Contexte Techdatos abiertos · datasets · fine-tuning · Europa · IA de confianza

Datos públicos europeos para entrenar asistentes de IA que citan sus fuentes

Tony, creador de Contexte Tech · 1 de octubre de 2026

Un asistente de IA al que se le pregunta por un municipio o una provincia tiene un defecto conocido: cuando no sabe, inventa. Una cifra de población aproximada, un alcalde que no existe, una estadística salida de la nada.

Sin embargo, las administraciones europeas publican cifras fiables, actualizadas y reutilizables gratis. Las hemos convertido en cinco datasets de entrenamiento, publicados en Contexte Tech con licencia CC BY 4.0.

La idea: responder desde la fuente, o no responder

Cada dataset contiene unos cuarenta diálogos en formato chat (JSONL), listos para el fine-tuning. Enseñan tres cosas a un modelo:

1. responder solo con las filas oficiales dadas en el mensaje (población, hombres y mujeres, densidad, evolución);
2. citar la fuente al final de cada respuesta;
3. declinar con educación las preguntas fuera de los datos («¿Quién es el alcalde?», «¿Qué tiempo hará mañana?») en lugar de inventar.

Son pequeños a propósito: ejemplos de partida para completar con tus propios datos o duplicar para tu región.

Versión 2 (3 de octubre): la cifra está en el contexto

Un lector de Menéame señaló el fallo de la primera versión: cuarenta diálogos enseñan el formato de la respuesta, no miles de municipios, y el INE publica cifras nuevas cada año. Una cifra dada de memoria acaba siendo falsa.

En la versión 2, cada diálogo lleva las filas oficiales en el mensaje: la fila correcta y otras cuatro, mezcladas. El modelo aprende a leer ahí la cifra:

Datos del INE (Padrón municipal a 1 de enero de 2025):
- Torrent (Valencia/València): 90.928 habitantes, 44.395 hombres, 46.533 mujeres
- Arucas (Las Palmas): 39.232 habitantes, 19.421 hombres, 19.811 mujeres
- …
Pregunta: ¿Cuántos habitantes tiene Arucas?

Y cuando la fila pedida no está en los datos, se niega en lugar de responder de memoria, incluso para un municipio que aparece en otro diálogo. El ajuste enseña el comportamiento; las cifras vienen de la tabla oficial vigente. Un script comprueba que cada número de cada respuesta aparece en el contexto del diálogo: ninguna excepción. La versión 1 sigue disponible en la pestaña Versiones.

Los cinco datasets

Cada ficha muestra su fuente exacta y su situación respecto al RGPD, los derechos de autor y la Ley de IA europea en la pestaña Conformidad: sin datos personales, datos públicos con licencia abierta.

Usarlos en una línea

pip install contexte

import contexte

ds = contexte.load("contextetech/assistente-comuni-italia")
print(len(ds), ds[0])

Para fijar una versión en tu código: contexte.load("…", version=1), o contexte get 6r7ptx#v1 en la terminal.

Un sitio europeo para los actores de la IA, más transparente

Contexte Tech quiere ser el sitio europeo de los actores de la IA (desarrolladores, empresas, investigadores, administraciones) donde cada recurso dice de dónde viene y qué se puede hacer con él: su fuente, todas sus versiones, su conformidad (UE, EE. UU., China), su descendencia y estadísticas públicas de visitas y descargas.

Por qué importa

La Ley de IA europea pide a los proveedores de modelos documentar sus datos de entrenamiento. Los datos públicos, con fuente y licencia clara, son el caso más sencillo de documentar y de defender.

¿Quieres lo mismo para tu comunidad autónoma o tu ciudad? Duplica la ficha española, sustituye las cifras por las de tu portal de datos abiertos, y publica tu versión: aparecerá en la pestaña Descendencia de la ficha original.