Seguramente ya sepas que la inteligencia artificial se entrena con datos, pero no todos esos datos son reales, y de hecho, se utilizan por muchas causas datos sintéticos, que como vamos a ver se crean artificialmente para potenciar el funcionamiento de estos sistemas.
En el proceso de automatización con inteligencia artificial en una empresa, por lo general, se pueden usar ejemplos reales para entrenar las herramientas de IA, pero también, se suele necesitar el poder anticipar ciertas situaciones, para lo que se recurre a crear datos artificialmente que reproduzcan ciertas posibilidades, o situaciones.
Como empresa de IA, hemos visto esta necesidad durante la implementación de la inteligencia artificial en muchas empresas, y por eso, en este artículo, queremos responder a las preguntas frecuentes que suelen tener nuestros clientes sobre este interesante tema.
Si te quedas con nosotros unos minutos, aprenderás los fundamentos de este concepto, cómo se forman los datos sintéticos, en qué casos conviene utilizarlos, y también como se debe evaluar su calidad.
¿Qué son los datos sintéticos en inteligencia artificial?
Los datos sintéticos en inteligencia artificial, si bien no son un tema recurrente de estudio, la verdad es que cuando empiezas a trabajar con ellos, te das cuenta de lo útiles que resultan en el día a día.
Básicamente, nos referimos a información generada de manera artificial, creada por algoritmos, que imita las propiedades y la estructura de los datos reales, pero sin contener ni una pizca de información proveniente de sucesos verdaderos.
Durante el entrenamiento de un modelo de inteligencia artificial, necesitamos alimentarlo con muchísimos datos, porque cuantos más ejemplos tenga, mejor podrá generalizar y reconocer patrones.
Pero a menudo, las empresas desarrolladoras de sistemas de IA se encuentran con dificultades, porque los datos reales pueden ser escasos, estar desequilibrados o contener información privada que no se puede gestionar por el propio derecho a la privacidad, o por los derechos de autor.
Por eso, los datos sintéticos son tan útiles, porque podemos generarlos en la cantidades necesarias y adaptarlos a situaciones muy concretas y, además, hacerlo sin poner en riesgo la confidencialidad de las personas.
Como es lógico, la generación de estos datos no es un proceso sencillo, ni mucho menos aleatorio, y se realiza, por ejemplo, mediante redes generativas antagónicas, donde dos modelos compiten, uno crea datos falsos y el otro intenta distinguirlos de los auténticos.
Con el tiempo, el generador mejora tanto que los datos sintéticos que produce llegan a ser prácticamente indistinguibles de la realidad, por lo que también se utilizan modelos probabilísticos o simulaciones basadas en reglas, según lo que se necesite.
¿Cómo se generan datos sintéticos que usan los modelos de IA?
En el apartado anterior, ya hemos mencionado la que probablemente sea una de las formas más conocidas de generar dados sintéticos, que es la de las redes generativas antagónicas, las famosas GANs, pero otra vía muy utilizada son los ‘autoencoders’ variacionales.
Su funcionamiento es distinto, porque aprenden a comprimir los datos reales en una representación más sencilla, siendo una especie de resumen con las características esenciales, que luego reconstruye los datos completos a partir de ese resumen.
Lo interesante es que, si modificamos ligeramente ese resumen, podemos generar variaciones que no existen en el conjunto original de datos original, y así obtenemos ejemplos nuevos que conservan la estructura de los reales, pero con pequeñas diferencias, como si el modelo hubiera captado la gramática subyacente de los datos y fuera capaz de escribir frases nuevas con esas mismas reglas.
También están los métodos basados en reglas o en simulaciones, que son especialmente útiles cuando sabemos exactamente cómo deberían comportarse los datos. Por ejemplo, para entrenar un sistema que controle un brazo robótico, podemos generar millones de trayectorias posibles usando un simulador físico que tenga en cuenta la gravedad, la fricción y las leyes del movimiento.
En este caso, los datos no provienen de un robot real, sino de cálculos hechos con el ordenador, pero reflejan fielmente lo que ocurriría en la realidad, y algo parecido se hace en el sector financiero para simular la evolución de los precios, o en el uso de la inteligencia artificial en los videojuegos para generar los posibles movimientos de los personajes no jugadores.
¿Cuándo conviene usar datos sintéticos en vez de datos reales?
La decisión de emplear datos sintéticos en lugar de reales, en nuestra experiencia, responde más a necesidades concretas que a una preferencia abstracta por lo artificial. Hay situaciones donde los datos reales sencillamente no están disponibles, o lo están en cantidades insuficientes, y otras donde existen pero su uso conlleva riesgos que preferimos evitar.
Uno de los casos más claros es el de la privacidad, porque cuando trabajamos con información de personas, especialmente en el desarrollo de proyectos de IA en el sector de la sanidad, o las finanzas, las regulaciones nos obligan a ser extremadamente cuidadosos.
Podemos tener acceso a miles de historiales clínicos, pero eso no significa que podamos utilizarlos libremente para entrenar un modelo, así que los datos sintéticos, al no corresponderse con individuos reales, eluden muchas de esas restricciones.
Permiten desarrollar sistemas de diagnóstico o detección de fraudes sin exponer la intimidad de nadie. Eso sí, siempre hay que asegurarse de que el proceso de generación no haya filtrado sin darse cuenta algún patrón que permita identificar a las personas originales.
También recurrimos a los datos sintéticos cuando necesitamos analizar situaciones que todavía no han ocurrido, ya que en muchas ocasiones, no podemos esperar a que algo suceda en la realidad para entrenar a un modelo y que esté preparado para ello.
En su lugar, generamos escenarios sintéticos que cubren esos casos, a veces millones de ellos, para que el modelo aprenda a responder adecuadamente, por lo que es una forma de prepararse para lo improbable sin poner en riesgo a nadie.
¿Cómo se evalúa la calidad de un conjunto de información generada artificialmente?
Está bien podemos crear datos sintéticos, pero hay que comprobar si realmente sirven para algo, porque no basta con que los datos tengan buen aspecto, o que un vistazo rápido nos haga pensar que podrían ser reales. Así que necesitamos métodos rigurosos que nos permitan valorar su utilidad antes de emplearlos para entrenar un modelo.
Queremos saber si los datos generados conservan las propiedades fundamentales de los reales, y para eso comparamos las distribuciones de ambos conjuntos, a veces visualmente con gráficos, y a veces mediante pruebas numéricas. Si los sintéticos se desvían demasiado, es probable que el modelo entrenado con ellos luego se comporte de forma errática al enfrentarse a situaciones reales.
Por otra parte, aunque los datos sean artificiales, a veces los algoritmos pueden memorizar ejemplos reales y reproducirlos casi idénticos, y por eso hay que aprender a detectar fugas de información, y si encontramos registros prácticamente iguales, eso indica que el generador no está creando realmente, sino copiando.
En esos casos, los datos no son seguros para compartir, porque podrían exponer información confidencial de las personas originales. Lo que se suele hacer es poner un umbral de similitud y rechazar los datos sintéticos que superen cierto nivel de coincidencia.
Como Agencia de IA, podemos ayudarte a disponer de los modelos de inteligencia artificial que necesita tu negocio, y a entrenarlos con los datos reales y sintéticos que permitan que cumplan óptimamente con sus funciones. Así que si quieres atención personalizada, contacta con nosotros.