¿Qué son los datos sintéticos? Usos, ventajas y limitaciones

Puntos clave

• Los datos sintéticos son información creada artificialmente para representar características útiles de los datos reales.
• Pueden servir para entrenar IA, probar software y realizar análisis cuando los ejemplos reales son escasos, sensibles o costosos de recopilar.
• Su valor depende de la validación: los datos de apariencia realista pueden seguir conteniendo sesgos, riesgos para la privacidad o patrones engañosos.

Los datos sintéticos son información generada por software en lugar de recopilarse directamente de eventos, personas o sistemas del mundo real. Pueden adoptar la forma de tablas, texto, imágenes, audio o vídeo, y suelen utilizarse para entrenar modelos de IA o probar software sin depender por completo de registros reales.

Cómo funcionan

El objetivo suele ser reproducir los patrones relevantes para una tarea, no copiar registros individuales. Por ejemplo, un conjunto de datos sintéticos de ventas podría conservar la demanda estacional y los tamaños habituales de los pedidos sin contener ninguna compra real de clientes.

Hay varias formas de crearlos:

• Reglas y plantillas: El software produce registros sujetos a restricciones definidas, como fechas válidas, códigos de producto e importes totales de pedidos.
• Métodos estadísticos: Un generador crea valores basados en distribuciones y relaciones, como la conexión entre el tamaño del hogar y el consumo energético.
• Modelos de aprendizaje automático: Un modelo aprende patrones de datos existentes y genera nuevos ejemplos con características similares.
• Simulaciones: Un entorno virtual produce ejemplos de eventos, como un vehículo que se encuentra con peatones en distintas condiciones meteorológicas.

El mejor método depende del propósito. Probar si un formulario de pago acepta un código postal puede requerir únicamente ejemplos basados en reglas. Entrenar un detector de fraude exige relaciones más significativas entre transacciones, cuentas y comportamientos sospechosos.

Los datos sintéticos también pueden incluir etiquetas. Una imagen simulada, por ejemplo, puede ir acompañada de información sobre dónde aparece cada objeto porque el sistema que creó la escena ya conoce su contenido.

Sin embargo, los datos generados no son automáticamente precisos ni representativos. Un generador puede reproducir bien los patrones comunes y, aun así, pasar por alto eventos poco frecuentes, grupos minoritarios o relaciones complejas.

Ejemplos del mundo real

Entrenamiento de IA para atención al cliente

Un equipo puede generar variaciones de preguntas comunes, como solicitudes para cambiar una dirección de entrega o cancelar un pedido. Estos ejemplos pueden ampliar un conjunto de datos de entrenamiento y exponer un modelo a distintas formulaciones.

Las respuestas siguen necesitando revisión. Si las respuestas generadas contienen políticas inventadas, el modelo puede aprender esos errores.

Pruebas de software financiero

Los desarrolladores pueden crear registros de cuentas y transacciones ficticias para probar el procesamiento de pagos, la generación de informes y la gestión de errores. Pueden incluir deliberadamente casos inusuales, como transacciones duplicadas o campos ausentes.

Esto ayuda a los equipos a probar situaciones difíciles de encontrar en una pequeña muestra de registros reales. No demuestra que el sistema vaya a gestionar todos los escenarios en producción.

Desarrollo de visión artificial

Los entornos simulados pueden producir imágenes etiquetadas de carreteras, almacenes o piezas fabricadas. Los equipos pueden variar la iluminación, los ángulos de cámara y las posiciones de los objetos sin capturar físicamente cada escena.

El desafío es la brecha entre la simulación y la realidad. Un modelo que funciona bien con imágenes generadas puede tener dificultades con el ruido de cámaras reales o con entornos desconocidos.

Exploración de conjuntos de datos sensibles

Una organización podría generar registros artificiales de pacientes o clientes para las primeras fases de análisis o desarrollo. Esto puede reducir la necesidad de compartir información personal sin procesar.

Pero los registros artificiales no son automáticamente anónimos. Los generadores entrenados con datos sensibles pueden reproducir a veces detalles de su fuente, por lo que las comprobaciones de privacidad siguen siendo necesarias.

Beneficios y limitaciones

Los datos sintéticos son útiles cuando recopilar más datos reales resulta lento, costoso, arriesgado o poco práctico.

Sus principales beneficios incluyen:

• Mayor control: Los equipos pueden crear escenarios específicos, incluidos fallos y casos límite.
• Posible reducción del esfuerzo de recopilación: Los ejemplos generados pueden reducir la necesidad de recopilación o etiquetado manual.
• Menor exposición de registros reales: Parte del trabajo de desarrollo puede realizarse sin distribuir el conjunto de datos original.
• Mayor cobertura del entrenamiento: Los ejemplos cuidadosamente diseñados pueden complementar situaciones infrarrepresentadas.

Estos beneficios conllevan limitaciones importantes.

Realista no significa útil. Un conjunto de datos puede parecer convincente y, aun así, representar incorrectamente relaciones importantes. Por ejemplo, unos precios de productos plausibles no bastan si la relación entre precio y demanda no es realista.

Los sesgos pueden trasladarse. Un generador entrenado con datos de origen desequilibrados puede reproducir o amplificar ese desequilibrio. Añadir más ejemplos sintéticos no hace que un modelo sea automáticamente más justo.

La privacidad requiere pruebas. Eliminar nombres o generar registros de sustitución no demuestra que las personas no puedan ser identificadas. Las protecciones más sólidas, como la privacidad diferencial, requieren una implementación y una evaluación adecuadas.

El entrenamiento necesita una evaluación independiente. Si tanto los datos de entrenamiento como los de prueba proceden del mismo generador, los defectos compartidos pueden hacer que el rendimiento parezca mejor de lo que es. Siempre que sea posible, evalúa el sistema final con datos representativos del mundo real que no se hayan utilizado para crear el generador.

Cómo empezar

1. Define un objetivo práctico. Decide si necesitas registros para pruebas de software, ejemplos de entrenamiento adicionales o un conjunto de datos para análisis exploratorios. Escribe qué significa tener éxito antes de generar nada.

1. Establece restricciones y permisos. Enumera los campos obligatorios, los valores válidos y las relaciones importantes. Si utilizas datos de origen reales, confirma que tienes permiso para usarlos en la generación.

1. Empieza con el método adecuado más sencillo. Las reglas pueden ser suficientes para probar formularios. Las tareas de entrenamiento más complejas pueden necesitar un modelo estadístico, un generador entrenado o una simulación. Empieza con un lote pequeño.

1. Valida la estructura y el significado. Comprueba los valores ausentes, los duplicados, las combinaciones imposibles y las relaciones estadísticas relevantes. Pide a un experto en el ámbito que revise los ejemplos en los que los errores podrían ser importantes.

1. Compara los resultados. Para entrenar IA, compara una versión de referencia basada en datos reales con otra complementada con datos sintéticos. Weights & Biases puede ayudar a hacer un seguimiento de las ejecuciones de entrenamiento y comparar resultados; no es