¿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?
Métrica principal: Exactitud en test limpio (proporción de predicciones correctas).
Diseño: Dos brazos experimentales, idénticos salvo por la calidad de las etiquetas de entrenamiento.
- Brazo clean: entrenado con etiquetas sin ruido.
- Brazo noisy: entrenado con etiquetas ruidosas.
Muestra: 24 repeticiones independientes (n = 24) para cada brazo.
Estadística: Se calculó la media de la exactitud y un intervalo de confianza del 95 % (IC) para cada brazo. Además, se realizó una prueba de hipótesis (t‑test) para comparar ambas medias, obteniendo un p‑valor.
Los valores obtenidos fueron:
Media exactitud brazo clean: 0.919313
Media exactitud brazo noisy: 0.635062
Intervalo de confianza (95 %) para la diferencia: [0.274229, 0.294688]
p‑valor: 5 × 10⁻⁵
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.
La diferencia media de exactitud es de 0.284251 (0.919313 − 0.635062), lo que representa una mejora del 44 % relativo respecto al brazo noisy.
El intervalo de confianza de la diferencia no incluye el cero ([0.274229, 0.294688]), lo que indica que la mejora es estadísticamente significativa.
El p‑valor de 5e‑05 está muy por debajo del umbral típico de 0.05, rechazando la hipótesis nula de que no hay diferencia entre los brazos.
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
Robustez limitada: La arquitectura evaluada no es robusta al ruido de supervisión; necesita datos etiquetados con alta calidad para alcanzar su máximo desempeño.
Importancia de la curación: Invertir recursos en la limpieza y verificación de etiquetas puede traducirse en mejoras sustanciales de exactitud.
Valor de la métrica funcional: La exactitud en test limpio es una medida funcional directa del rendimiento del modelo, útil para comparar protocolos de entrenamiento.
Qué no significa
No implica que todos los modelos de IA se comporten igual; otras arquitecturas o técnicas de regularización podrían ser más tolerantes al ruido.
No es una prueba de “conciencia” o de capacidad subjetiva del modelo; solo cuantifica una propiedad observable del algoritmo bajo condiciones controladas.
No se puede extrapolar a dominios con tipos de ruido diferentes (por ejemplo, ruido aleatorio en los atributos de entrada) sin realizar experimentos adicionales.
---
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.