¿Qué son los datos sintéticos en IA?

Explicación

Los datos sintéticos son datos creados por un modelo o una simulación, no recogidos de hechos reales, y pensados para conservar las propiedades estadísticas útiles de un conjunto original. Se usan para ampliar conjuntos escasos, equilibrar casos raros, probar sistemas sin exponer datos personales y simular situaciones difíciles de observar. Su calidad depende de los datos de partida y del modelo que los genera: pueden pasar por alto valores atípicos, heredar los sesgos del origen y, si están mal hechos, seguir revelando información de personas reales. Hace falta gobierno para comprobar que sirven para su propósito y no incorporan sesgos dañinos.

Cómo se generan

• Reglas y simulación: datos producidos con reglas de negocio, modelos físicos o simuladores, habituales en industria y robótica.
• Modelos estadísticos: métodos que aprenden las distribuciones y correlaciones de una tabla real y generan filas nuevas.
• Modelos generativos: redes neuronales, incluidos los grandes modelos de lenguaje, que producen registros, textos, imágenes o conversaciones parecidos a los originales.

En todos los casos se entrena o se configura primero un modelo con datos reales, así que los datos de origen siguen importando.

Para qué se usan

• Entrenar y probar modelos donde hay pocos ejemplos reales, como fraude, averías raras o casos límite.
• Desarrollar y probar software con datos realistas, sin copiar datos de producción a otros entornos.
• Compartir datos con socios o con otros equipos cuando el original contiene información personal o confidencial.
• Crear conjuntos de evaluación para sistemas de IA, por ejemplo preguntas sintéticas para probar un asistente RAG.

Límites y riesgos

Los datos sintéticos no son anónimos por definición. Si el generador memoriza registros reales, puede filtrar información de personas, así que la privacidad hay que comprobarla, no darla por hecha.

También reflejan su origen: los sesgos de los datos reales se trasladan y los casos raros suelen quedar infrarrepresentados. Antes de usarlos, compáralos con los datos reales en las propiedades que importan para tu caso y deja constancia de cómo se generaron.

Preguntas frecuentes

Guías de decisión que usan este término

• Datos sintéticos o datos reales: ¿con qué entrenar, ajustar y probar tu IA?

Para seguir leyendo

• Monitorización de equidad en IA: de coste defensivo a ventaja estratégica
• La curación inteligente de datos es la nueva escala para la IA empresarial

Términos relacionados

• Aprendizaje federado Forma de entrenar un modelo común entre muchos dispositivos u organizaciones dejando los datos donde están y compartiendo solo actualizaciones del modelo.
• Base de Datos Vectorial Base de datos pensada para guardar embeddings y devolver, rápido y a escala, los vectores más parecidos a un vector de consulta.
• Big Data Conjuntos de datos tan grandes, rápidos o variados que las bases de datos y herramientas tradicionales no pueden guardarlos ni procesarlos con eficiencia; materia prima de la IA.
• Búsqueda híbrida Forma de recuperar información que combina la búsqueda por palabras clave (como BM25) con la búsqueda semántica vectorial y fusiona ambas listas.
• Búsqueda Semántica Búsqueda que encuentra contenido por lo que significa y no por coincidencia exacta de palabras, normalmente comparando embeddings de la consulta y los documentos.
• Corpus Conjunto de documentos o textos que se usa para entrenar un modelo o como base de conocimiento de la que un sistema de IA recupera información, como en RAG.