Verificación manual de datos: cómo revisar y limpiar datos con personas

RapidWorkers Team19 oct 2026 • 13 min de lectura
Verificación manual de datos: cómo revisar y limpiar datos con personas

En 2021, investigadores del MIT auditaron los conjuntos de prueba de diez de los datasets de machine learning más utilizados, entre ellos ImageNet, y encontraron una tasa media de errores de etiquetado de al menos el 3.3%. En el conjunto de validación de ImageNet, alrededor del 6% de las etiquetas eran incorrectas: 2,916 imágenes. Lo más interesante es cómo encontraron esos errores. Un algoritmo marcó los ejemplos sospechosos y las personas tomaron la decisión final. Cada etiqueta dudosa se mostró a cinco trabajadores de Mechanical Turk, y un error solo se daba por confirmado según sus votos. De todo lo que el algoritmo marcó como mal etiquetado, las personas confirmaron aproximadamente la mitad.

Así funciona la verificación manual de datos en la práctica: la automatización acota el terreno y una persona toma la decisión. A continuación veremos qué datos vale la pena enviar a revisores humanos, cómo redactar las reglas de verificación, cuántos revisores necesita cada registro, cómo saber si los propios revisores aciertan y cuánto cuesta todo.

En qué se diferencia la verificación manual de la validación con scripts

La validación automática comprueba la forma de los datos: si hay un valor en el campo, si el email parece un email, si el precio está dentro del rango permitido. La verificación manual responde a otra pregunta: ¿el registro se corresponde con la realidad? Una dirección puede tener un formato perfecto aunque la cafetería de esa dirección cerrara hace un año. La etiqueta "gato" puede estar en la columna correcta mientras la foto muestra un perro.


Validación con scripts

Verificación humana

Qué detecta

Campos vacíos, formatos incorrectos, duplicados, valores atípicos

Etiquetas incorrectas, información desactualizada, texto que no coincide con la imagen

En qué se basa

Reglas y el esquema de datos

Una fuente: un sitio web, una imagen, un mapa, un lugar en la calle

Velocidad y coste

Millones de filas en minutos, casi gratis

Decenas de registros por hora por persona, pago por tarea

Punto débil

No sabe nada de lo que hay fuera de la tabla

Se cansa, interpreta a su manera las reglas poco claras

Así que la pregunta no es cuál elegir, sino en qué orden. Primero, un script elimina todo lo que una regla puede detectar, para que las personas no pierdan tiempo con filas vacías y formatos rotos. A las personas les llega lo que hay que contrastar con el mundo real.

Qué datos vale la pena verificar manualmente

Los datos de mala calidad salen caros: Gartner calcula que cuestan a las organizaciones una media de $12.9 millones al año. Pero no tiene sentido revisarlo todo a mano. Las personas hacen falta allí donde no se puede deducir si un registro es correcto a partir del propio registro. Lo más habitual es que se trate de cinco tipos de datos:

  1. Etiquetas para entrenar IA. ¿La etiqueta coincide con lo que hay en la imagen, el texto o la grabación? Es el caso de uso más común: conviene que otras personas vuelvan a revisar una parte de las etiquetas procedentes de cualquier fuente.
  2. Catálogos de productos extraídos por scraping. ¿El título coincide con la foto, el precio con el precio del sitio, la categoría con el producto? Los scrapers suelen capturar un bloque vecino o una versión antigua de la página.
  3. Fichas de negocios. ¿Existe el negocio, está abierto ahora mismo, coinciden el nombre, la dirección y el horario? Para directorios y servicios de reparto, esta es la principal fuente de quejas.
  4. Datos web. ¿Funciona el enlace y la página contiene realmente la información guardada en tu base de datos? Un script ve un código de estado 200, pero no que el dominio se vendió hace tiempo y ahora muestra una página aparcada.
  5. Comprobaciones in situ. Una persona en la ciudad adecuada va a un lugar público y envía una foto: ¿está la tienda ahí, está el producto en el estante, está puesto el letrero? Esto requiere segmentación geográfica; si no, la tarea la harán personas de otros países.
Nota: la verificación manual sirve para información pública sobre negocios, productos y lugares, y para tus propios datasets sin datos personales. Investigar a particulares (buscarlos, llamarlos o visitarlos) no está permitido mediante microtareas.

