Datos sintéticos

Los datos sintéticos son información generada artificialmente para imitar datos del mundo real. En los campos de la inteligencia artificial (IA) y el aprendizaje automático (ML), sirven como una alternativa poderosa o un complemento a los datos del mundo real para el entrenamiento de modelos de IA. La recopilación de conjuntos de datos extensos, de alta calidad y correctamente etiquetados del mundo real puede ser costosa, llevar mucho tiempo y, a veces, ser poco práctica debido a las regulaciones de privacidad o la rareza de ciertos eventos. Los datos sintéticos proporcionan una solución al permitir a los desarrolladores generar grandes cantidades de datos perfectamente etiquetados a pedido, abordando estas limitaciones y acelerando el desarrollo de sistemas robustos de visión artificial (CV).

¿Cómo se generan los datos sintéticos?

Los datos sintéticos se pueden crear utilizando varias técnicas avanzadas, cada una adecuada para diferentes aplicaciones. Estos métodos permiten un control preciso sobre las características de los datos generados, como la iluminación, la colocación de objetos y las condiciones ambientales.

• Modelado y simulación 3D: Los desarrolladores utilizan gráficos por ordenador y entornos de simulación para crear mundos virtuales fotorrealistas. Este enfoque es común en robótica y sistemas autónomos, donde los motores físicos pueden simular la física del mundo real. Plataformas como NVIDIA DRIVE Sim se utilizan para generar datos para el entrenamiento de coches autónomos.
• Modelos Generativos: Técnicas como las Redes Generativas Antagónicas (GANs) y, más recientemente, los modelos de difusión son un componente central de la IA generativa. Estos modelos aprenden los patrones subyacentes de los datos reales para crear muestras realistas completamente nuevas. Esto es particularmente útil para generar diversos rostros humanos o escenas complejas.
• Generación procedimental: Este método utiliza algoritmos y reglas para crear datos automáticamente. Se utiliza ampliamente en el desarrollo de videojuegos para generar entornos a gran escala y se puede adaptar para producir datos de entrenamiento variados con un mínimo esfuerzo manual.
• Aleatorización de dominio: Una técnica donde los parámetros de una simulación (como la iluminación, la textura y las posiciones de los objetos) se varían intencionalmente. Esto ayuda a que el modelo entrenado se generalice mejor de entornos simulados a entornos del mundo real, obligándolo a centrarse en las características esenciales. Un artículo fundamental de Tobin et al. demostró su eficacia para la manipulación robótica.

Aplicaciones en el mundo real

El uso de datos sintéticos se está expandiendo en muchas industrias, lo que permite avances donde los datos del mundo real son un cuello de botella.

1. Vehículos Autónomos: El entrenamiento de coches autónomos requiere datos de millones de kilómetros de conducción, incluyendo escenarios raros y peligrosos como accidentes o clima extremo. Es inseguro y poco práctico recopilar estos datos en el mundo real. Los datos sintéticos permiten a los desarrolladores simular estos casos extremos en un entorno seguro y controlado, mejorando la robustez de los sistemas de detección de objetos y navegación. Empresas como Waymo dependen en gran medida de la simulación para las pruebas y la validación.
2. IA en el sector salud: En el análisis de imágenes médicas, los datos del paciente son muy sensibles y están protegidos por leyes de privacidad estrictas como HIPAA. Además, los datos para enfermedades raras son escasos. Los datos sintéticos se pueden utilizar para generar escaneos médicos realistas (por ejemplo, TC o RM) sin comprometer la privacidad de los datos. Esto ayuda a crear conjuntos de datos más grandes y equilibrados, reduciendo el sesgo de la IA y mejorando la precisión de los modelos de diagnóstico para afecciones como la detección del cáncer de piel.

Datos Sintéticos vs. Aumento de Datos

Si bien tanto los datos sintéticos como el aumento de datos tienen como objetivo mejorar los conjuntos de datos, operan de manera diferente.

• Aumento de datos: Esta técnica implica aplicar transformaciones como rotación, recorte o cambios de color a imágenes existentes del mundo real. Aumenta la diversidad del conjunto de entrenamiento creando versiones modificadas de los datos originales. Puede obtener más información sobre los aumentos utilizados en los modelos YOLO de Ultralytics.
• Datos sintéticos: Esto implica la creación de datos completamente nuevos desde cero utilizando simulaciones o modelos generativos. No se deriva de puntos de datos existentes y puede representar escenarios completamente ausentes del conjunto de datos original.

En resumen, el aumento de datos varía los datos existentes, mientras que los datos sintéticos crean datos novedosos. Ambas son técnicas poderosas, y se pueden combinar para construir modelos de aprendizaje profundo altamente robustos y precisos gestionados a través de plataformas como Ultralytics HUB.