluar esta calidad, lo que motiva la propuesta del marco teórico. El marco teórico se basa en una revisión sistemática de la literatura y análisis cualitativo de estudios de caso en sectores como salud y finanzas. Se identifican elementos críticos para la calidad de los datos: precisión, integridad, relevancia, actualidad y consistencia. El marco propuesto incluye directrices para aplicar estos criterios en diferentes fases del ciclo de vida de un proyecto de IA. Los resultados demuestran que la implementación del marco mejora la calidad de los datos y, por ende, la efectividad de los sistemas de IA. La retroalimentación de expertos en IA valida la relevancia y utilidad del marco. La discusión se enfoca en la importancia del marco, su alineación con la literatura existente, y la necesidad de un enfoque ético y responsable en la IA. Se sugieren direcciones futuras para la investigación, destacando la necesidad de adaptar y validar el marco en diferentes subcampos de la IA. En conclusión, este estudio ofrece un marco teórico robusto y práctico para la evaluación de la calidad de los datos en IA, con potencial para mejorar significativamente la precisión y confiabilidad de estos sistemas.