[Saltar al contenido](https://academy.innguma.com/ia-aplicada-a-la-inteligencia/clasificar-y-estructurar-informacion/#contenido) Lección 3.3 · Itinerario 03 # Clasificar y estructurar información ¿Cómo convertir documentos heterogéneos en registros comparables sin esconder los errores de clasificación? **Te llevas** diccionario de datos y registro de desacuerdos. ≈ 30 min · Intermedio [Hacer la práctica](https://academy.innguma.com/ia-aplicada-a-la-inteligencia/clasificar-y-estructurar-informacion/#hazlo-tu-disena-y-prueba-cinco-etiquetas-20-min)[Ejercicio](https://academy.innguma.com/ia-aplicada-a-la-inteligencia/clasificar-y-estructurar-informacion/#compruebalo)[Leer la lección](https://academy.innguma.com/ia-aplicada-a-la-inteligencia/clasificar-y-estructurar-informacion/#de-leer-textos-a-disenar-una-taxonomia) En 1 minuto una etiqueta no es verdadera porque la haya escrito una IA; es operativa cuando otro analista entiende su definición, puede reproducirla y sabe cuándo revisarla. ## De leer textos a diseñar una taxonomía La clasificación automática puede ayudar a ordenar grandes volúmenes de noticias, patentes, convocatorias y comunicaciones empresariales. Pero primero debemos decidir **para qué sirve cada etiqueta**. Una taxonomía útil no es una lista enorme de categorías; es un conjunto consistente que permite responder preguntas y desencadenar acciones. Para una vigilancia de competidores podríamos necesitar: actor, fecha del evento, geografía, tipo de acontecimiento, tecnología implicada, fase de madurez, relación con el FCV, fuente y estado de verificación. No siempre se pueden extraer todos los campos: el valor `no_consta` suele ser mejor que una inferencia disfrazada de dato. ## Diseño mínimo de esquema | Campo | Regla | Ejemplo didáctico | | --- | --- | --- | | `evento` | Una de: investigación, patente\_solicitada, piloto, acuerdo, venta, regulación, otro | `patente_solicitada` | | `actor` | Nombre presente en la fuente, no inventado | Proveedor B | | `fecha_evento` | Fecha del evento o `no_consta`; separar de publicación | `no_consta` | | `fase` | Exploración, piloto, comercial, indeterminada | exploración | | `afirmacion` | Resumen neutro de lo que la fuente sostiene | «Se publicó una solicitud» | | `evidencia_id` | ID que permite volver al material | S03 | | `revision` | correcta, dudosa, incorrecta | dudosa | Un esquema debe documentar definiciones, ejemplos positivos y negativos y cómo tratar registros ambiguos. Si llamamos «lanzamiento» a un prototipo y a una venta, será difícil comparar señales. Interactivo · Tarjetas ### Los campos del esquema, uno a uno Gira cada campo para ver su regla y el error que evita. Campos del esquema mínimo de clasificación con su regla. ## Un proceso que aprende de sus errores Empieza clasificando manualmente una muestra pequeña. Después pide a la IA etiquetar con el mismo esquema y **explicar qué fragmento respalda cada campo no obvio**. Compara desacuerdos y corrige instrucciones o categorías. Una segunda muestra, diferente de la primera, sirve para comprobar si el ajuste generaliza. No alcanza con decir que «la precisión es alta»: cualquier indicador de calidad exige un conjunto de referencia y definiciones de acierto. Para esta experiencia formativa, lo prioritario es aprender a detectar falsos positivos, falsos negativos y campos fabricados. Caso Empresa A · simulación Caso ficticio ## Caso Empresa A · La diferencia entre piloto y comercialización Si S04 menciona un demostrador de laboratorio, la categoría `venta` es incorrecta; si S03 describe una solicitud publicada, `patente_concedida` también lo sería. Pedir a la IA que seleccione entre categorías explícitas y justifique con un fragmento evita parte de la arbitrariedad, pero requiere revisión de casos límite. El dato estructurado resultante es útil para una matriz temporal: ¿cuándo aparece una solicitud?, ¿cuándo una prueba?, ¿hay adopción verificable? La clasificación no resuelve por sí sola la decisión: organiza el terreno para el análisis posterior. Simulación educativa: información y organizaciones ficticias. Hazlo tú ## Hazlo tú · Diseña y prueba cinco etiquetas (20 min) Crea una taxonomía de cinco tipos de evento. Define las reglas, etiqueta S01–S05 manualmente y solicita a una IA una segunda clasificación con salida tabular. Compara fila por fila. Documenta por lo menos un cambio en la definición y un ejemplo de `no_consta`. **Entregable:** diccionario de datos y registro de desacuerdos. R09 · Estructuración ### Diccionario de clasificación Definir etiquetas inequívocas para humano e IA. [Ver la plantilla →](https://academy.innguma.com/biblioteca/diccionario-de-clasificacion/) R06 · Evidencia ### Registro de señales y evidencias Distinguir observación, fuente e interpretación. [Ver la plantilla →](https://academy.innguma.com/biblioteca/registro-de-senales-y-evidencias/) Compruébalo · respuesta cerrada ## Etiqueta cada registro Usa la etiqueta que el fragmento permite, sin inferir más de lo que dice. 1. S01 · Proveedor B anuncia investigación en almacenamiento industrial. **Ver la respuesta** **Respuesta: actividad\_investigadora.** No inferir ventas. 2. S02 · Blog: «una nueva tecnología sustituirá todas las baterías en 2027». **Ver la respuesta** **Respuesta: necesita\_revision.** Es opinión: no etiquetar una promesa como contrato. 3. S03 · Publicación de solicitud sobre intercambiador térmico. **Ver la respuesta** **Respuesta: solicitud\_patente.** La concesión no consta (\`concesion: no\_consta\`). 