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 de la inteligencia artificial (IA) y el aprendizaje automático (ML), que evolucionan con rapidez, estos datos sirven como un recurso fundamental cuando la recopilación de datos auténticos es costosa, requiere mucho tiempo o está restringida por normativas de privacidad. A diferencia de los datos orgánicos obtenidos de eventos del mundo real, los datos sintéticos se crean algorítmicamente mediante técnicas como simulaciones por ordenador y modelos generativos avanzados. Para 2030, los analistas de la industria de Gartner predicen que los datos sintéticos eclipsarán a los datos reales en los modelos de IA, cambiando fundamentalmente la forma en que se construyen y despliegan los sistemas inteligentes.

El papel de los datos sintéticos en el desarrollo de la IA#

El principal motor para utilizar conjuntos de datos sintéticos es superar las limitaciones inherentes a la recopilación y anotación de datos tradicional. Entrenar modelos robustos de visión por ordenador (CV) a menudo requiere conjuntos de datos masivos que contengan escenarios diversos. Cuando los datos del mundo real son escasos —como en el diagnóstico de enfermedades raras o en accidentes de tráfico peligrosos en casos límite—, los datos sintéticos salvan la distancia.

Generar estos datos permite a los desarrolladores crear datos de entrenamiento perfectamente etiquetados bajo demanda. Esto incluye cuadros delimitadores precisos para la detección de objetos o máscaras perfectas a nivel de píxel para la segmentación semántica, lo que elimina el error humano que suele encontrarse en los procesos de etiquetado manual. Además, aborda el sesgo en la IA al permitir que los ingenieros equilibren deliberadamente los conjuntos de datos con grupos subrepresentados o condiciones ambientales, lo que garantiza un rendimiento del modelo más justo.

Aplicaciones 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 está limitado geográficamente. Las empresas utilizan simuladores fotorrealistas, como NVIDIA Omniverse, para entrenar sus sistemas de percepción. Estos simuladores generan miles de millones de millas virtuales, exponiendo la IA a condiciones meteorológicas peligrosas, comportamientos erráticos de los peatones y diseños urbanos complejos que son difíciles de capturar de forma sistemática en el mundo real.
• Sanidad e imagen médica: Las leyes de privacidad del paciente como HIPAA y GDPR regulan estrictamente compartir registros médicos. Los datos sintéticos permiten crear conjuntos de datos realistas de análisis de imágenes médicas —como radiografías o exploraciones por resonancia magnética— que conservan los marcadores de patología sin contener ninguna información de identificación personal. Esto permite a los investigadores entrenar modelos de detección de tumores de forma colaborativa sin comprometer la confidencialidad del paciente.

Generación de datos sintéticos para IA de visión#

Crear datos sintéticos de alta calidad suele implicar dos enfoques principales: motores de simulación e IA generativa. Los motores de simulación, como Unity Engine, utilizan gráficos en 3D para renderizar escenas con iluminación y texturas basadas en la física. Como alternativa, los modelos generativos, como las redes generativas antagónicas (GAN) y los modelos de difusión, aprenden la distribución de los datos reales para sintetizar ejemplos nuevos y fotorrealistas.

Una vez generado un conjunto de datos sintéticos, se puede utilizar 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()

Datos sintéticos frente a aumento de datos#

Es útil distinguir los datos sintéticos de la 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 rellenar lagunas en el conjunto de datos y aplicar el aumento de datos durante el entrenamiento para maximizar la solidez de modelos como YOLO26.