Glosario

Glosario de Curación de datos.

Una vista organizada por bloques para entender marcos, procesos, riesgo, salud, turismo, fiscalidad, IA y formatos de salida sin perder contexto operativo.

01

Marcos normativos e interoperabilidad documental

Términos base para trabajar con documentación jurídica, legislativa o probatoria de forma interoperable, verificable y trazable.

14

eIDAS

Reglamento europeo de identificación electrónica y servicios de confianza. Aporta el marco para firmas electrónicas, sellos y marcas de tiempo, especialmente útil para validez y autenticidad documental.

ELI

European Legislation Identifier. Identificador europeo para legislación, pensado para localizar leyes de forma uniforme, estable y enlazable.

ECLI

European Case Law Identifier. Permite identificar de forma única jurisprudencia y resoluciones judiciales.

Akoma Ntoso

Estándar XML para estructurar documentos jurídicos, parlamentarios y legislativos de manera legible por máquina e interoperable.

PROV

Modelo W3C para provenance o trazabilidad de datos: quién creó un dato, cuándo, cómo y a partir de qué derivaciones o fuentes.

DCAT

Data Catalog Vocabulary del W3C para describir catálogos de datos y facilitar su descubrimiento entre portales interoperables.

schema.org

Vocabulario compartido para marcar contenido web con datos estructurados comprensibles por motores de búsqueda y agentes automáticos.

JSON-LD

Formato basado en JSON para publicar datos enlazados; la vía más habitual de incrustar schema.org en páginas web.

RDF

Modelo de datos del W3C basado en tripletas sujeto-predicado-objeto, base de la web semántica y los datos enlazados.

OWL

Lenguaje de ontologías del W3C para modelar conocimiento con clases, propiedades y restricciones formales.

SPARQL

Lenguaje de consulta estándar para recuperar y manipular datos expresados en RDF.

DOI

Identificador persistente para recursos digitales, ampliamente usado en publicaciones científicas y datasets.

URI / URN

Identificadores uniformes para localizar o nombrar recursos de forma estable dentro y fuera de la web.

ISO 27001

Estándar internacional para sistemas de gestión de seguridad de la información, referencia en controles y auditoría.

02

Capas de procesamiento en curación documental

Bloque orientado a explicar qué hace realmente una curaduría sobre documentos legales o mixtos antes de convertirlos en un activo reusable.

20

Extracción estructurada

Sacar datos concretos de documentos y convertirlos en campos reutilizables, por ejemplo título, fecha, órgano, número de expediente o identificador.

Validación y QA

Comprobar que los datos extraídos son correctos, completos y coherentes. QA equivale a control de calidad.

Normalización semántica

Unificar significados y formatos para que conceptos equivalentes se representen igual según un vocabulario o criterio controlado.

Clasificación

Asignar una categoría al contenido, por ejemplo ley, sentencia, contrato, correo, informe, factura o reserva.

Identificación de entidades

Detectar nombres propios y elementos clave como personas, juzgados, leyes, fechas, empresas o referencias normativas.

Seudonimización

Sustituir datos personales por identificadores o alias para proteger la privacidad sin perder utilidad analítica u operativa.

Anonimización

Eliminación irreversible de toda posibilidad de reidentificar a una persona a partir de un dato o conjunto de datos.

OCR

Reconocimiento óptico de caracteres: convierte imágenes o PDFs escaneados en texto legible y procesable por máquina.

NER

Named Entity Recognition. Técnica de PLN para detectar entidades nombradas como personas, lugares u organizaciones dentro de un texto.

PLN / NLP

Procesamiento de Lenguaje Natural: conjunto de técnicas para que las máquinas comprendan, interpreten y generen lenguaje humano.

Tokenización

Dividir un texto en unidades mínimas (tokens) para que un modelo pueda procesarlo. Paso previo a cualquier análisis lingüístico o entrenamiento.

Chunking

Fragmentar documentos largos en trozos coherentes para indexarlos, recuperarlos o alimentar modelos con contexto acotado.

Deduplicación

Detectar y eliminar registros o documentos repetidos para evitar sesgos y ruido en el dataset final.

Limpieza de datos

Corrección de errores, formatos inconsistentes, valores faltantes y ruido antes de usar el dato en un proceso downstream.

Enriquecimiento

Añadir información adicional al dato original para aumentar su valor analítico: metadatos, geolocalización, referencias cruzadas.

Etiquetado / Labeling

Proceso manual o semiautomático de asignar etiquetas a ejemplos para entrenar modelos supervisados.

Taxonomía

Clasificación jerárquica de conceptos dentro de un dominio concreto.

Ontología

Representación formal de un dominio con conceptos, relaciones y reglas, más expresiva que una taxonomía.

Ground truth

Datos de referencia considerados verdaderos que se usan para entrenar, validar o medir un modelo.

Golden record

Versión única y consolidada de un dato que actúa como fuente de verdad entre múltiples sistemas.

03

Dimensiones y controles de calidad del dato

Criterios objetivos para medir si un dataset está listo para producción, entrenamiento o entrega.

