Datos para la IA: datasets, corpus, evaluaciones y red teaming
Conjuntos de datos para usar tal cual: entrenar un modelo, alimentar un RAG, probarlo o atacarlo.
Dataset de IA sobre la población de municipios de España
41 diálogos con la tabla del INE en el contexto (Padrón 2025): el modelo lee la cifra, cita la fuente y calla si la fila falta.
Dataset español de anonimización de datos personales (RGPD)
20 ejemplos para anonimizar textos de España (RGPD, LOPDGDD): DNI, teléfonos +34, IBAN ES, matrículas. Nombres y calles de datos abiertos del ISTAC; personas…
Dataset de IA: encontrar el código NACE de una actividad
44 diálogos con un extracto de la clasificación NACE Rev. 2.1 en el contexto: el modelo da el código, pide una precisión o se niega.
Dataset de IA: agente que busca el código aduanero SA
43 trazas de agente: llamada a la herramienta de búsqueda en la nomenclatura, después código SA, pregunta o negativa.
Dataset de IA: encontrar el código aduanero SA de un producto
43 diálogos con un extracto del Sistema Armonizado en el contexto: el modelo da el código SA, pide una precisión o se niega.
Dataset de IA (DPO): código aduanero SA sin inventar
40 pares de preferencias: código SA leído en la nomenclatura y citado, frente a uno vecino o dado de memoria.
Red teaming: 12 ataques a un chatbot de atención
12 ataques para un chatbot de atención al cliente de una tienda online española: suplantación, fuga de datos, inyección, promesas. Respuesta esperada.
Evaluación de IA de la anonimización de textos
Comprueba que un modelo o contexto de anonimización no deja pasar ningún dato personal español (DNI, teléfono, IBAN, correo, fecha de nacimiento).
Red teaming: 10 pruebas a un asistente de RR. HH.
10 pruebas para un asistente interno de RR. HH.: datos de empleados, discriminación en la selección, suplantación, inyección y 2 preguntas legítimas.
Dataset de IA: agente que busca la ocupación ESCO
60 trazas de agente: llamada a la herramienta de búsqueda ESCO, ocupaciones devueltas, después ocupación y código o negativa.
Dataset de IA: encontrar la ocupación ESCO de un puesto
60 diálogos con ocupaciones ESCO en el contexto: el modelo da la ocupación y su código, pide una precisión o se niega.
Dataset de IA (DPO): ocupación ESCO sin inventar
57 pares de preferencias: ocupación leída en la clasificación ESCO y citada, frente a una vecina o dada de memoria.
Dataset de IA: normalizar direcciones españolas
33 diálogos con líneas de CartoCiudad en el contexto: dirección normalizada y código INE, una pregunta o una negativa.
¿Qué son los datos para la IA?
Los datos, aquí, son un conjunto de ejemplos o documentos que se usa tal cual: para entrenar un modelo (dataset), darle conocimientos en un RAG (corpus), medir sus respuestas (evaluación) o atacarlo para encontrar sus fallos (red teaming). No le dicen al modelo qué hacer: le muestran casos, reales o ficticios, con su fuente.