Del mismo modo que una imagen médica puede ser marcada por dos personas para indicar anomalías, o un texto legal puede ser clasificado por dos personas, las etiquetas enviadas pueden estar organizadas y ser legibles para el entrenamiento del modelo. Pero si la tarea requiere juicio profesional, la cualificación del anotador no puede basarse únicamente en una frase en su perfil que diga “soy experto”. @primus_labs propone, en aplicaciones de calidad de datos, utilizar pruebas de datos zkTLS para verificar la cualificación de anotadores profesionales en campos como la medicina o el derecho, por ejemplo, confirmar si poseen la identidad profesional correspondiente. Esta idea aborda una etapa muy temprana del entrenamiento de IA: antes incluso de discutir si el modelo aprende bien, se asegura que las personas que proporcionan las decisiones cumplan con los requisitos de la tarea. La verificación de cualificaciones no garantiza que cada etiqueta de una persona sea correcta; aún se necesitarán muestreos, revisiones y correcciones posteriores. Pero si la cualificación depende únicamente de autoafirmaciones, el control de calidad carece desde el inicio de un fundamento sólido. Actualmente, esto sigue siendo un escenario descrito en documentación oficial. Espero ver en el futuro formas más concretas de implementación: cómo verificar la cualificación, cómo proteger los datos personales del anotador sin exponerlos por completo, y cómo rastrear etiquetas erróneas una vez detectadas. La IA debe aprender a juzgar, y quienes la entrenan también deben ser verificables. #PrimusLabs #AIData @KaitoAI