Datos sintéticosSynthetic Data

Por qué se crean y se usan

El motivo más común es que faltan datos reales. Cuanto más raro es un suceso, más difícil es reunir datos sobre él. El momento exacto en que una máquina se rompe, o una situación muy peligrosa, no se puede vivir a menudo, y justamente para esos casos hace falta un modelo que responda bien.

El segundo motivo es que los datos contienen información de personas. En campos donde no se puede usar el registro real tal cual, a veces se crean datos nuevos que solo imitan las propiedades estadísticas. Lo clave, en este caso, es que no se pueda rastrear de vuelta hasta ninguna persona en concreto.

El tercer motivo es el trabajo de poner las respuestas correctas. Etiquetar a mano cuesta mucho tiempo y dinero. Los datos creados ya vienen con la respuesta, porque se sabe de antemano qué se generó.

Cómo se crean

El método más simple es construirlos con reglas. Se anota de antemano en qué rango y de qué manera debe salir cada valor, y se generan siguiendo esa regla al pie de la letra. Es fácil de manejar porque se sabe exactamente qué se creó, pero cualquier propiedad que no esté anotada en la regla simplemente no aparece en los datos.

El otro método es crearlos imitando datos reales. Un modelo entrenado con datos reales genera cosas parecidas a esos datos. Las imágenes y el texto suelen usar mucho este método. A cambio de obtener datos más cercanos a lo real, hay que tener presente que las propiedades del material original se trasladan tal cual.

Esto se distingue de retorcer un poco los datos que ya se tienen para estirarlos. Dar vuelta una foto o cambiarle el brillo es un retoque donde el dato original sigue estando ahí; los datos sintéticos, en cambio, son crear algo que antes no existía.

Lo importante es conocer dónde se aleja de lo real

Los datos creados solo contienen el mundo que imaginó quien los creó. Las excepciones que no se metieron en la regla, los valores raros que aparecen pocas veces en los datos reales, las entradas disparatadas que la gente comete de verdad: casi todo eso queda afuera. Un modelo entrenado solo con estos datos rinde bien en situaciones prolijas, pero tropieza seguido al salir al terreno real.

La uniformidad también es una trampa. El césped sintético se siente igual se pise donde se pise, pero el pasto real cambia de un lugar a otro. Los datos creados suelen parecerse demasiado entre sí, así que la cantidad aumenta pero lo que el modelo tiene para aprender no crece igual. Por eso conviene revisar primero qué tan distintos son entre sí, antes que la cantidad.

Por eso la evaluación siempre se hace con datos reales. Si se entrena con datos creados y se evalúa también con datos creados, parece que rinde bien, pero ese puntaje solo vale dentro de la imaginación de quien los creó.

Cuando lo creado se vuelve a imitar

Lo que más cuidado hay que tener es con la retroalimentación. Si un modelo entrenado con datos creados vuelve a crear datos, y con esos datos se entrena de nuevo, y esto se repite, el resultado se aleja de lo real poco a poco. Es como mirar una foto de césped sintético para fabricar el siguiente césped sintético, y volver a copiar ese resultado una vez más.

Este alejamiento tiene un orden. Primero desaparecen los casos raros: solo quedan las formas comunes y se borra lo que estaba en los rincones. Después, incluso lo que queda se va pareciendo cada vez más entre sí. Por eso, en la práctica, se sigue mezclando una porción fija de datos reales, y se deja registrado qué proporción del total son datos creados.