Synthetic Data

Os dados sintéticos são informações geradas artificialmente que imitam as propriedades estatísticas, os padrões e as características estruturais dos dados do mundo real. Nos campos em rápida evolução da inteligência artificial (AI) e da aprendizagem automática (ML), estes dados funcionam como um recurso essencial quando a recolha de dados autênticos é dispendiosa, demorada ou restringida por regulamentações de privacidade. Ao contrário dos dados orgânicos recolhidos de eventos do mundo real, os dados sintéticos são criados algoritmicamente através de técnicas como simulações computacionais e modelos generativos avançados. Até 2030, os analistas do setor da Gartner preveem que os dados sintéticos irão superar os dados reais nos modelos de AI, alterando fundamentalmente a forma como os sistemas inteligentes são desenvolvidos e implementados.

O papel dos dados sintéticos no desenvolvimento de AI#

O principal motivo para utilizar conjuntos de dados sintéticos é superar as limitações inerentes à tradicional recolha e anotação de dados. O treino de modelos robustos de visão computacional (CV) exige frequentemente conjuntos de dados enormes que contenham cenários diversificados. Quando os dados do mundo real são escassos — como no diagnóstico de doenças raras ou em acidentes de trânsito perigosos e casos extremos — os dados sintéticos colmatam essa lacuna.

A geração destes dados permite aos programadores criar dados de treino perfeitamente anotados a pedido. Isto inclui caixas delimitadoras precisas para a deteção de objetos ou máscaras com precisão ao nível do píxel para a segmentação semântica, eliminando o erro humano frequentemente presente nos processos de anotação manual. Além disso, aborda o viés em AI, permitindo aos engenheiros equilibrar deliberadamente os conjuntos de dados com grupos ou condições ambientais sub-representados, garantindo um desempenho mais justo dos modelos.

Aplicações no mundo real#

Os dados sintéticos estão a revolucionar setores em que a privacidade dos dados, a segurança e a escalabilidade são fundamentais.

• Simulações de condução autónoma: Testar veículos autónomos exclusivamente no mundo físico é arriscado e geograficamente limitado. As empresas utilizam simuladores fotorrealistas, como o NVIDIA Omniverse, para treinar os seus sistemas de perceção. Estes simuladores geram milhares de milhões de quilómetros virtuais, expondo a AI a condições meteorológicas perigosas, comportamentos erráticos de peões e configurações urbanas complexas que são difíceis de captar de forma consistente no mundo real.
• Cuidados de saúde e imagiologia médica: As leis de privacidade dos pacientes, como a HIPAA e o GDPR, regulamentam rigorosamente a partilha de registos médicos. Os dados sintéticos permitem criar conjuntos de dados realistas de análise de imagens médicas — como radiografias ou exames de MRI — que conservam os marcadores de patologias sem conter qualquer informação pessoalmente identificável. Isto permite aos investigadores treinar modelos de deteção de tumores em colaboração sem comprometer a confidencialidade dos pacientes.

Geração de dados sintéticos para AI de visão#

A criação de dados sintéticos de alta qualidade envolve frequentemente duas abordagens principais: motores de simulação e AI generativa. Os motores de simulação, como o Unity Engine, utilizam gráficos 3D para renderizar cenas com iluminação e texturas baseadas na física. Em alternativa, modelos generativos, como as Redes Adversariais Generativas (GANs) e os modelos de difusão, aprendem a distribuição dos dados reais para sintetizar novos exemplos fotorrealistas.

Depois de gerado um conjunto de dados sintéticos, este pode ser utilizado para treinar modelos de alto desempenho. O exemplo seguinte em Python demonstra como carregar um modelo — potencialmente treinado com dados sintéticos — utilizando o pacote ultralytics para realizar inferência numa imagem.

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()

Dados sintéticos vs. aumento de dados#

É útil distinguir os dados sintéticos do aumento de dados, uma vez que ambas as técnicas procuram expandir os conjuntos de dados, mas funcionam de forma diferente.

• Aumento de dados consiste em aplicar transformações — como inversão, rotação, recorte ou ajuste de cor — a imagens reais existentes para criar pequenas variações. Depende da fonte de dados original.
• Dados sintéticos consistem na criação, a partir do zero, de instâncias de dados completamente novas através de algoritmos ou simulações. Não exigem necessariamente uma imagem original para cada resultado, permitindo gerar cenários que nunca foram captados por uma câmara.

Os fluxos de trabalho modernos na Ultralytics Platform combinam frequentemente ambas as abordagens: utilizam dados sintéticos para preencher lacunas no conjunto de dados e aplicam aumento de dados durante o treino para maximizar a robustez de modelos como o YOLO26.