¿Qué son los datos sintéticos?: definición, generación, gestión y casos de uso

Resumen: ¿Qué son los datos sintéticos?

Los datos sintéticos son información generada artificialmente con el fin de imitar las propiedades estadísticas, la estructura y las relaciones de los datos del mundo real, sin que procedan de personas o acontecimientos reales. Se utilizan para ampliar conjuntos de datos escasos, proteger la privacidad, probar sistemas y entrenar modelos de inteligencia artificial cuando los datos reales son limitados, confidenciales o su recopilación resulta costosa.

Diferencias clave: datos sintéticos frente a datos reales

Representatividad

Los datos reales reflejan directamente los sucesos observados y pueden captar patrones poco frecuentes e inesperados. Los datos sintéticos están diseñados para reproducir esos patrones, pero es posible que no reflejen plenamente toda la complejidad del mundo real.

Privacidad y riesgo de reidentificación

Los datos sintéticos pueden reducir el riesgo para la privacidad, ya que no contienen registros originales. Sin embargo, los datos sintéticos pueden seguir filtrando información si los métodos de generación memorizan o reproducen registros identificables, por lo que es necesario realizar una evaluación del riesgo para la privacidad.

Disponibilidad y coste

Los conjuntos de datos sintéticos pueden generarse bajo demanda y adaptarse al tamaño necesario, lo que reduce la necesidad de llevar a cabo procesos de recopilación y etiquetado de datos costosos o que requieren mucho tiempo.

Cómo se generan los datos sintéticos

Los métodos de generación se clasifican en varias categorías. La elección del método adecuado depende de la modalidad de los datos (tabulares, imágenes, texto, series temporales), las necesidades de fidelidad, los requisitos de privacidad y el uso posterior.

Métodos estadísticos y basados en reglas

• Uso: Datos tabulares, escenarios sencillos o simulaciones basadas en el dominio.
• Cómo: Realizar un muestreo a partir de distribuciones de probabilidad ajustadas o aplicar reglas y restricciones del dominio (modelos basados en agentes, simuladores).
• Ventajas: Interpretable, rápido, fácil de validar; ideal para pruebas de escenarios.
• Contras: Realismo limitado en el caso de dependencias complejas.

Enfoques tradicionales de aprendizaje automático para datos tabulares

• Técnicas: SMOTE y sus variantes, cópulas, redes bayesianas.
• Uso: Equilibrio de clases, aumento de muestras pequeñas.
• Ventajas: Fácil de implementar; soluciona el desequilibrio entre clases.
• Contras: Puede que no capte las interacciones de alta dimensión.

Modelos generativos profundos (aprendizaje automático moderno)

• GAN (redes generativas adversarias).
• Uso: Síntesis de imágenes de alta calidad, datos tabulares estructurados en los que es importante contar con distribuciones conjuntas realistas.
• Ventajas: Puede generar muestras nítidas y realistas.
• Contras: Inestabilidad en el entrenamiento, colapso de modos (omite modos o casos poco frecuentes).
• VAE (autoencodificadores variacionales).
• Usos: Aprendizaje de representaciones latentes, detección de anomalías, muestreo más uniforme.
• Ventajas: Entrenamiento estable y espacio latente continuo para la interpolación.
• Contras: Menor nitidez de las muestras en las imágenes en comparación con las GAN.
• Modelos de difusión.
• Uso: Generación de imágenes y audio de alta fidelidad, cada vez más utilizada para resultados multimodales y de alta resolución.
• Ventajas: Fidelidad de vanguardia para numerosas modalidades; convergencia sólida.
• Contras: Requiere un gran esfuerzo computacional para el entrenamiento y el muestreo.
• Modelos de lenguaje a gran escala y modelos secuenciales.
• Uso: Texto sintético, turnos de diálogo, ampliación basada en indicaciones.
• Ventajas: Es flexible para muchas tareas de PLN y puede generar datos de texto estructurados.
• Contras: Puede tener alucinaciones o repetir frases privadas si no se le controla.

Enfoques híbridos y basados en la transformación

• Uso: Crear conjuntos de datos sintéticos transformando o anonimizando datos reales (tokenización, intercambio, perturbación) o mezclando muestras reales y generadas.
• Ventajas: Conserva muchas características realistas al tiempo que reduce la identificabilidad directa.
• Contras: Riesgo residual para la privacidad si las transformaciones son reversibles o débiles.

Elección de un método de generación

• Si se necesita una alta fidelidad visual (imágenes): modelos de difusión o GAN.
• Se necesitan distribuciones de variables conjuntas tabulares realistas: variantes de GAN para datos tabulares (p. ej., CTGAN), cópulas o redes bayesianas.
• Se necesitan pruebas de escenarios de dominio (movilidad, logística): simulación basada en agentes o simuladores basados en la física.
• Se necesita generación de texto y diálogos: modelos de lenguaje ajustados con límites de seguridad.
• El objetivo principal es el intercambio que preserva la privacidad: transformaciones con privacidad formal (privacidad diferencial) o generación totalmente sintética con rigurosos controles de privacidad.

