Procedencia de datos

La procedencia de datos, cercana al linaje de datos, responde a las preguntas que hará cualquier revisor de un sistema de IA: qué datos son, quién los produjo, si podemos usarlos y qué les ocurrió en el camino. Una buena procedencia registra la fuente y el método de recolección, licencias, contratos o base jurídica, condiciones de consentimiento cuando corresponda, fechas, versiones, filtrados, etiquetado y los flujos que combinaron conjuntos de datos.

El Reglamento Europeo de IA exige, para sistemas de alto riesgo, prácticas de gobernanza de datos que cubran los procesos de recolección y el origen de los datos y, en el caso de datos personales, la finalidad original de la recolección. La normativa de protección de datos exige que el responsable del tratamiento sepa qué base jurídica ampara la reutilización para entrenamiento. La procedencia también importa para los derechos de autor, para datos sintéticos mezclados con datos reales y para las auditorías, donde los registros de linaje son evidencia central.

Ejemplo: un auditor rastrea el conjunto de entrenamiento de un modelo hasta un foro extraído de la web y pide al proveedor demostrar que los términos de uso lo permitían.