Diseñar una guía de etiquetado humano de datos
Preparar reglas y una revisión humana de etiquetas antes de usar datos para entrenar o evaluar IA.Ir a la descarga
Ficha elaborada por peopleofthe.ai con asistencia de IA. Consulta el criterio editorial y los límites de las pruebas.
- Documentación revisada
- Entorno compatible
- Descarga disponible
Qué significan los indicadores
- Documentación revisada
- Procedencia y requisitos contrastados con la fuente. El recurso puede no haberse ejecutado.
- Prueba puntual
- Hay un ensayo concreto con alcance y límites en la ficha; no acredita todos los usos.
- Prompt para adaptar
- Aporta el contexto y el material necesario en un asistente compatible y revisa su respuesta.
- Entorno compatible
- Skills y agentes necesitan un entorno compatible. Consulta herramientas, permisos y requisitos: descargar no los instala.
- Descarga disponible
- La ficha ofrece un paquete con el recurso y su procedencia. Los modelos y servicios que utilice pueden tener costes propios.
- Consulta en origen
- Accede a la fuente original desde la ficha; no se ofrece un paquete local.
Ver revisión y límites del recurso
Skill para definir etiquetas, ejemplos, abstenciones y revisión de desacuerdos en datos de trabajo antes de preparar un conjunto para IA.
Carpeta completa y licencia revisadas documentalmente; SHA256 y Git blob cotejados con revisión fija. ZIP reproducible y bytes comprobados. Sin instalar ni ejecutar el recurso. Referencias externas enlazadas no revalidadas.
Antes de empezar
Comprueba que tienes lo necesario para usar este recurso.
- Definir la tarea posterior, población, unidad que se etiqueta, categorías, combinaciones permitidas y casos ambiguos. Usar datos ficticios o autorizados; una ausencia de evidencia debe poder quedar como desconocido.
- La guía y sus ejemplos requieren un responsable de dominio. Separar datos de entrenamiento, validación, evaluación reservada y casos difíciles antes de muestrear; conservar versión y decisiones de revisión.
- El acuerdo entre revisores no prueba que una etiqueta sea verdadera. Mantener desacuerdos y abstenciones; revisar el posible sesgo de mostrar una respuesta sugerida por IA y distinguir muestra representativa de selección dirigida.
- La skill documenta derechos, confidencialidad, acceso, conservación y borrado; no los concede ni incorpora personas, plataforma de anotación, datos o entrenamiento. Estadística, cálculo de muestra, remuneración y condiciones laborales requieren responsables competentes.
- El programa humano puede consumir tiempo de revisión y remuneración, además del posible coste del modelo o plataforma. No hay umbral universal de calidad ni mejora de un modelo demostrada por esta descarga.
- Originales Markdown en inglés. Leer source/training-data-annotation/SKILL.md y los archivos de su carpeta; pedir el borrador en español con datos ficticios o autorizados. Las referencias a skills vecinas no se incluyen y no se resuelven como instalación completa. El alcance de esta ficha es preparación documental; no se instala un agente ni se realizan acciones externas.
- Descarga gratuita bajo MIT. El asistente, modelo, acceso a fuentes y herramientas elegidos pueden requerir cuenta, permisos, cuota o pago. No se ha ensayado una ejecución gratuita ni la instalación o compatibilidad nativa.
Compatibilidad declarada
Según la documentación de origen. La presencia en esta lista no implica una prueba de ejecución en cada entorno.
Una forma de empezar
EJEMPLO ILUSTRATIVOUna solicitud para adaptar a tu contexto y usar con el recurso.
Ejemplo ficticio: soporte quiere etiquetar mensajes sintéticos como consulta, incidencia o solicitud de cambio para evaluar un futuro clasificador. Un mensaje contiene dos intenciones y otro no ofrece suficiente contexto.
Preparar una guía con unidad mensaje, reglas para etiquetas múltiples, evidencia mínima y abstención por información insuficiente. Conservar las dos decisiones iniciales cuando haya desacuerdo, pedir adjudicación al responsable y registrar la versión de la regla. Separar una muestra de revisión reservada; no presentar el acuerdo entre dos personas como exactitud del futuro modelo.
Ejemplo editorial ficticio e ilustrativo, redactado para explicar el alcance. No procede de ejecutar la skill ni acredita eficacia, compatibilidad o resultado comercial. Este ejemplo no es una salida observada de una prueba del recurso.
La fuente, a la vista
- Recurso original
- training-data-annotation
- Autor
- Magnus Hedemark y contribuidores de magnus919/agent-skills
- Versión o revisión
- bf2d2423043715515df309eea8f7c2565a1eee3b
- Licencia
- MIT
Licencia MIT raíz leída íntegramente; Copyright (c) 2026 Magnus Hedemark. Conservar copyright, permiso y exención de garantía. No hay licencia local o NOTICE aplicable en la carpeta. El ZIP conserva todos sus originales y la licencia, con notas editoriales separadas. La licencia no se extiende a los textos, marcas o servicios de terceros enlazados; no se incluyen esos textos externos ni se certifica autoría independiente de cada contribución.
Ver fuente original