Beneficios frente a riesgos: una visión equilibrada

Ventajas principales

• Reducción de los riesgos para la privacidad cuando se lleva a cabo correctamente.
• Ampliar los datos de entrenamiento de los modelos: equilibrar las clases, aumentar la representación de eventos poco frecuentes y someter los sistemas a pruebas de estrés.
• Iteración más rápida: Genera muestras etiquetadas para la creación de prototipos y el ajuste de modelos.
• Ahorro de costes: Evita la costosa recopilación de datos del mundo real o el etiquetado.

Principales riesgos y limitaciones

• Lagunas en la fidelidad: Los datos sintéticos pueden pasar por alto eventos poco frecuentes, de cola larga o correlaciones complejas.
• Propagación/amplificación de sesgos: Los métodos sintéticos entrenados con datos sesgados pueden amplificar esos sesgos.
• Colapso del modelo: Los modelos generativos pueden sufrir un sobreajuste a sus propios resultados si se utilizan de forma recursiva.
• Fugas de datos personales: La memorización o los datos casi idénticos pueden permitir la reidentificación de personas, a menos que se comprueben y se mitiguen.
• Ambiguidad normativa: Los datos sintéticos no están automáticamente exentos de la normativa; su situación jurídica depende de la posibilidad de reidentificación.

Validación y medición de la fidelidad de los datos sintéticos

La validación es fundamental. Utiliza un enfoque por niveles: comprobaciones de fidelidad estadística, pruebas de fugas de datos y evaluación del rendimiento en las fases posteriores.

Métricas y pruebas de fidelidad estadística

• Distancias de distribución: Divergencia de Jensen-Shannon (categórica), prueba de Kolmogorov-Smirnov (continua), distancia de Wasserstein.
• Índice de estabilidad demográfica (PSI): Mide la diferencia entre los datos reales y los sintéticos.
• Discrepancia media máxima (MMD): Prueba basada en el núcleo para evaluar la similitud distributiva.
• Pruebas de chi-cuadrado o pruebas G para las distribuciones de características categóricas.

Comprobaciones estructurales y relacionales

• Matrices de correlación, información mutua y gráficos de dependencia por pares.
• Conservación de las restricciones de dominio y la integridad referencial en conjuntos de datos relacionales.

Evaluación posterior

• Entrenar los modelos con datos sintéticos y evaluarlos con conjuntos de prueba reales reservados (o al revés).
• Compara los indicadores de rendimiento (exactitud, AUC, precisión/recuerdo) con los de los modelos entrenados con datos reales o con conjuntos de datos mixtos.

Pruebas de privacidad y de fugas

• Inferencia de pertenencia y comprobaciones de vecinos más cercanos para detectar registros memorizados.
• Análisis del riesgo de reidentificación y escenarios de ataque simulados.
• Técnicas formales de privacidad: incorporación de mecanismos de privacidad diferencial durante la generación; medida épsilon y presentación de garantías de privacidad.

Gobernanza y cumplimiento normativo en materia de datos sintéticos

Los datos sintéticos deben tratarse como un activo de datos de la empresa, con controles de gobernanza similares a los de los datos reales.

Documentación y metadatos

• Registra el método de generación, la procedencia de los datos de entrenamiento, los parámetros del modelo, la configuración de privacidad y los informes de validación.
• Etiqueta los conjuntos de datos indicando su finalidad, su grado de sensibilidad y los usos aceptables.

Políticas y control de acceso

• Define quién puede generar, aprobar y utilizar conjuntos de datos sintéticos.
• Mantener el rastro de los datos desde la fuente a través de las transformaciones y los resultados sintéticos.

Consideraciones normativas

• RGPD: Los datos sintéticos no son automáticamente datos no personales. Si los registros sintéticos pueden vincularse a personas reales, se aplican las obligaciones en materia de protección de datos. Mantén registros de las transformaciones y de las evaluaciones de riesgos.
• Normativa sectorial (p. ej., HIPAA): Las directrices sobre la desidentificación y el dictamen de los expertos siguen siendo pertinentes; los resultados sintéticos deben evaluarse con arreglo a las normas aplicables.
• Normativa sobre IA: Los requisitos de documentación relativos a los datos de entrenamiento y al desarrollo de modelos pueden exigir la divulgación del uso de datos sintéticos y su procedencia.

Observabilidad para flujos de datos sintéticos

La generación y el consumo de datos sintéticos deben supervisarse como cualquier flujo de datos de producción.

