Synthetic Data, el nuevo petróleo para entrenar modelos

La protección de datos es uno de los grandes retos y preocupaciones al que nos enfrentamos en la sociedad actual. Esto se debe a la gran cantidad de información personal que concedemos y recopilan las plataformas digitales, perdiendo el control sobre su uso o paradero.

Si bien la recopilación de estos datos resulta de gran utilidad a empresas y entidades con un fin estratégico y operativo, aumentando el conocimiento sobre sus clientes y, por ende, siendo más eficientes en la toma de decisiones, también lo es para los usuarios que reciben, entre otras cosas, mejoras personalizadas en cuanto a su atención. No obstante, el debate sobre el uso del dato se ha intensificado  al mismo ritmo que se ha multiplicado su valor estratégico, y por ello es imperativo buscar soluciones que equilibren privacidad y aprovechamiento. 

Frente a esta tensión entre utilidad y privacidad, una de las soluciones más prometedoras es la generación de Synthetic Data o datos sintéticos: un enfoque que permite entrenar modelos de inteligencia artificial sin comprometer la información real de las personas.

Nuestro Máster en Data Strategy & Analytics te ayudará a descubrir insights y extraer el valor de los datos desde el primer día.

¿Qué son los Synthetic Data y para qué sirven?

Se trata de datos generados artificialmente que imitan características y propiedades de datos reales. Se replican tendencias, patrones y cualidades a través de algoritmos y problemas matemáticos. Aunque el objetivo es que estos datos recopilados coincidan en cualidades estadísticas con información original, no contienen identidades ni fuentes que podrían poner en riesgo la seguridad y privacidad personal. 

Son varios los métodos a través de los cuáles se generan este tipo de datos, destacando la distribución estadística, modelos estadísticos o métodos de aprendizaje como redes generativas antagónicas. Entre los propósitos en los que el uso de los datos sintéticos resultan de gran utilidad encontramos: 

• Privacidad y seguridad: Los datos sintéticos reemplazan los datos reales de los individuos, con el fin de protegerles, especialmente en entornos en los que se maneja contenido sensible como datos sanitarios, financieros, etc. 
• Desarrollo, prueba de software y entrenamiento de modelos: Resultan de gran ayuda para los desarrolladores. Estos datos permiten la prueba de aplicaciones, sistemas y entrenamiento de modelos cuando los datos son escasos o su uso podría poner en riesgo la seguridad o privacidad de las personas. Facilitan además la detección de problemas y favorecen la precisión. 
• Investigación y colaboración: Permiten una investigación exhaustiva, ofreciendo datos sin restricciones legales, pudiendo ser utilizada de manera ilimitada. Fomenta además la colaboración entre empresas y entidades que podrán compartir estos datos sin las limitaciones que posee la información real. 
• Reducción de sesgos: Pueden mantener el equilibrio en la inclusión de diferentes grupos, evitando la discriminación de sesgos y asegurando una representación equitativa de raza, género o edad. 

Wells Fargo, Waymo y diagnósticos médicos: Así están triunfando los datos sintéticos

Para tener una visión más clara de su uso, son ya múltiples los ejemplos que podemos encontrar. En el sector financiero, Wells Fargo ha recurrido a esta técnica para reforzar sus sistemas de detección de fraudes. Gracias a la generación de datos que imitan transacciones sospechosas, el banco ha logrado mejorar la capacidad predictiva de sus algoritmos sin utilizar información real de sus clientes, lo que refuerza tanto la precisión del modelo como el cumplimiento normativo. Por su parte, Waymo, la compañía de vehículos autónomos de Alphabet, ha empleado datos sintéticos para simular millones de escenarios de conducción, acelerando así el proceso de entrenamiento de sus vehículos y exponiéndolos a situaciones límite o poco frecuentes, esenciales para una conducción más segura. 

Este tipo de datos también está abriendo nuevas posibilidades en sectores como la energía o la salud. Investigadores dedicados al análisis de imágenes por satélite han incorporado datos sintéticos en proyectos de detección de paneles solares, permitiendo mejorar la identificación automática de instalaciones fotovoltaicas sin depender exclusivamente de imágenes reales etiquetadas, que son escasas y costosas.

En el ámbito clínico, se están utilizando imágenes sintéticas de lesiones cutáneas para entrenar algoritmos de diagnóstico. Esta práctica ha demostrado ser útil para aumentar la diversidad de casos disponibles en los modelos, lo que se traduce en mejores resultados en la clasificación de enfermedades de la piel. En todos estos casos, más allá de proteger la privacidad, los datos sintéticos juegan un papel crucial, ampliando los límites de lo que la inteligencia artificial puede aprender y predecir.

Tres formas de crear datos sintéticos

Dependiendo de cómo se incorporan en el proceso de generación de datos y su propósito podemos dividirlos en tres categorías: 

Totalmente sintéticos

Aunque el programa puede utilizar características ciertas, son creados desde cero, sin utilizar ningún dato real. Se basan en modelos matemáticos o algoritmos, generalmente identifican la función de densidad de los datos reales y posteriormente se estiman los parámetros. Los resultados finales serán completamente aleatorios, simulando las distribuciones y características estadísticas. Son ideales para situaciones hipotéticas, aunque pueden no capturar todos los detalles y complejidades, limitando su precisión. 

Parcialmente sintéticos

Los datos son en parte reales y generados. Se suelen reemplazar los datos que contienen información más sensible para no poner en riesgo la privacidad, manteniéndose datos reales que no supongan una amenaza para la seguridad. Resultan de gran utilidad para mantener la validez de los análisis y no perder la estructura de los datos, aunque será necesario un manejo adecuado para evitar riesgos en una posible identificación. 

Híbridos

Combinan datos totalmente sintéticos con datos reales de manera más integrada. Proporcionan un buen equilibrio entre anonimato y utilidad, mezclando diversas fuentes para lograr un resultado final acertado. Aporta mayor valor a los datos y son útiles en contextos en los que se necesita una representación diversa. Requieren un mayor tiempo de procesamiento y memoria y, al igual que en los datos parcialmente sintéticos, es crucial hacer un uso adecuado para preservar la privacidad. 

El potencial real de los datos que no existen

Más allá de lo que hemos visto, son muchos los beneficios que aportan estos datos a las organizaciones que hacen uso de ellos. Destacando principalmente la privacidad, la accesibilidad y la reducción de costes, también resultan interesantes en lo que respecta a su implementación. 

Por un lado, permiten la accesibilidad a datos casi ilimitados que de otra manera su obtención podría resultar complicada o sujeta a restricciones legales o éticas. Además, su acceso ya estará estructurado, por lo que no será necesaria su transformación. Por otro lado, los costes operativos que supone la recopilación de elevados volúmenes de datos reales se reducen drásticamente, resultando en una solución muy atractiva para las organizaciones. El control que se posee sobre estos datos facilitará la reducción de sesgos y permitirá la creación de escenarios hipotéticos. 

Haciendo un balance, la tendencia durante los próximos años continuará consolidando los datos como el nuevo petróleo de la era tecnológica, y si se consigue reducir el coste y riesgo de su uso mediante su producción artificial, queda claro que los datos sintéticos serán un recurso cada vez más habitual. Sectores como la banca, automoción, energía o salud serán de los más favorecidos, ofreciendo medidas adaptadas, eficientes y ágiles en una sociedad tecnológica e hiperconectada.