Cómo redactar una tarea de verificación de datos

Muchos errores de los revisores no se deben a descuidos, sino a ideas distintas de lo que significa "correcto". Si el precio en el sitio es $19.99 y la base de datos dice $20, una persona lo marcará como "correcto" y otra como "incorrecto". Las dos tienen su parte de razón. Por eso una buena tarea se construye a partir de seis partes:

  1. Un lote pequeño y numerado. De 5 a 15 registros por tarea. Menos no compensa ni a ti ni al trabajador; más, y la atención decae hacia el final.
  2. Una fuente con la que comparar. Con qué exactamente hay que contrastar el registro: la página del producto en el enlace, la propia imagen, un mapa, el sitio web oficial de la empresa. "Busca en internet" da como resultado diez fuentes distintas y diez respuestas distintas.
  3. Tres estados con definiciones. "Verificado", "Incorrecto" y "Dudoso", cada uno con una regla escrita sobre cuándo usarlo. Sin un tercer estado, la gente adivina, y esas conjeturas son imposibles de distinguir de las respuestas seguras.
  4. Casos límite. ¿Una diferencia de precio inferior al 1% sigue siendo "verificado"? ¿Un nombre en alfabeto latino en lugar de cirílico? ¿Una tienda cerrada por reformas? Decídelo de antemano y déjalo por escrito.
  5. Una nota o prueba para cada error. En pocas palabras: qué no coincidía y dónde se ve (un enlace, una captura de pantalla, una foto). Las notas agilizan mucho tu revisión.
  6. Un formato de respuesta. Una línea por registro: número, estado, nota. Así es fácil unir las respuestas de distintas personas en una sola tabla.

Ejemplo de tarea: "A continuación hay 10 productos con enlaces. Abre cada enlace y compara el título, el precio y la foto con los datos de la tabla. VERIFICADO: todo coincide y el precio difiere menos de un 1%. INCORRECTO: al menos un campo no coincide; indica cuál. DUDOSO: la página no carga o el producto está agotado. Responde con una línea por producto en el formato 'número — estado — nota'."

Consejo: antes del lanzamiento, revisa tú mismo un lote y cronométralo. Detectarás enseguida los casos límite que las reglas no cubren y sabrás cuál es una recompensa justa por tarea.

Cuántos revisores necesita cada registro

Una sola persona sale más barata, pero sus errores pasan desapercibidos. Cuando dos o más personas revisan el mismo registro de forma independiente, los desacuerdos te muestran dónde están los problemas. Así trabajaron precisamente los investigadores del MIT: cinco votos por cada etiqueta dudosa y errores confirmados por mayoría. Cuántas personas necesitas depende de lo que te cueste un error (práctica habitual, no reglas estrictas):

Situación

Revisores por registro

Qué hacer con los desacuerdos

Datos de referencia internos, los errores salen baratos

1 + revisión por muestreo del 10%

Revisa tú solo los errores marcados

Catálogo de cara al cliente, datos de entrenamiento

2

Si hay desacuerdo: un tercer voto o tu propia revisión

Conjunto de prueba para evaluar modelos

3–5

Decide por mayoría; analiza aparte los registros en disputa

Comprobación in situ con foto

1

La foto es la prueba; rara vez hace falta una segunda visita

Trata el conjunto de prueba con especial cuidado. Es con lo que juzgas la calidad de tu modelo, y los mismos investigadores demostraron que, al corregir los errores del conjunto de prueba, la clasificación de los modelos puede cambiar. Ahí, tres revisores por registro casi siempre compensan. Explicamos con más detalle cómo integrar estas comprobaciones en un flujo de trabajo en nuestro artículo sobre IA con human-in-the-loop.

Cómo saber si los revisores aciertan

La verificación manual también produce errores, y hay que medirlos en lugar de esperar que todo salga bien. Hay tres herramientas para ello, y funcionan mejor combinadas.

Registros de control. Añade a cada lote 1–2 registros con una respuesta conocida, incluidos algunos deliberadamente incorrectos. Si alguien marca un error plantado como "verificado", lo más probable es que haya puesto los estados sin mirar. Rechaza esos lotes por completo.

