Qué es la data sintética y por qué es importante en el aprendizaje automático

La data es la vida de los modelos de aprendizaje automático. Pero, ¿qué pasa cuando hay un acceso limitado a este recurso tan codiciado? Como muchos proyectos y empresas están comenzando a demostrar, aquí es donde la data sintética puede ser una alternativa viable, e incluso superior.

¿Qué es la data sintética?

La data sintética se puede definir como información que se genera de manera artificial y no se obtiene mediante medición directa. La idea de la "data falsa" no es un concepto nuevo o revolucionario en su esencia. En realidad, es una forma distinta de etiquetar un método de generación de datos de prueba o entrenamiento para modelos que carecen de la información disponible o necesaria para funcionar.

En el pasado, la falta de data llevaba a un enfoque conveniente de usar un conjunto de datos generados aleatoriamente. Aunque esto puede haber sido suficiente para fines educativos y de prueba, los datos aleatorios no son algo que desees utilizar para entrenar cualquier tipo de modelo de predicción. Aquí es donde difiere la idea de la data sintética; es confiable.

La data sintética es, en esencia, la idea de que podemos ser inteligentes en cómo producimos datos aleatorios. Este enfoque se puede aplicar a casos de uso más sofisticados en lugar de solo pruebas.

¿Cómo se genera la data sintética?

Aunque la data sintética no se crea de manera diferente a los datos aleatorios, simplemente a través de conjuntos de entrada más complejos, sirve a un propósito diferente y, por lo tanto, tiene requisitos únicos.

El enfoque sintético se basa en ciertos criterios que se alimentan como entrada de antemano. En la práctica, no es aleatorio en absoluto. En realidad, se basa en un conjunto de datos de muestra con ciertas distribuciones y criterios que guían el rango posible, la distribución y la frecuencia de los puntos de datos. Básicamente, el objetivo es replicar datos reales para poblar un conjunto de datos más grande, lo suficientemente amplio como para entrenar modelos de aprendizaje automático.

Las 8 empresas más innovadoras en inteligencia artificial y aprendizaje automático

Este método se vuelve particularmente interesante al explorar los métodos de aprendizaje profundo utilizados para refinar la data sintética. Los algoritmos pueden enfrentarse entre sí con el objetivo de superarse mutuamente en su capacidad para producir e identificar datos sintéticos. En esencia, el objetivo aquí es crear una carrera armamentista artificial para producir datos hiperrealistas.

¿Por qué se necesita la data sintética en primer lugar?

Si no podemos recopilar los recursos valiosos que necesitamos para avanzar en nuestra civilización, como lo es desde cultivar alimentos hasta generar combustible, entonces encontramos una manera de crearlos. El mismo principio ahora se aplica al área de la data para el aprendizaje automático e IA.

Es crucial tener una muestra muy grande de datos al capacitar algoritmos; de lo contrario, los patrones identificados por el algoritmo corren el riesgo de ser demasiado simples para aplicaciones del mundo real. En realidad, es bastante lógico. Al igual que la inteligencia humana tiende a tomar el camino más fácil para resolver un problema, eso mismo sucede constantemente al entrenar algoritmos de aprendizaje automático e IA.

Por ejemplo, apliquemos esto a un algoritmo de reconocimiento de objetos que puede identificar con precisión un perro entre una selección de imágenes de gatos. Con una cantidad insuficiente de datos, la IA corre el riesgo de depender de patrones que no son características fundamentales de los objetos que intenta identificar. En este caso, aún puede funcionar, pero cuando se encuentra con datos que no siguen el patrón inicialmente identificado, falla.

¿Cómo se usa la data sintética para entrenar la IA?

Entonces, ¿cuál es la solución? Dibujamos muchos animales ligeramente diferentes para obligar a la red a encontrar la estructura subyacente de la imagen, no solo la ubicación de ciertos píxeles. Pero en lugar de dibujar un millón de perros a mano, es mejor construir un sistema diseñado exclusivamente para dibujar perros que se pueda utilizar para entrenar el algoritmo de clasificación, que es básicamente lo que hacemos al proporcionar datos sintéticos para entrenar algoritmos de aprendizaje automático.