4. S04 · Proveedor B presenta demostrador de laboratorio. **Ver la respuesta** **Respuesta: piloto\_demostrador.** No inferir explotación rentable. Se evalúa la justificación por ID y el registro de desacuerdos; cuatro ejemplos no miden el rendimiento de un clasificador. ### Y ahora, tu propia respuesta Esta parte necesita juicio profesional: no hay corrección automática. Completa tu trabajo en la práctica, valóralo con la rúbrica de la lección y compáralo con la solución orientativa. Qué debe incluir tu respuesta - Cinco tipos de evento con reglas de inclusión y exclusión. - Un ejemplo de «no\_consta». - Un registro de desacuerdos fila por fila con la clasificación de la IA. - Al menos un cambio documentado en una definición. Rúbrica de autoevaluación (0–2 por criterio) Esta rúbrica no establece la nota del examen certificado. Correspondencia afirmación-evidencia Gestión de incertidumbre Detección de errores Decisión y revisión Reutilización profesional **Solución orientativa** Se evalúa la justificación por ID y el registro de desacuerdos; no se pretende medir el rendimiento real del clasificador con cuatro ejemplos. Solución ilustrativa de un caso ficticio: admite alternativas razonadas. ## Errores frecuentes Crear categorías solapadas, no diferenciar fecha de publicación y fecha del hecho, pedir probabilidades arbitrarias, inferir entidades ausentes, medir volumen de etiquetas en lugar de utilidad para decisiones o ajustar el esquema sin versionarlo. **Regla para llevarse:** una etiqueta no es verdadera porque la haya escrito una IA; es operativa cuando otro analista entiende su definición, puede reproducirla y sabe cuándo revisarla. **Ampliación opcional Profundización · Clasificar no es completar los huecos** Un campo vacío es información útil si significa «la fuente no ofrece este dato». El error aparece cuando un clasificador rellena vacíos con convenciones plausibles. Conviene separar tres valores: `no_consta` (dato ausente en el material), `no_aplica` (el campo no corresponde al evento) y `necesita_revision` (la fuente permite interpretaciones rivales). Esta distinción hace comparables los registros y evita conclusiones basadas en precisión aparente. Establece un diccionario R09 con cinco clases iniciales: **actividad\_investigadora, solicitud\_patente, piloto\_demostrador, acuerdo\_alianza, adopcion\_comercial**. Las etiquetas están diseñadas para el ejercicio, no describen la ontología de ningún proveedor. Por cada categoría define criterio de inclusión, contraejemplo y evidencia textual mínima. Si una noticia mezcla solicitud y alianza, permite etiquetas múltiples cuando el esquema lo contemple o separa eventos: nunca fuerces una única etiqueta solo por comodidad del informe. ### Empresa A · Prueba de clasificación y discrepancias | Registro ficticio | Etiqueta justificable | Error a impedir | | --- | --- | --- | | S01 · Investigación anunciada | actividad\_investigadora | Inferir adopción comercial | | S03 · Solicitud publicada | solicitud\_patente | Transformarla en concesión | | S04 · Demostrador | piloto\_demostrador, según el texto exacto | Convertirlo en venta | | S02 · Opinión especulativa | necesita\_revision u otro tipo documental | Etiquetar promesa como resultado | **Protocolo de validación:** prepara ocho registros ficticios con etiqueta humana antes de probar el prompt, divide cuatro para ajustar definiciones y cuatro para contrastar que las instrucciones no solo memorizan ejemplos. Conserva las respuestas discordantes, la evidencia que usó cada revisor y la versión del diccionario. No publiques una cifra de exactitud sin decir tamaño y composición de la muestra; ocho ejemplos enseñan un método, no acreditan rendimiento productivo. ### Práctica · Revisión de dos errores Pide al asistente que devuelva campos `evento`, `actor`, `fecha_evento`, `fecha_publicacion`, `evidencia_id`, `pasaje`, `revision`. Introduce deliberadamente una fecha no presente y una afirmación que mezcla anuncio y ejecución. El ejercicio se supera si los campos sin evidencia permanecen `no_consta`, el sistema identifica al menos una ambigüedad y puede explicar cada clasificación mediante el texto suministrado. **Salida:** R09 Diccionario de clasificación, R06 Registro de evidencias; Interactivo · Decide ### no\_consta, no\_aplica o necesita\_revision Un campo vacío es información útil. Elige el valor correcto en cada caso. Actividad: elige entre no\_consta, no\_aplica y necesita\_revision. ## Referencias y límites Esta lección no cita fuentes externas. Desarrolla el método de Academy a partir del material formativo de Innguma. - Empresa A es un caso ficticio: sus datos, empresas y cifras no describen mercados ni organizaciones reales. - Las pautas sobre IA son elaboración propia de Academy. No constituyen un procedimiento NIST ni sustituyen una evaluación de riesgos de tu organización. Intelligence Lab · L04 ## Registro de señales ¿Lo aplicas? Abre el Registro de señales en el Lab y separa observación, fuente e interpretación en tu registro. Salida: registro de señales. Funciona en el navegador, sin servidor, sin cuenta y sin IA conectada. El resultado puede necesitar revisión y adaptación a tu caso. - [Abrir la herramienta](https://academy.innguma.com/lab/registro-de-senales/) - [Volver al itinerario](https://academy.innguma.com/ia-aplicada-a-la-inteligencia/) **Llévate** - [R09 · Diccionario de clasificación](https://academy.innguma.com/biblioteca/diccionario-de-clasificacion/) - [R06 · Registro de señales y evidencias](https://academy.innguma.com/biblioteca/registro-de-senales-y-evidencias/) Lectura abierta, sin registro.