Cómo generar datos sintéticos para entrenar y probar aplicaciones

Los datos sintéticos son datos generados artificialmente, en lugar de recogidos u observados del mundo real, pero diseñados específicamente para parecerse a los datos reales en su estructura, sus tipos de valores y sus propiedades estadísticas, de modo que puedan usarse en su lugar para ciertos fines. Dicho de otro modo, son información fabricada que imita a la real: por ejemplo, un listado de miles de clientes inventados con nombres, edades, ciudades y compras verosímiles, que no corresponden a personas reales pero que tienen el mismo formato y unas características parecidas a las de un conjunto de clientes auténtico. La motivación para crear datos sintéticos surge de que, con mucha frecuencia, no se dispone de datos reales suficientes, o bien esos datos reales no se pueden utilizar por diversos motivos, y los datos sintéticos permiten llenar ese vacío. Es importante entender que los datos sintéticos no pretenden ser una copia exacta de la realidad, sino una recreación plausible que conserve los rasgos útiles para la tarea que se quiere realizar. Pueden ser de muchos tipos según la aplicación, desde datos tabulares como los de una hoja de cálculo, hasta textos, imágenes, conversaciones o registros de transacciones, y se generan mediante distintas técnicas, siendo hoy una de las más accesibles el uso de la inteligencia artificial para producirlos. Su valor reside en que desbloquean proyectos que de otro modo estarían limitados por la falta de datos, permitiendo entrenar modelos cuando faltan ejemplos, probar software sin recurrir a datos reales sensibles, y trabajar protegiendo la privacidad de las personas. No obstante, es igualmente importante comprender desde el principio que los datos sintéticos tienen límites significativos, como heredar los sesgos de su origen o alejarse de la realidad en los casos más difíciles, por lo que deben entenderse como un complemento valioso pero no como un sustituto perfecto de los datos reales, y su uso responsable exige validarlos siempre frente a datos auténticos.

Los datos sintéticos se usan principalmente para tres grandes propósitos, todos ellos relacionados con situaciones en las que los datos reales faltan, son costosos de obtener o no se pueden utilizar. El primer uso es entrenar modelos de inteligencia artificial cuando no hay suficientes datos reales disponibles. Los modelos suelen necesitar grandes cantidades de ejemplos para aprender bien, y a veces esos ejemplos no existen en cantidad suficiente, o etiquetarlos manualmente, es decir, marcar cada ejemplo con la respuesta correcta, resulta extremadamente costoso en tiempo y dinero; en estos casos, generar ejemplos sintéticos permite ampliar el conjunto de entrenamiento y hacer viable el aprendizaje, algo especialmente útil, por ejemplo, para ampliar el conjunto de datos en un proceso de ajuste fino de un modelo. El segundo uso es probar software, ya que para desarrollar y verificar una aplicación se necesita llenar bases de datos con muchos registros realistas, como clientes, pedidos o transacciones, y utilizar los datos reales de producción para estas pruebas es arriesgado, puede vulnerar la privacidad y a menudo es ilegal; los datos sintéticos permiten poblar los entornos de prueba con información verosímil pero inventada, sin exponer datos reales. El tercer uso es proteger la privacidad, que resulta crucial cuando los datos reales son sensibles, como historiales médicos, información financiera o datos personales; en estos casos se puede generar un conjunto sintético que conserve los patrones y las propiedades estadísticas útiles del conjunto real, pero que no corresponda a ninguna persona concreta, lo que permite analizar, compartir con terceros o desarrollar aplicaciones sin poner en riesgo la privacidad de nadie. Más allá de estos tres usos principales, los datos sintéticos también sirven para simular situaciones difíciles de capturar en la realidad, para equilibrar conjuntos de datos en los que ciertos casos están poco representados, o para generar escenarios de prueba variados. En todos estos usos, el denominador común es que los datos sintéticos llenan un hueco que los datos reales, por escasez, coste o sensibilidad, no pueden cubrir, siempre teniendo presente que su utilidad depende de generarlos bien y de validarlos frente a la realidad.

