¿Más datos, mejor la IA, no es así?

Resumen

Exploring data quality challenges in AI and deep learning, with insights on maintaining high-quality datasets for optimal algorithm performance in document data extraction.

Programa

• Introducción a la Calidad de los Datos en la IA
Importancia de la Calidad de los Datos
Descripción General de la IA y el Aprendizaje Profundo
• Comprensión de los Datos en los Modelos de IA
Tipos de Datos: Estructurados vs. No Estructurados
Introducción a la Extracción de Datos de Documentos
• Dimensiones de la Calidad de los Datos
Precisión y Completitud
Consistencia y Oportunidad
Relevancia y Validez
• Recolección y Preparación de Datos
Fuentes de Datos para la IA
Estrategias para la Limpieza de Datos
Manejo de Datos Faltantes y Ruidosos
• Desafíos en la Extracción de Datos de Documentos
Problemas de Reconocimiento Óptico de Caracteres (OCR)
Desafíos en la Anotación y Etiquetado de Datos
Manejo de Documentos Complejos y No Estructurados
• Herramientas y Técnicas para Asegurar la Calidad de los Datos
Marcos de Evaluación de la Calidad de los Datos
Automatización en la Limpieza de Datos
Uso de IA para Mejorar la Calidad de los Datos
• Mantenimiento de Conjuntos de Datos de Alta Calidad
Monitoreo y Validación Continuos
Importancia de los Ciclos de Retroalimentación
Gobernanza de Datos y Buenas Prácticas
• Impacto de la Calidad de los Datos en el Rendimiento de la IA
Estudios de Caso del Mundo Real
Cómo la Calidad de los Datos Afecta la Precisión y el Sesgo del Modelo
• Tendencias Futuras en la Calidad de los Datos para la IA
Tecnologías Emergentes en la Gestión de la Calidad de los Datos
El Papel de los Datos Sintéticos
• Resumen y Conclusión del Curso
Aspectos Clave
Discusión sobre Aplicaciones Industriales y Ética
Sesión Final de Preguntas y Respuestas
• Recursos Adicionales y Lecturas Complementarias

---

Materias

Conference Talks