9

Completitud

Grado en el que están presentes todos los valores esperados en los campos obligatorios de un registro.

Exactitud

Proximidad entre el valor registrado y el valor real del mundo que representa.

Consistencia

Ausencia de contradicciones entre los mismos datos cuando aparecen en distintos lugares del sistema.

Unicidad

No existen duplicados no deseados: cada entidad tiene una sola representación en el dataset.

Actualidad

El dato refleja el estado actual del mundo, dentro del intervalo temporal que requiere el caso de uso.

Integridad referencial

Las relaciones entre entidades son coherentes: ningún vínculo apunta a registros inexistentes.

Outlier

Valor que se desvía notablemente del resto y puede indicar error, caso extremo o fraude.

Data profiling

Análisis estadístico y estructural de un conjunto de datos para entender su calidad, distribución y anomalías.

Reglas de calidad

Condiciones explícitas que un dato debe cumplir; cuando fallan, el registro se marca, corrige o rechaza.

04

Gobernanza previa al tratamiento o compartición

Matriz práctica para decidir cómo tratar una muestra o dataset antes de compartirlo, procesarlo o abrirlo a terceros.

15

RGPD / GDPR

Reglamento General de Protección de Datos europeo. Marco de referencia para cualquier tratamiento de datos personales en la UE.

LOPDGDD

Ley Orgánica española de Protección de Datos y Garantía de los Derechos Digitales, que adapta y complementa el RGPD en España.

EIPD / DPIA

Evaluación de Impacto en la Protección de Datos: análisis obligatorio cuando un tratamiento entraña alto riesgo para los derechos de las personas.

Datos personales

Información vinculada a una persona identificada o identificable, por lo que aplica el RGPD.

Categorías especiales

Datos de especial sensibilidad (salud, biométricos, ideología, etc.) que requieren controles reforzados.

Minimización

Principio de tratar solo los datos estrictamente necesarios para la finalidad declarada.

Trazabilidad

Capacidad de reconstruir quién accedió, qué cambió y cuándo, tanto por control interno como por cumplimiento.

NDA

Acuerdo de confidencialidad que limita uso y divulgación de muestras sensibles o no suficientemente anonimizadas.

Responsable del tratamiento

Persona física o jurídica que decide los fines y medios del tratamiento de datos personales.

Encargado del tratamiento

Tercero que trata datos personales por cuenta del responsable, regulado mediante contrato de encargo.

Consentimiento

Base jurídica libre, específica, informada e inequívoca para tratar datos personales.

Derecho al olvido

Derecho a obtener del responsable la supresión de los datos personales cuando concurren determinadas circunstancias.

Transferencias internacionales

Movimientos de datos personales fuera del EEE, sujetos a garantías y mecanismos específicos.

Cifrado en reposo

Protección criptográfica de los datos mientras están almacenados en disco o base de datos.

Cifrado en tránsito

Protección criptográfica de los datos mientras viajan por la red, típicamente mediante TLS.

05

Alojamiento, reservas y obligación documental

Términos frecuentes cuando el proyecto afecta a hospitalidad, alojamiento, reservas o integraciones normativas del sector turístico.

9

RD 933/2021

Marco normativo español que regula obligaciones de registro documental e información en hospedaje y alquiler de vehículos sin conductor, con exigencias de conservación concretas.

SES.Hospedajes

Plataforma del Ministerio del Interior para el registro y comunicación de datos de huéspedes exigidos por el RD 933/2021.

LodgingReservation

Tipo de schema.org para describir una reserva de alojamiento en la capa web, útil para buscadores y sistemas conectados.

OpenTravel

Modelo orientado a la industria turística y a la interoperabilidad entre sistemas de reservas, establecimientos y operadores.

PMS

Property Management System. Software central de un alojamiento para gestionar reservas, disponibilidad, check-in y facturación.

Channel Manager

Herramienta que sincroniza disponibilidad y precios del PMS con múltiples canales de venta online.

OTA

Online Travel Agency. Plataforma intermediaria que comercializa alojamiento y experiencias turísticas.

GDS

Global Distribution System. Red global que conecta proveedores turísticos con agencias y canales de venta profesionales.

Booking engine

Motor de reservas directas integrado en la web del alojamiento, sin intermediarios.

06

Interoperabilidad clínica y codificación sanitaria

Conjunto de referencias habituales en proyectos de curación o estructuración de historia clínica, episodio asistencial y documentación sanitaria.

10

HL7 FHIR

Estándar modular para modelar e intercambiar datos de salud mediante recursos interoperables.

HL7 v2

Versión clásica del estándar HL7, aún muy extendida en mensajería hospitalaria.

openEHR

Especificación abierta para historia clínica electrónica basada en arquetipos y plantillas.

Episodio clínico

Unidad asistencial concreta que se quiere registrar, intercambiar o estructurar dentro del flujo sanitario.

Historia sanitaria

Conjunto amplio de información clínica del paciente, normalmente superior a un episodio aislado.

HCE

Historia Clínica Electrónica: registro digital longitudinal de la información sanitaria de un paciente.

