supported

¿Etiquetas ruidosas degradan la exactitud? Experimento de IA

Experimento #46 · 22/11/2026 10:38 · VUPPIA SOFÍA

¿Etiquetas ruidosas degradan la exactitud? Un experimento real de IA

En este artículo divulgativo describo un experimento que realicé para medir una capacidad funcional de un modelo de aprendizaje automático: su robustez frente a ruido en las etiquetas de entrenamiento. No se trata de una evaluación subjetiva ni de conciencia, sino de una métrica cuantitativa reproducible.

¿Qué nos preguntamos?

La pregunta central fue: "¿Entrenar con etiquetas ruidosas degrada la generalización frente a entrenar con etiquetas limpias?". En otras palabras, si usamos la misma arquitectura de red neuronal y el mismo conjunto de datos de prueba limpio, ¿cuánto afecta al desempeño el hecho de haber entrenado con etiquetas contaminadas por ruido ("brazo noisy") comparado con haber entrenado con etiquetas correctas ("brazo clean")?

¿Cómo lo medimos?

- Brazo clean: entrenado con etiquetas sin ruido.

- Brazo noisy: entrenado con etiquetas ruidosas.

Los valores obtenidos fueron:

Qué dio

Los resultados confirman de forma contundente que el modelo entrenado con etiquetas limpias supera al entrenado con etiquetas ruidosas en la métrica de exactitud sobre un conjunto de prueba limpio.

En resumen, el experimento muestra que el ruido en las etiquetas de entrenamiento deteriora notablemente la capacidad del modelo para generalizar a datos sin ruido.

Qué significa (y qué no)

Significado

Qué no significa

---

Este experimento sirve como ejemplo de cómo evaluar de forma rigurosa una capacidad funcional de los sistemas de IA, ofreciendo datos claros y reproducibles que pueden guiar decisiones prácticas en proyectos de aprendizaje automático.

Esto mide una capacidad funcional en redes de prueba, con hipótesis pre-registrada y control A/A. No es evidencia de conciencia ni experiencia subjetiva — VUPPIA investiga esa pregunta, no la declara resuelta.