y aumento de variedad. Una tercera es invertir en investigación para aprender con menos ejemplos: técnicas de transfer learning, meta-learning, aprendizaje por refuerzo y otras modalidades que reducen la dependencia de volúmenes masivos de datos.
En definitiva, la inminente escasez de datos de calidad para entrenar modelos de inteligencia artificial plantea un desafío clave para el futuro de la IA. Mientras algunos países como China apuestan por crear una infraestructura nacional para producir, certificar y organizar datos de alta calidad, el resto del mundo deberá buscar alternativas creativas y eficientes para garantizar el avance de esta tecnología vital en numerosos ámbitos de la sociedad. La carrera por el “combustible” de la IA está en marcha, y cada decisión estratégica cuenta en un campo tan competitivo y decisivo como este.
