Linaje de Datos — Procedencia y trazabilidad de los datos de entrenamiento de IA

Definición

El linaje de datos en sistemas de IA se refiere al registro documentado de dónde se originan los datos, cómo han sido transformados, qué procesos se han aplicado sobre ellos y dónde han sido utilizados, desde la recopilación en origen pasando por la preparación de datos, la ingeniería de características, el entrenamiento del modelo y la inferencia. Es la cadena completa de procedencia de los datos que sustentan un sistema de IA, y proporciona la trazabilidad necesaria para auditar las salidas de IA, evaluar el impacto de la calidad de datos en el comportamiento del modelo, responder a solicitudes de derechos del interesado y demostrar cumplimiento normativo.

Por qué importa operativamente

El linaje de datos importa porque los fallos de los sistemas de IA suelen tener origen en los datos. Cuando un modelo produce salidas sesgadas, la pregunta es: ¿qué datos de entrenamiento produjeron este comportamiento? Cuando un modelo se degrada en producción, la pregunta es: ¿en qué difiere la distribución de datos de producción respecto a los datos de entrenamiento? Cuando un interesado solicita la supresión de sus datos, la pregunta es: ¿en qué modelos se han utilizado esos datos? Ninguna de estas preguntas puede responderse sin un linaje de datos documentado.

Marco regulatorio

Cómo lo evalúa Zertia

Zertia evalúa el linaje de datos como parte de la Auditoría de Modelos de IA y de la certificación ISO/IEC 42001. La evaluación examina si la organización puede rastrear la procedencia de los conjuntos de datos de entrenamiento, si las transformaciones de datos están documentadas, si la conexión entre versiones específicas de datos y versiones específicas de modelos se mantiene, y si la documentación del linaje cumple los requisitos de expediente técnico del Anexo IV.