Concordancia entre revisores. Cuando dos personas revisan un registro, controla con qué frecuencia coinciden. Una concordancia baja en todo el conjunto suele indicar que las reglas son poco claras, no que las personas lo hagan mal. Una concordancia baja entre una persona concreta y todas las demás es motivo para volver a revisar su trabajo.

Revisión por muestreo. Revisa tú mismo algunos lotes. Así conocerás la precisión real de la verificación, no una impresión. Para más prácticas de control de calidad, consulta nuestro artículo sobre cómo gestionar el trabajo de los microtrabajadores.

Advertencia: no rechaces un trabajo solo porque alguien no estuvo de acuerdo con la mayoría. A veces es precisamente esa persona la que tiene razón, sobre todo si adjuntó una captura de pantalla. Rechaza por registros de control fallidos y formato incorrecto, y da siempre un motivo concreto.

Primero el algoritmo, luego la persona: cómo no verificar de más

Con cientos de miles de registros, incluso una verificación barata de cada uno acaba sumando. Un flujo de trabajo que funciona es así:

  1. Un script elimina duplicados, campos vacíos y formatos rotos.
  2. Un algoritmo marca los registros sospechosos. Para etiquetas, puede ser la librería de código abierto cleanlab, basada en el método de ese mismo estudio del MIT. Para un catálogo, es un precio que difiere mucho del de productos similares.
  3. Las personas revisan los registros marcados y una muestra aleatoria del resto.
  4. La muestra aleatoria te dice cuántos errores se le escaparon al algoritmo.

El paso 3 importa más de lo que parece. El algoritmo se equivoca en ambas direcciones: en el estudio del MIT, las personas solo confirmaron aproximadamente la mitad de sus sospechas. Si eliminas automáticamente todo lo que marca, perderás, junto con los errores, ejemplos difíciles pero correctos, y son justo los que tu modelo necesita.

Qué no enviar a microtareas

La verificación manual mediante crowdsourcing tiene límites claros:

  1. Datos personales y confidenciales. Bases de datos de clientes, contactos de particulares, documentos internos. Elimina todo lo personal antes de subirlos, o no subas esos datos en absoluto.
  2. Decisiones que requieren a un profesional. Si un diagnóstico médico, una clasificación jurídica o una especificación técnica es correcta debe juzgarlo un especialista.
  3. Decisiones en fracciones de segundo. Moderación en tiempo real o verificación de pagos en el checkout. Las microtareas tardan horas, no milisegundos.
  4. Investigar a personas. Localizar, llamar o fotografiar a un particular no está permitido bajo ningún pretexto. Las comprobaciones in situ se hacen solo en lugares públicos.

Comprobaciones in situ: cuando necesitas a una persona en una ciudad concreta

A veces no hay ninguna fuente fiable en internet. La ficha del mapa dice "abierto", el sitio web de la empresa no se actualiza desde el año pasado y las reseñas se contradicen. En esos casos, la única comprobación fiable es una persona que haya ido al lugar y lo haya fotografiado.

Tareas típicas: si un punto de venta de la lista de un distribuidor sigue funcionando, si tu producto está en el estante, si el letrero coincide con el nombre del catálogo, si hay una entrada en la dirección indicada. Estas tareas tienen sus propias reglas:

  1. Una ubicación, una tarea. Llegar lleva más tiempo que la propia comprobación, así que aquí la recompensa es varias veces mayor que en una comprobación online.
  2. Una foto como prueba. En el encuadre debe aparecer el letrero u otro rasgo reconocible del lugar, no solo una pared o un estante.
  3. Sin primeros planos de personas. La foto es del lugar, no del personal ni de los clientes.
  4. Solo lugares públicos. Tiendas, calles, entradas de edificios. No está permitido entrar en zonas restringidas ni hacer fotos donde esté prohibido.

Verificación manual de datos en RapidWorkers: proceso y coste

En RapidWorkers, la verificación de datos funciona como una campaña de microtareas normal. Subes un lote de 5–15 filas, describes las reglas y los estados, y eliges los países y la recompensa. En la plataforma hay más de 195,000 trabajadores registrados de más de 200 países, así que incluso para una comprobación in situ en una ciudad concreta suele haber gente cerca. Un trabajador hace un envío con una respuesta por lote, y tú lo apruebas o lo rechazas. Los formatos y las opciones de autoservicio y de servicio totalmente gestionado se describen en la página de verificación manual de datos.

