Glosario de IA Data & Retrieval
¿Qué es un data lake?
← Todos los términos del glosarioRepositorio central que guarda datos estructurados y no estructurados en crudo, como fuente para analítica, machine learning e IA.
Explicación
Un data lake es un repositorio centralizado que guarda grandes volúmenes de datos estructurados, semiestructurados y no estructurados en su formato original. A diferencia de un data warehouse, no exige definir un esquema antes de cargar los datos: la estructura se aplica al leerlos. Por eso es una fuente flexible para analítica, machine learning y aplicaciones de IA que necesitan datos variados, como documentos, logs, imágenes o flujos de eventos. Sin catálogo, control de acceso y reglas de calidad, un data lake se vuelve difícil de usar muy pronto.
¿Data lake, data warehouse o lakehouse?
- Un data warehouse guarda datos limpios y estructurados con un esquema diseñado de antemano. Está pensado para informes y business intelligence.
- Un data lake guarda datos en crudo de cualquier tipo a bajo coste y aplica la estructura al leerlos. Encaja con exploración, ciencia de datos y machine learning.
- Un lakehouse combina ambos: formatos de fichero abiertos sobre almacenamiento barato, con las transacciones, los esquemas y el rendimiento de consulta de un warehouse por encima.
- Muchas organizaciones usan más de uno: el lake como zona de llegada y capas depuradas o un warehouse para los informes.
Por qué importa para la IA
Los proyectos de IA necesitan a menudo datos que nunca cupieron en un warehouse: contratos, correos, transcripciones de llamadas, imágenes, lecturas de sensores. Un data lake guarda ese material en un sitio, con todo su detalle, para entrenar o ajustar modelos, construir índices de recuperación o crear variables para machine learning.
Ese formato en crudo también es su punto débil. Un modelo entrenado o apoyado en datos que nadie entiende bien hereda sus errores y sus huecos, así que el linaje, los controles de calidad y los permisos importan tanto como el almacenamiento.
Cómo evitar el pantano de datos
- Cataloga lo que entra: origen, responsable, significado y sensibilidad.
- Organízalo por capas, de crudo a limpio y a depurado, con reglas claras en cada una.
- Aplica control de acceso al nivel adecuado, sobre todo con datos personales y confidenciales.
- Registra el linaje, para saber de dónde viene cada conjunto de datos y quién lo usa.
- Elimina lo que nadie usa o lo que ya no puedes conservar.
Preguntas frecuentes
¿Qué diferencia hay entre un data lake y un data warehouse?
Un data warehouse guarda datos estructurados y procesados con un esquema definido antes de la carga, y está pensado para informes. Un data lake guarda datos en crudo de cualquier tipo y aplica la estructura al leerlos; es más flexible para ciencia de datos e IA, pero más difícil de gobernar.
¿Qué es un data swamp o pantano de datos?
Es un data lake que ha perdido su utilidad porque nadie sabe qué hay dentro, de dónde viene ni si es fiable. Suele ser el resultado de cargar datos sin catálogo, sin responsables y sin reglas de calidad.
¿Qué es un data lakehouse?
Un lakehouse es una arquitectura que añade capacidades de warehouse, como transacciones, esquemas y consultas SQL rápidas, sobre el almacenamiento de un data lake. Busca servir analítica y machine learning desde una sola copia de los datos.
¿Dónde se suele montar un data lake?
Hoy la mayoría se montan sobre almacenamiento de objetos en la nube, con servicios aparte para catalogar, procesar y consultar los datos. También se pueden montar en instalaciones propias con sistemas de ficheros distribuidos.
¿Hace falta un data lake para hacer IA?
No siempre. Un caso de uso acotado puede empezar con los datos que necesita de los sistemas que ya tienes. El data lake aporta valor cuando varios casos de uso necesitan datos variados, grandes o no estructurados y quieres un único sitio gobernado donde encontrarlos.
Guías de decisión que usan este término
Cómo llevarlo a la práctica
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- AWS · What is a data lake? (en inglés)
- Gartner · Definition of data lake, glosario de TI (en inglés)
- Armbrust et al. · Lakehouse: a new generation of open platforms that unify data warehousing and advanced analytics (CIDR 2021) (en inglés)
Actualizado: 2026-10-21