LA RESPUESTA CORTA
Una taxonomía sirve primero a las decisiones de negocio y después a la IA. Cada dimensión necesita un nombre, una definición, criterios de inclusión y exclusión, ejemplos, contraejemplos y la posibilidad de indicar un valor desconocido. Utilice un tema principal y etiquetas secundarias opcionales; mantenga separados el formato, el mercado, el idioma, la función del contenido y el riesgo para que una sola etiqueta no exprese varias cosas. Haga que dos personas clasifiquen de forma independiente 50 muestras, resuelva las discrepancias y después evalúe la IA. El modelo debe devolver un valor desconocido en lugar de adivinar.
Partir de preguntas reales de búsqueda y elaboración de informes
Recopila solicitudes habituales como «creadores del Reino Unido que hagan tutoriales para pieles sensibles» o «creadores de contenido explicativo B2B que puedan conceder licencias de sus materiales». Divide cada condición en dimensiones independientes.
Si una etiqueta no puede influir en la búsqueda, la agrupación, el contacto o los informes, puede que no merezca la pena mantenerla. Evita decenas de campos sin uso.
Mantén las categorías principales mutuamente excluyentes y las etiquetas flexibles
Las temáticas principales sirven de base para los informes y, en su mayoría, deben ser excluyentes; los formatos y las temáticas secundarias pueden admitir selección múltiple. Cuando cambie la orientación, guarda la fecha de entrada en vigor en lugar de sobrescribir el historial.
«Creador de belleza» y «creador de vídeos cortos» pertenecen a dimensiones distintas y no deben competir dentro de una misma jerarquía.
Redacta contraejemplos para cada etiqueta
Los ejemplos muestran qué se incluye; los contraejemplos revelan los límites. Una reseña va más allá de abrir un paquete y mostrar únicamente el embalaje, y un tutorial necesita pasos que el espectador pueda seguir.
La consistencia solo resulta significativa cuando los límites están claros. Los nombres de las etiquetas por sí solos invitan al modelo a ampliar su significado a partir de suposiciones generales.
Mida continuamente las discrepancias de clasificación
Revisa mensualmente una muestra de registros nuevos y compara la IA con las personas, y a las personas entre sí. Clasifica los desacuerdos como definición poco clara, contenido insuficiente, error del modelo o ambigüedad real.
El NIST AI RMF hace hincapié en la gobernanza, la medición y la gestión continuas. Guarda la versión de la taxonomía y los cambios manuales en QuickKOL para que los resultados de búsqueda sigan siendo trazables.
Una taxonomía necesita versiones, definiciones y contraejemplos
La clasificación mediante IA puede encasillar a un creador en una única etiqueta permanente. Separe la temática del contenido, el formato, el problema de la audiencia, la función comercial y el estado de riesgo. Asigne a cada campo una definición, un ejemplo positivo, un contraejemplo, un periodo de evidencia y un nivel de confianza. La estructura Govern, Map, Measure y Manage de NIST AI RMF destaca el contexto de uso, la medición y la gestión continua del riesgo; la taxonomía también necesita una persona responsable y un ciclo de revisión.
Haga que dos personas etiqueten de forma independiente una muestra de 40 de las 200 cuentas. Si coinciden en 32 etiquetas de «tutorial» y discrepan en ocho, el acuerdo simple es del 80%. Revise las definiciones y los casos límite antes de ampliar la automatización. No utilice el número de seguidores para suplir la falta de evidencia temática ni permita que las etiquetas generadas sobrescriban los campos confirmados por una persona.
Niveles de la taxonomía de creadores
Cada capa responde a un tipo de pregunta.
| Capa | Ejemplo | Periodo de recopilación de evidencias |
|---|---|---|
| Tema | Cuidado de la piel, productividad, viajes | 20 publicaciones recientes |
| Formato | Tutorial, directo, reseña | Muestra comparable |
| Problema de la audiencia | Cómo elegir / usar | Comentarios y búsqueda |
| Función comercial | Educación, conversión, creatividad | Registro de colaboración |
LISTA DE VERIFICACIÓN
Antes de implementar una taxonomía de IA
Diez comprobaciones permiten que la clasificación siga siendo explicable y fácil de mantener.
- Cada etiqueta tiene una definición clara en una línea
- Se guardan ejemplos positivos y negativos
- Las reglas de etiquetado múltiple y exclusividad están claras
- El periodo de recopilación de evidencias y la muestra mínima están definidos
- Se permiten los valores desconocido e indeterminado
- Al menos 40 registros reciben doble etiquetado
- Los desacuerdos sirven para actualizar las reglas
- La salida del modelo no puede sobrescribir hechos confirmados
- Se registran la versión, la persona responsable y la fecha
- Existen un ciclo de revisión y un procedimiento de reversión
Fuentes y lecturas adicionales
Las páginas externas pueden cambiar. Revisa nuevamente las reglas de la plataforma, los contratos y la legislación local antes del lanzamiento.