Qué es
Versionar datos significa mantener un registro de cómo era un conjunto de datos en distintos momentos del tiempo, de forma similar a como el versionado de código permite volver a una versión anterior de un programa. Esto permite reproducir un análisis exactamente como se hizo en el pasado, incluso si los datos originales cambiaron desde entonces.
Por qué importa para la reproducibilidad
Un modelo de machine learning entrenado hoy con ciertos datos puede volverse imposible de auditar o reproducir seis meses después si esos datos ya cambiaron y no quedó ningún registro de cómo eran en ese momento. El versionado de datos resuelve exactamente ese problema.
Tecnologías que lo habilitan
Formatos de tabla modernos como Delta Lake o Apache Iceberg incorporan versionado de datos de forma nativa, permitiendo consultar cómo lucía una tabla en un momento específico del pasado (time travel), sin necesidad de mantener copias manuales completas de cada versión.