SNOMED CT

Vocabulario de referencia para conceptos clínicos detallados y consistentes a nivel semántico.

LOINC

Estándar internacional para identificar observaciones de laboratorio y medidas clínicas.

CIE-10-ES

Clasificación utilizada para diagnósticos codificados y uso administrativo o estadístico en España.

DICOM

Estándar para almacenamiento e intercambio de imágenes médicas y datos asociados.

07

Factura electrónica y trazabilidad fiscal

Bloque orientado a proyectos donde la salida necesita estructura fiscal, cumplimiento de facturación o catálogos normalizados.

11

Facturae 3.2.x

Formato XML estándar de factura electrónica en España para representar facturas estructuradas de forma interoperable.

SIF / VERI*FACTU

Sistemas de facturación que generan registros verificables con controles de integridad; en determinados modos, remiten información a la Agencia Tributaria.

SII

Suministro Inmediato de Información: obligación de enviar los registros de facturación a la AEAT casi en tiempo real.

TicketBAI

Sistema de facturación electrónica obligatorio en el País Vasco con firma y encadenado de facturas.

Peppol

Red europea de intercambio de documentos electrónicos, muy usada para factura electrónica transfronteriza.

UBL

Universal Business Language. Estándar XML para documentos comerciales electrónicos compatible con Peppol.

ISO 4217

Código estándar de monedas para indicar la divisa de una factura, transacción o salida financiera.

UNSPSC

Clasificación estándar de productos y servicios, útil para catalogar conceptos facturables.

IVA / IRPF

Impuestos repercutidos y retenciones aplicables a la mayoría de facturas emitidas en España.

CIF / NIF

Identificadores fiscales de empresas y personas en España, obligatorios en cualquier documento fiscal válido.

Base imponible

Importe sobre el que se aplican los impuestos de una factura antes de añadir IVA o retenciones.

08

IA, LLMs y datasets de entrenamiento

Terminología esencial cuando el dataset final alimenta un modelo de lenguaje, un pipeline de fine-tuning o un sistema RAG.

13

LLM

Large Language Model. Modelo de lenguaje de gran tamaño entrenado sobre volúmenes masivos de texto.

Token

Unidad mínima que procesa un modelo de lenguaje; suele corresponder a una palabra, subpalabra o carácter.

Ventana de contexto

Cantidad máxima de tokens que un modelo puede considerar simultáneamente al generar una respuesta.

Embedding

Representación numérica vectorial de un texto o entidad que captura su significado para comparación semántica.

Vector store

Base de datos optimizada para almacenar embeddings y recuperar los más similares a una consulta.

RAG

Retrieval-Augmented Generation. Patrón que enriquece la respuesta de un LLM con fragmentos recuperados de una base documental curada.

Fine-tuning

Ajuste fino de un modelo base sobre un dataset propio para especializarlo en un dominio o tarea concreta.

Prompt engineering

Diseño cuidadoso de las instrucciones que se envían a un modelo para obtener respuestas consistentes y útiles.

Zero-shot / Few-shot

Capacidades del modelo para resolver tareas sin ejemplos (zero) o con muy pocos ejemplos (few) en el prompt.

Transformer

Arquitectura de red neuronal basada en atención que sustenta la mayoría de LLMs actuales.

Dataset supervisado

Conjunto de ejemplos etiquetados con la respuesta correcta, base del aprendizaje supervisado.

Aprendizaje no supervisado

Técnicas que descubren patrones en los datos sin necesitar etiquetas previas.

Corpus

Colección ordenada de textos o documentos usada para entrenar, evaluar o alimentar un sistema de IA.

09

Formatos de salida y métodos de entrega

Resumen funcional para elegir cómo se devuelve un dataset, con qué formato y con qué nivel de integración.

13

JSONL

Archivo donde cada línea es un objeto JSON independiente. Muy usado en IA y machine learning.

Splits train / validation / test

División del dataset en tres partes: una para entrenar, otra para validar y otra para evaluar el modelo.

CSV

Formato de tabla simple, muy compatible con Excel, Google Sheets y herramientas de explotación general.

XML

Formato jerárquico orientado a integraciones, documentos técnicos e intercambio con metadatos estructurados.

Parquet

Formato columnar optimizado para grandes volúmenes de datos y analítica eficiente.

Avro

Formato binario compacto con esquema embebido, muy usado en pipelines de streaming.

XLSX

Formato nativo de Microsoft Excel, útil cuando el destinatario necesita revisar el dataset manualmente.

SQL dump

Volcado de una base de datos relacional en forma de sentencias SQL listas para restaurar.

Bounding boxes

Posiciones visuales que indican dónde aparece un elemento dentro de una imagen o documento escaneado.

Enlace de descarga segura

Entrega mediante un enlace protegido, normalmente temporal o restringido, para uno o varios ficheros.

API

Entrega a través de una interfaz técnica pensada para integración automática con ERP, software propio o pipelines.

SFTP

Canal seguro basado en SSH para transferir ficheros entre sistemas, habitual en entregas recurrentes.

Webhook

Notificación HTTP automática que envía datos a un endpoint del cliente cuando ocurre un evento.