Métricas clave de observabilidad

• Actualización y frecuencia de generación.
• Tendencias en cuanto a volumen y cardinalidad.
• Desviación del esquema y de los tipos.
• Desviación de la distribución (a nivel de característica).
• Anomalías en las etiquetas generadas o incumplimientos de restricciones.

Medidas de seguimiento

• Alertas automáticas ante cambios en el esquema o variaciones significativas en la distribución.
• Gestión de versiones de conjuntos de datos sintéticos y modelos; mantenimiento de registros de auditoría.
• Pruebas «canario» automatizadas: ejecuciones de modelos a pequeña escala en la fase posterior del proceso para detectar regresiones funcionales.

Rentabilidad de la inversión empresarial: cómo miden las organizaciones el valor

Cuantificar el valor de los datos sintéticos mediante indicadores clave de rendimiento (KPI) concretos:

• Tiempo de modelización: Mide la reducción de los ciclos de desarrollo al utilizar datos sintéticos para la creación de prototipos y el etiquetado.
• Coste por muestra utilizable: Compara los costes de generación y validación sintéticas con los costes de recopilación de datos y etiquetado manual.
• Ahorro en el etiquetado: Porcentaje de datos etiquetados sustituidos por muestras sintéticas etiquetadas.
• Mejora o paridad en el rendimiento del modelo: Diferencia en las métricas del modelo de fase posterior cuando se entrena con conjuntos de datos sintéticos o mixtos.
• Reducción de riesgos: Menor dependencia de datos sensibles, aprobaciones de cumplimiento normativo más rápidas.

Enfoque práctico: empezar con métricas piloto (tiempo hasta el primer prototipo, ahorro en costes de etiquetado) y ampliar la medición a los indicadores clave de rendimiento (KPI) del modelo y de cumplimiento.

Cuándo los datos sintéticos no pueden sustituir a los datos reales

• Solicitudes reglamentarias o auditorías que requieran registros originales o datos del mundo real validados por expertos.
• Pruebas críticas para la seguridad en las que es necesario tener en cuenta casos extremos del mundo real (por ejemplo, determinadas validaciones de vehículos autónomos).
• Situaciones en las que se producen sucesos raros desconocidos y en las que los supuestos de la simulación pueden pasar por alto modos de fallo críticos.

En esos casos, lo mejor es utilizar los datos sintéticos para complementar los datos reales, en lugar de sustituirlos.

Ejemplos del sector y usos habituales

• Sanidad: Historiales clínicos sintéticos para análisis, ajuste de algoritmos e investigación colaborativa con garantías de privacidad.
• Finanzas: Simulación de transacciones para el entrenamiento de modelos de detección de fraudes y la realización de pruebas de estrés sin revelar los datos personales identificativos de los clientes.
• Sistemas autónomos y logística: Rutas simuladas y datos de sensores para la realización de pruebas de escenarios.
• Comercio minorista y marketing: Simulación del comportamiento de los clientes para probar modelos de personalización, protegiendo al mismo tiempo la información de carácter personal.
• PLN y sistemas de conocimiento: Pares sintéticos de diálogo y preguntas-respuestas para ajustar los modelos lingüísticos y reducir la necesidad de etiquetado.

Lista de comprobación para la adopción: buenas prácticas

• Define el caso de uso y el nivel de fidelidad requerido.
• Selecciona el método de generación adecuado según la modalidad y el perfil de riesgo.
• Aplica técnicas formales de privacidad (por ejemplo, la privacidad diferencial) cuando sea necesario.
• Realizar pruebas de validación estadísticas, estructurales y de privacidad, y documentar los resultados.
• Catalogar conjuntos de datos con metadatos, historial y usos autorizados.
• Supervisar los flujos de trabajo para detectar desviaciones y pruebas de regresión automatizables.
• Empieza poco a poco con proyectos piloto y mide indicadores clave de rendimiento (KPI) claros antes de ampliar la escala.

Conclusión

Los datos sintéticos son una herramienta práctica para proteger la privacidad, ampliar los conjuntos de datos de entrenamiento y acelerar el desarrollo, siempre que vayan acompañados de una validación rigurosa, una gestión adecuada, observabilidad y métricas empresariales claras. Trata los conjuntos de datos sintéticos como activos gestionados dentro del ciclo de vida de los datos, de modo que puedan utilizarse con confianza.

Acerca del autor

Acerca de Actian Corporation

Actian permite a las empresas gestionar y controlar los datos a gran escala con total confianza. Las organizaciones confían en las soluciones de gestión e inteligencia de datos de Actian para optimizar entornos de datos complejos y acelerar la entrega de datos preparados para la IA. Diseñadas para ofrecer flexibilidad, las soluciones de Actian se integran a la perfección y funcionan de forma fiable tanto en entornos locales como en la nube y en entornos híbridos. Obtén más Acerca de Actian, la división Acerca de Actian datos e IA de HCL Software, en actian.com.