Generar datos sintéticos con inteligencia artificial se ha convertido en una de las formas más accesibles y potentes de hacerlo, y en esencia consiste en pedirle a un modelo de lenguaje que produzca ejemplos realistas siguiendo un formato y unas reglas concretas. El proceso parte de definir con precisión qué datos se necesitan y cómo deben ser, y esa definición se traslada al modelo mediante una instrucción o prompt, que actúa como la receta de lo que se quiere generar. La calidad y utilidad de los datos resultantes dependen en gran medida de lo detallada y precisa que sea esa instrucción: cuanto más se especifique el formato exacto que deben tener los datos, las reglas que deben cumplir, los rangos de valores admisibles y la variedad deseada, mejores serán los resultados. Por ejemplo, en lugar de pedir simplemente que se inventen reseñas de un producto, es mucho más eficaz pedir que se generen un número concreto de reseñas de un tipo de producto determinado, con una puntuación dentro de un rango, variando el tono, la longitud y los motivos de elogio o queja, y entregándolas en un formato estructurado concreto; esta segunda instrucción produce datos mucho más útiles y realistas. Un aspecto especialmente importante al generar con inteligencia artificial es cuidar la variedad, porque si se generan muchos ejemplos de una sola vez, estos tienden a parecerse entre sí y a resultar monótonos, lo que no representa bien la diversidad de la realidad; para evitarlo, conviene pedir explícitamente diversidad, generar los datos en varias tandas con instrucciones o semillas distintas, o introducir variaciones deliberadas en las peticiones. Además de la generación con modelos de lenguaje, existen otras técnicas para producir datos sintéticos, como los métodos estadísticos, que reproducen las distribuciones observadas en un conjunto de datos reales, muy útiles para datos tabulares, y los métodos basados en reglas, que generan datos siguiendo reglas definidas manualmente, adecuados cuando los datos tienen una estructura estricta y validaciones conocidas. En cualquier caso, tras generar los datos sintéticos es imprescindible revisarlos y validarlos frente a datos reales para comprobar que efectivamente sirven para el propósito buscado y que no adolecen de sesgos o de falta de realismo.

Los datos sintéticos tienen límites y riesgos importantes que hay que conocer bien, porque usarlos ignorándolos puede llevar a modelos y pruebas que fallan justamente donde más importa. El primer límite es que heredan los sesgos de aquello que se usó para generarlos: si el modelo o los datos de base a partir de los cuales se crean tienen sesgos, los datos sintéticos reproducirán esos mismos sesgos, y en algunos casos pueden incluso amplificarlos, de modo que no eliminan el problema del sesgo sino que lo arrastran. El segundo límite es que pueden alejarse de la realidad, ya que tienden a salir demasiado limpios, ordenados y uniformes, careciendo del ruido, las imperfecciones y la variabilidad caótica que caracterizan a los datos reales, lo que puede hacer que un modelo entrenado con ellos no esté preparado para la complejidad del mundo real. Estrechamente relacionado está el tercer límite, que es la pérdida de los casos raros o extremos: los sucesos poco frecuentes, atípicos o difíciles, que a menudo son precisamente los más críticos a la hora de probar un sistema o de entrenar un modelo robusto, suelen ser los que no se generan bien o directamente se omiten en los datos sintéticos, quedando el conjunto empobrecido justo en lo que más importa. El cuarto riesgo es la degradación por retroalimentación, que ocurre cuando se entrena un modelo únicamente con datos sintéticos de forma repetida a lo largo de sucesivas rondas, lo que puede hacer que el modelo pierda calidad progresivamente al alejarse cada vez más de la realidad. El quinto riesgo afecta a la privacidad, ya que unos datos sintéticos mal generados pueden, paradójicamente, filtrar información del conjunto de datos reales del que se derivaron, dando una falsa sensación de seguridad. Y un límite transversal es que los datos sintéticos no sustituyen la validación con datos reales, de manera que cualquier modelo o aplicación desarrollado con ellos debe evaluarse con datos auténticos antes de confiar en él. Por todo esto, la regla de oro es entender los datos sintéticos como un complemento valioso cuando faltan datos reales, y no como un sustituto perfecto, mezclándolos con datos reales cuando sea posible y validando siempre los resultados frente a la realidad.

