Para tu comodidad, tradujimos esta página mediante traducción automática. No podemos garantizar la precisión ni la confiabilidad del contenido traducido. Si tienes alguna duda sobre la precisión del contenido traducido, consulta la versión oficial en inglés de la página web.
¿Qué es la generación de datos sintéticos?
La generación de datos sintéticos es el proceso de crear datos artificiales, como imágenes, lecturas de sensores, texto o tablas, que capturan patrones o características de datos del mundo real. En IA, los datos sintéticos se utilizan para entrenar y probar modelos cuando los datos del mundo real son escasos, sensibles, caros de recopilar o etiquetar, o difíciles de obtener de forma segura.
Los datos sintéticos no contienen necesariamente registros de personas o eventos reales. Sin embargo, los datos generados a partir de fuentes del mundo real a veces pueden reproducir información sensible, dependiendo de los métodos utilizados.
Cómo funciona la generación de datos sintéticos?
La generación de datos sintéticos basada en simulaciones se utiliza comúnmente para imágenes y datos de sensores. Puede implicar varios pasos:
- Construir el entorno: Crea una escena 3D o un gemelo digital que represente los objetos, el entorno y los sensores relevantes para el sistema de IA.
- Aleatorizar: Varíe factores como la iluminación, las posiciones de los objetos, las texturas, los ángulos de cámara y las condiciones ambientales para aumentar la diversidad del conjunto de datos.
- Capturar: Renderizar imágenes, video o datos de sensores como profundidad y lidar del entorno simulado.
- Etiqueta automáticamente: Generar anotaciones como cuadros delimitadores, máscaras de segmentación y posiciones de objetos directamente desde la simulación.
- Validar: Evaluar modelos entrenados con datos sintéticos frente a datos del mundo real y refinar la simulación para abordar las diferencias entre ambos.
Por ejemplo, un equipo de investigación de manufactura puede crear un gemelo digital de una fábrica y usarlo para generar datos de entrenamiento etiquetados para sistemas de IA. El Instituto Coreano de Tecnología Industrial (KITECH) utilizó Unity Industry para construir un gemelo digital de una fundición de metal y desarrollar una tubería de datos sintéticos para IA de fabricación, generando más de 100,000 fotogramas brutos para la IA de colaboración humano-robot en un proyecto de 14 semanas.
¿Cuáles son las principales técnicas de generación de datos sintéticos?
Los datos sintéticos se pueden generar utilizando varios enfoques, dependiendo del tipo de datos y del uso previsto:
Diferentes técnicas también pueden combinarse. Por ejemplo, los modelos generativos pueden crear activos o entornos 3D que luego se utilizan en la generación de datos basada en simulaciones.
¿Cuál es la diferencia entre datos sintéticos y datos reales?
Los datos sintéticos y los datos del mundo real tienen diferentes fortalezas y limitaciones, por lo que muchos proyectos utilizan una combinación de ambos.
¿Para qué se utiliza el dato sintético?
Los datos sintéticos se utilizan en diversas industrias para entrenar y probar modelos de IA, simular escenarios difíciles o poco comunes, y desarrollar sistemas cuando los datos del mundo real son limitados, sensibles o costosos de recopilar.
- Visión por computadora Entren modelos de detección de objetos, segmentación y estimación de pose utilizando imágenes con anotaciones generadas automáticamente.
- Robótica Entrenar robots para percibir e interactuar con objetos en entornos simulados antes del Deployment en el mundo real, incluyendo a través de simulación robótica.
- Vehículos autónomos: Generar y probar escenarios de conducción poco comunes o peligrosos que pueden ser difíciles o inseguros de capturar en carreteras reales.
- Fabricación Utilice simulaciones de fábrica y Digital Twins para generar datos de entrenamiento para inspección, automatización y colaboración humano-robot.
- Pruebas de software: Generar datos de prueba realistas sin usar registros de clientes reales.
- Salud y finanzas: Generar datos para pruebas, investigación o desarrollo de modelos mientras se reduce la exposición a información sensible, dependiendo de cómo se generen y validen los datos sintéticos.
¿Cuáles son los beneficios de la generación de datos sintéticos?
- Escalar bajo demanda: Generar grandes cantidades de datos sin depender enteramente de la recopilación de datos del mundo real.
- Etiquetado automatizado: Generar anotaciones o metadatos automáticamente, dependiendo del método de generación, reduciendo la necesidad de etiquetado manual.
- Exposición reducida a datos sensibles: Los conjuntos de datos sintéticos pueden reducir la necesidad de usar o compartir registros personales o sensibles reales.
- Cobertura de casos extremos: Generar o simular escenarios poco comunes, peligrosos o costosos que pueden ser difíciles de capturar en el mundo real.
- Diversidad del conjunto de datos: Añadir escenarios o condiciones subrepresentados para mejorar la cobertura del conjunto de datos cuando los datos generados reflejan con precisión la variación relevante del mundo real.
¿Cuáles son los desafíos de la generación de datos sintéticos?
- La brecha de simulación a la realidad: Los modelos entrenados con datos simulados pueden tener dificultades cuando las condiciones del mundo real, como la iluminación, las texturas, la física o el ruido del sensor, difieren de la simulación.
- Esfuerzo de validación: Los equipos deben evaluar si los datos sintéticos representan adecuadamente las condiciones que encontrará el modelo, a menudo probando con datos del mundo real.
- Sesgo heredado: Los datos sintéticos generados a partir de datos de origen sesgados o suposiciones pueden reproducir o amplificar esos sesgos.
- La privacidad no es automática: Los datos sintéticos generados a partir de registros reales pueden reproducir potencialmente información sensible, por lo que puede ser necesaria una prueba de privacidad y reidentificación adecuada.
Preguntas frecuentes
¿Es el dato sintético lo mismo que el dato falso?
No del todo. Los datos sintéticos se generan artificialmente para reproducir patrones o características relevantes de datos del mundo real. Se puede diseñar para usos específicos, como entrenar modelos de IA, probar software o simular condiciones del mundo real. Los datos ficticios generalmente se crean para pruebas o desarrollo y no necesariamente tienen como objetivo reflejar patrones del mundo real.
¿Pueden los modelos de IA entrenarse solo con datos sintéticos?
En algunos casos, sí. Si un modelo puede entrenarse eficazmente utilizando solo datos sintéticos depende de la tarea, la calidad y la diversidad de los datos, y cuán estrechamente representa las condiciones que el modelo encontrará. Combinar datos sintéticos y del mundo real puede ayudar a proporcionar una cobertura más amplia al permitir que los modelos se evalúen en condiciones del mundo real.
¿Son siempre privados los datos sintéticos?
No automáticamente. Los datos sintéticos generados a partir de registros reales pueden reproducir potencialmente información sensible si el proceso de generación memoriza o reproduce de cerca ejemplos de origen. Pruebas de privacidad adecuadas pueden ayudar a identificar estos riesgos antes de que se compartan datos. Los datos generados a partir de simulaciones en entornos virtuales no comienzan a partir de registros personales, aunque sus propiedades de privacidad aún dependen de cómo se crean el sistema y los activos.