Synthetic Data

Los datos sintéticos son información generada artificialmente que imita las propiedades estadísticas, los patrones y las características estructurales de los datos del mundo real. En los campos en rápida evolución de la inteligencia artificial (IA) y el aprendizaje automático (ML), estos datos sirven como un recurso fundamental cuando recopilar datos auténticos resulta costoso, requiere mucho tiempo o está restringido por normativas de privacidad. A diferencia de los datos orgánicos extraídos de eventos del mundo real, los datos sintéticos se crean algorítmicamente mediante técnicas como simulaciones por computadora y modelos generativos avanzados. Para 2030, los analistas del sector en Gartner predicen que los datos sintéticos superarán a los datos reales en los modelos de IA, cambiando fundamentalmente la forma en que se construyen y despliegan los sistemas inteligentes.

Link to this sectionEl papel de los datos sintéticos en el desarrollo de la IA#

El impulsor principal para utilizar conjuntos de datos sintéticos es superar las limitaciones inherentes a la recopilación y anotación de datos tradicionales. Entrenar modelos robustos de visión por computadora (CV) a menudo requiere conjuntos de datos masivos que contengan escenarios diversos. Cuando los datos del mundo real escasean (como en el diagnóstico de enfermedades raras o en accidentes de tráfico peligrosos en casos extremos), los datos sintéticos cierran esa brecha.

Generar estos datos permite a los desarrolladores crear datos de entrenamiento etiquetados perfectamente bajo demanda. Esto incluye cajas delimitadoras precisas para la detección de objetos o máscaras con precisión de píxel para la segmentación semántica, eliminando el error humano a menudo presente en los procesos de etiquetado manual. Además, aborda el sesgo en la IA al permitir a los ingenieros equilibrar deliberadamente los conjuntos de datos con grupos subrepresentados o condiciones ambientales, garantizando un rendimiento del modelo más justo.

Link to this sectionAplicaciones en el mundo real#

Los datos sintéticos están revolucionando sectores donde la privacidad de los datos, la seguridad y la escalabilidad son primordiales.

• Simulaciones de conducción autónoma: Probar vehículos autónomos únicamente en el mundo físico es arriesgado y geográficamente limitado. Las empresas utilizan simuladores fotorrealistas, como NVIDIA Omniverse, para entrenar sus sistemas de percepción. Estos simuladores generan miles de millones de millas virtuales, exponiendo a la IA a condiciones climáticas peligrosas, comportamiento errático de peatones y trazados urbanos complejos que son difíciles de capturar de forma consistente en el mundo real.
• Atención sanitaria e imágenes médicas: Las leyes de privacidad del paciente como HIPAA y GDPR regulan estrictamente el intercambio de registros médicos. Los datos sintéticos permiten la creación de conjuntos de datos realistas de análisis de imágenes médicas (como radiografías o resonancias magnéticas) que conservan los marcadores de patología sin contener información personal identificable. Esto permite a los investigadores entrenar modelos de detección de tumores de forma colaborativa sin comprometer la confidencialidad del paciente.

Link to this sectionGeneración de datos sintéticos para IA de visión#

La creación de datos sintéticos de alta calidad a menudo implica dos enfoques principales: motores de simulación y IA generativa. Los motores de simulación, como Unity Engine, utilizan gráficos 3D para renderizar escenas con iluminación y texturas basadas en la física. Alternativamente, los modelos generativos, tales como Redes Neuronales Generativas Antagónicas (GANs) y modelos de difusión, aprenden la distribución de los datos reales para sintetizar ejemplos nuevos y fotorrealistas.

Una vez que se genera un conjunto de datos sintéticos, este puede utilizarse para entrenar modelos de alto rendimiento. El siguiente ejemplo en Python demuestra cómo cargar un modelo (potencialmente entrenado con datos sintéticos) utilizando el paquete ultralytics para realizar inferencias en una imagen.

from ultralytics import YOLO

# Load the YOLO26 model (latest stable generation for superior accuracy)
model = YOLO("yolo26n.pt")

# Run inference on a source image (this could be a synthetic validation image)
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results to verify model performance
results[0].show()

Link to this sectionDatos sintéticos frente a aumento de datos#

Resulta útil distinguir los datos sintéticos del aumento de datos, ya que ambas técnicas tienen como objetivo ampliar los conjuntos de datos pero funcionan de manera diferente.

• Aumento de datos implica aplicar transformaciones (como volteo, rotación, recorte o ajuste de color) a imágenes existentes del mundo real para crear ligeras variaciones. Se basa en la fuente de datos original.
• Datos sintéticos implica la creación de instancias de datos completamente nuevas desde cero mediante algoritmos o simulaciones. No requiere estrictamente una imagen original para cada salida, lo que permite la generación de escenarios que nunca han sido capturados por una cámara.

Los flujos de trabajo modernos en la Ultralytics Platform a menudo combinan ambos enfoques: utilizar datos sintéticos para llenar vacíos en el conjunto de datos y aplicar el aumento de datos durante el entrenamiento para maximizar la robustez de modelos como YOLO26.