El empleador fija la recompensa por tarea, y se añade una comisión de la plataforma del 15%. El depósito mínimo es de $20 con tarjeta o criptomonedas, y la campaña mínima es de $0.30. El trabajo rechazado no se paga, y si terminas una campaña antes de tiempo, el presupuesto no utilizado vuelve a tu saldo (puede aplicarse una comisión de cancelación de $0.20). Aquí tienes un cálculo de ejemplo con recompensas orientativas para verificar 1,000 registros en lotes de 10:

Qué verificas

Tareas y recompensa

Tareas

Comisión del 15%

Total

Piloto: 100 registros, online

10 × $0.30

$3.00

$0.45

$3.45

1,000 registros, un revisor

100 × $0.30

$30.00

$4.50

$34.50

1,000 registros, doble revisión

200 × $0.30

$60.00

$9.00

$69.00

50 ubicaciones, comprobación in situ

50 × $1.00

$50.00

$7.50

$57.50

Una doble revisión cuesta el doble, pero a menudo se paga sola: dejas de revisar tú cada registro y solo resuelves los desacuerdos. Y si la recompensa es demasiado baja para la cantidad de trabajo, la gente empieza a poner los estados sin mirar, y el ahorro se convierte en trabajo rehecho.

Preguntas frecuentes sobre la verificación manual de datos

¿Qué es la verificación manual de datos?

Es la comprobación de registros frente a una fuente o el mundo real, hecha por una persona: si la etiqueta coincide con la imagen, el precio con el sitio web, la dirección con un negocio en funcionamiento. Complementa la validación automática, que solo comprueba el formato y que los datos estén completos.

¿Cómo verificar datos manualmente sin dedicarle semanas?

Primero, usa un script para eliminar los errores formales. Después, divide lo que queda en lotes de 5–15 registros y repártelos entre distintas personas con reglas claras. Cien personas trabajando en paralelo revisarán en unas horas lo que a un empleado le llevaría semanas.

¿Cuántas personas deberían verificar cada registro?

Para la mayoría de las tareas basta con un revisor más una revisión por muestreo. Para datos que verán tus clientes o con los que se entrenará un modelo, usa dos. Para un conjunto de prueba, usa tres o más y decide por mayoría.

¿Se puede confiar en la validación de datos por personas que no conoces?

Sí, siempre que esa confianza se mida. Los registros de control con respuestas conocidas, la comparación de respuestas entre revisores y las revisiones por muestreo te muestran la precisión real. El trabajo solo pasa al archivo limpio después de que lo apruebes.

¿Cuánto cuesta la verificación manual de datos?

En RapidWorkers, tú fijas la recompensa por tarea, más una comisión del 15%. En el ejemplo anterior, verificar 1,000 registros en lotes de 10 a $0.30 cuesta $34.50, y una doble revisión del mismo volumen cuesta $69. Las comprobaciones in situ cuestan más porque la persona tiene que desplazarse hasta el lugar.

Qué hace que la verificación manual de datos sea útil y no cara

La verificación manual compensa allí donde un script no puede hacer nada: etiquetas, catálogos, fichas de negocios, enlaces y lugares reales. Los resultados dependen de cuatro cosas: la automatización filtra primero los errores formales, cada estado tiene una definición, el número de revisores se ajusta al coste de un error y la precisión de los propios revisores se mide con registros de control. Empieza con un piloto de 100 registros: sacará a la luz los puntos débiles de tus reglas antes de que pagues por miles.

Si necesitas verificar un dataset, un catálogo o una lista de ubicaciones en países concretos, lanza una campaña piloto en RapidWorkers. Explicamos el proceso general de recopilación de datos para IA en nuestra guía de recopilación de datos de entrenamiento para IA.

¿Listo para empezar?

Únete a miles de trabajadores y empleadores que ya usan RapidWorkers para completar tareas rápido.

  • Sin suscripción
  • Cancela cuando quieras
  • Disponible 24/7
  • Resolución de disputas