Hugging Face lanza Open Responses, una base de datos pública para entrenar asistentes de IA sin depender de OpenAI
La plataforma recopila 25 millones de respuestas reales generadas por humanos para que cualquiera pueda crear chatbots sin usar datos de empresas cerradas como ChatGPT.
Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados) acaba de lanzar Open Responses, una base de datos pública que recopila 25 millones de respuestas escritas por personas reales a todo tipo de preguntas y tareas. El objetivo es ofrecer una alternativa abierta a los datasets (conjuntos de datos de entrenamiento) generados con modelos comerciales como ChatGPT, que hasta ahora dominaban el mercado de datos para entrenar asistentes conversacionales.
La iniciativa responde a un problema recurrente en el desarrollo de IA: la mayoría de los chatbots actuales se entrenan con respuestas producidas por otros modelos de lenguaje (LLMs, sistemas que predicen texto según patrones aprendidos de millones de ejemplos). Esto crea una dependencia de empresas como OpenAI, cuyas condiciones de uso prohíben explícitamente utilizar las salidas de ChatGPT para entrenar modelos competidores. Open Responses elimina esa barrera al recopilar únicamente respuestas humanas verificadas, publicadas bajo licencias abiertas que permiten su uso comercial.
Según informó Hugging Face, la base de datos incluye conversaciones en más de 100 idiomas, extraídas de plataformas públicas como Reddit, Stack Exchange (foros especializados en programación y tecnología) y comunidades académicas. Cada entrada está anotada con metadatos que indican el idioma, el tema y el nivel de dificultad de la pregunta original, lo que facilita el fine-tuning (ajuste fino de un modelo preentrenado para tareas específicas) sin necesidad de procesar manualmente millones de líneas de texto.
El proyecto forma parte de una tendencia más amplia hacia los modelos de pesos abiertos (modelos cuya arquitectura interna se puede consultar y modificar libremente), impulsada por comunidades que buscan alternativas a los sistemas propietarios. Empresas como Meta, con su familia de modelos Llama, o Mistral AI en Europa, ya han demostrado que es posible competir en calidad sin cerrar el código. Open Responses añade ahora la pieza que faltaba: datos de entrenamiento transparentes y accesibles para todos.
Hugging Face ha puesto la base de datos a disposición de cualquiera que quiera descargarla desde su plataforma, sin costes ni restricciones de uso. La comunidad de investigadores ya ha comenzado a experimentar con ella para entrenar asistentes multilingües especializados en áreas como educación, soporte técnico y creación de contenido, sectores donde la dependencia de proveedores externos representa un riesgo estratégico y económico.
