Blog
Documentos, privacidad y datos para entrenar modelos
Lo que aprendimos construyendo la cadena de PDF a dataset sin servidor, con las fuentes a la vista. Sin humo y sin listas de «10 trucos».
Lo último
Todos los artículos
- datasetsevaluaciónmachine learning
Los cuatro errores que arruinan un dataset hecho con tus documentos
Duplicados, contaminación, fuga por troceado y datos personales: cuatro errores documentados, cómo arreglarlos y por qué el tercero engaña a tu métrica.
11 min de lectura - privacidadseguridadcomparativas
¿Qué le pasa a tu PDF cuando lo subes a una web gratuita?
Qué dicen las políticas públicas de las webs de PDF más usadas sobre cuánto guardan tu archivo, y cómo comprobar tú mismo si una herramienta lo sube.
8 min de lectura - anonimizaciónChatGPTClaude
Anonimizar un documento antes de pegarlo en ChatGPT o Claude
Cómo sustituir cédulas, nombres y teléfonos por marcadores consistentes, consultar a la IA con el texto anónimo y recuperar los datos reales en la respuesta.
7 min de lectura - MCPagentesClaude Code
Darle a tu agente de IA acceso a tus PDF sin subirlos: MCP local
Qué es un servidor MCP, por qué uno local deja a Claude Code o Cursor trabajar con documentos confidenciales y cómo instalarlo en una línea.
9 min de lectura - fine-tuningJSONLTRL
Formatos de dataset para afinar un modelo: chat, Alpaca, ShareGPT y cuál te toca
Los nombres de campo que espera cada entrenador, verificados contra su documentación oficial, y los detalles que rompen un archivo sin decir por qué.
10 min de lectura
¿Vienes por los datasets?
La página del nicho reúne la cadena completa: de una carpeta de PDF a un JSONL auditado, sin subir nada.
Cada artículo tiene versión en Markdown para agentes y modelos: /llms.txt