Sin embargo, hay obvias desventajas en este método. Generar datos de la nada no va a representar el mundo real y, por lo tanto, dará como resultado un algoritmo que probablemente no pueda funcionar cuando encuentre datos reales. La solución consiste en recolectar un subconjunto de datos, analizar e identificar tendencias y rangos en ellos, y luego usar estos datos para generar un gran conjunto de datos aleatorios que muy probablemente represente cómo se verían los datos si los recopiláramos todos nosotros mismos.

La brecha de poder y daño de la IA

Aquí es donde radica el verdadero valor de la data sintética. Ya no tenemos que recorrer incansablemente recopilando datos que luego deben limpiarse y procesarse antes de su uso.

¿Cómo es la data sintética una solución al creciente enfoque en la privacidad de los datos?

En la actualidad, existe un fuerte cambio, especialmente en la UE, hacia una mayor protección de la privacidad y los datos que generamos con nuestra presencia en línea. En los campos del aprendizaje automático e IA, el aumento de la protección de datos resulta ser un obstáculo recurrente. Con frecuencia, los datos restringidos son exactamente lo que se necesita para capacitar a los algoritmos para que brinden valor a los usuarios finales, especialmente para soluciones B2C.

En general, el problema de la privacidad se supera cuando un individuo decide utilizar una solución y, por lo tanto, aprueba el uso de sus datos. El problema aquí es que es muy difícil hacer que los usuarios te brinden sus datos privados antes de tener una solución que proporcione suficiente valor para entregártelos. Como resultado, los proveedores a menudo pueden quedarse atrapados en un dilema del huevo y la gallina.

La solución puede ser el enfoque sintético, en el cual una empresa puede obtener un subconjunto de datos a través de los primeros adoptantes. A partir de aquí, pueden usar esta información como base para generar suficientes datos para entrenar su aprendizaje automático e IA. Este enfoque puede reducir drásticamente la necesidad costosa y que consume mucho tiempo de datos privados y, al mismo tiempo, desarrollar algoritmos para sus usuarios reales.

Para ciertas industrias inmersas en la burocracia de los datos, como la atención médica, la banca y el sector legal, la data sintética brinda un enfoque más sencillo para acceder a volúmenes de datos anteriormente inaccesibles, eliminando lo que a menudo es una limitación para algoritmos nuevos y más avanzados.

¿Puede la data sintética reemplazar a la data real?

El problema con los datos reales es que no se generan con la intención de entrenar algoritmos de aprendizaje automático e IA; simplemente son un subproducto de los eventos que suceden a nuestro alrededor. Como se mencionó antes, esto limita la disponibilidad y la facilidad de recopilación, así como los parámetros de los datos y las posibilidades de fallos (valores atípicos) que pueden interrumpir los resultados. Es por eso que la data sintética, que se puede adaptar y controlar, es más eficiente para entrenar modelos.

Razones para implementar IA en el borde: protección de datos

Sin embargo, a pesar de sus aplicaciones superiores para el entrenamiento, la data sintética, inevitablemente, siempre dependerá al menos de un pequeño subconjunto de datos reales para su creación. Por lo tanto, no, la data sintética nunca reemplazará los datos iniciales en los que debe basarse. De manera más realista, reducirá significativamente la cantidad de datos reales necesarios para el entrenamiento de los algoritmos, un proceso que generalmente requiere mucha más data que las pruebas, por lo general, el 80% de los datos se destina al entrenamiento y el otro 20% a las pruebas.

En última instancia, si se aborda de manera correcta, la data sintética proporciona una forma más rápida y eficiente de obtener los datos que necesitamos a un costo menor que si los obtenemos del mundo real y con una reducción en la necesidad de tocar el avispero de la privacidad de datos.

Christian Lawaetz Halvorsen es el director de tecnología y co-fundador de Valuer, la plataforma impulsada por IA que revoluciona la forma en que las empresas obtienen información crucial para su estrategia y toma de decisiones. Con una Maestría en Ingeniería, Desarrollo de Productos e Innovación de la Universidad del Sur de Dinamarca, Christian continúa refinando la infraestructura técnica de Valuer utilizando la combinación más óptima de inteligencia humana y artificial.

Aruba revoluciona con nuevas capacidades de AIOps

En Newsmatic nos especializamos en tecnología de vanguardia, contamos con los artículos mas novedosos sobre Inteligencia artificial, allí encontraras muchos artículos similares a Qué es la data sintética y por qué es importante en el aprendizaje automático , tenemos lo ultimo en tecnología 2023.