Se puede entrenar un modelo utilizando datos sintéticos, e incluso hacerlo solo con ellos en ciertos casos, pero hacerlo exclusivamente con datos sintéticos conlleva riesgos importantes y, en general, no es recomendable como estrategia única, siendo preferible combinarlos con datos reales siempre que sea posible y validar los resultados con datos auténticos. El principal problema de entrenar únicamente con datos sintéticos es que estos son, en el mejor de los casos, una recreación aproximada de la realidad, y por bien generados que estén tienden a ser demasiado limpios y uniformes, a heredar los sesgos de su origen y a carecer de los casos raros, extremos y de la variabilidad caótica que caracterizan a los datos reales. En consecuencia, un modelo entrenado solo con datos sintéticos puede aprender una versión simplificada o distorsionada del mundo y comportarse mal cuando se enfrenta a la complejidad de los datos reales, fallando precisamente en las situaciones difíciles que no estaban bien representadas en el conjunto sintético. Existe además un riesgo específico y bien conocido llamado degradación por retroalimentación, que se produce cuando se entrena de forma repetida y a lo largo de sucesivas generaciones únicamente con datos sintéticos, lo que puede hacer que la calidad del modelo se deteriore progresivamente al alejarse cada vez más de la distribución real de los datos. Por estos motivos, la práctica recomendable es utilizar los datos sintéticos como complemento y no como sustituto: por ejemplo, para ampliar un conjunto de datos reales que resulta insuficiente, para equilibrar clases poco representadas, o para desbloquear el inicio de un proyecto cuando aún no se dispone de suficientes datos reales, pero mezclándolos con datos auténticos en la medida de lo posible. Y en cualquier caso, resulta imprescindible validar el modelo con datos reales, es decir, evaluar su rendimiento sobre ejemplos auténticos que reflejen las condiciones en las que se usará, ya que solo esa validación revela si el modelo ha aprendido algo útil y generalizable o si ha quedado limitado por las carencias de los datos sintéticos. En resumen, entrenar solo con datos sintéticos es posible pero arriesgado, y lo prudente es combinarlos con datos reales y confiar el veredicto final a la validación con datos auténticos.

Los datos sintéticos pueden proteger la privacidad de manera muy eficaz, y de hecho esa es una de sus aplicaciones más valiosas, pero no la garantizan automáticamente, ya que su capacidad de proteger depende de cómo se generen, y unos datos sintéticos mal elaborados pueden filtrar información del conjunto real del que proceden. La idea de fondo por la que sirven para proteger la privacidad es que permiten disponer de un conjunto de datos que conserva los patrones, las relaciones y las propiedades estadísticas útiles de los datos reales, pero cuyos registros no corresponden a ninguna persona real concreta, de modo que se puede analizar, compartir con terceros o usar para desarrollar sin exponer información de individuos reales. Esto es especialmente valioso cuando se trabaja con datos sensibles como historiales médicos, información financiera o datos personales, ámbitos en los que usar los datos reales directamente plantea serios problemas legales y éticos. Sin embargo, la protección no es incondicional. Si los datos sintéticos se generan de forma inadecuada, pueden acabar reproduciendo demasiado fielmente registros individuales del conjunto real, o conservar combinaciones de atributos tan específicas que permitan reidentificar o inferir información sobre personas reales, lo que anularía la protección buscada y daría una falsa sensación de seguridad. Por eso, generar datos sintéticos que protejan de verdad la privacidad requiere cuidado y, en contextos exigentes, el uso de técnicas específicas orientadas a garantizar que no se pueda extraer información sobre los individuos del conjunto original, así como una verificación de que los datos generados no filtran información sensible. En consecuencia, aunque los datos sintéticos son una herramienta muy útil dentro de las tecnologías que mejoran la privacidad y pueden reducir enormemente los riesgos frente al uso de datos reales, no deben asumirse como intrínsecamente seguros por el mero hecho de ser sintéticos. Es necesario generarlos con métodos adecuados, evaluar el riesgo de filtración o reidentificación, y no confiar ciegamente en que la naturaleza sintética de los datos basta por sí sola para proteger a las personas. Bien hechos, protegen la privacidad de forma notable; mal hechos, pueden ofrecer solo una ilusión de protección.