Para enseñar a una máquina a reconocer una caja dañada, hace falta mostrarle ejemplos. Pero ¿qué ocurre si tienes miles de fotografías de cajas perfectas y muy pocas de las que llegan golpeadas? Una posibilidad es crear ejemplos artificiales que representen daños variados. Eso es parte de lo que permiten los datos sintéticos: producir información diseñada para un uso en lugar de recogerla directamente de cada situación real.
No significa que cualquier dato inventado sea útil para entrenar inteligencia artificial. La calidad depende de qué representa, cómo se genera y cómo se comprueba. Un conjunto enorme de ejemplos defectuosos puede enseñar precisamente las reglas equivocadas.
Qué son los datos sintéticos
Son datos generados artificialmente para representar características, relaciones o situaciones de interés. Pueden ser textos, imágenes, sonidos, registros organizados en filas o resultados de una simulación. Su forma depende de la tarea para la que se necesitan.
La distinción importante está en la procedencia. Una fotografía tomada a una caja real es un dato observado. Una imagen renderizada de una caja virtual es sintética. Ambas pueden aportar información, pero no ofrecen las mismas garantías ni tienen los mismos errores.
Tampoco hace falta que todo lo sintético proceda de un gran modelo generativo. Puede surgir de reglas estadísticas, simulaciones o procesos que combinan métodos. El nombre describe el origen artificial del dato, no una única tecnología para producirlo.
Por qué se utilizan para entrenar IA
Conseguir ejemplos de situaciones difíciles de observar
Hay casos poco frecuentes que importan mucho para una tarea. Si solo se entrena con lo habitual, el modelo puede tener pocas oportunidades de aprender a reconocerlos. Crear variaciones permite explorar esos casos, aunque después haya que comprobar si representan adecuadamente la realidad.
En el ejemplo de las cajas, podrías generar esquinas aplastadas, etiquetas parcialmente ocultas y golpes con diferentes luces. Eso no demuestra que la máquina reconocerá todos los daños reales. Proporciona material para entrenar y formular una prueba más amplia.
Controlar condiciones y etiquetas
En una simulación puedes conocer qué objeto aparece, dónde está o qué parámetros has utilizado. Eso facilita crear ejemplos con información asociada. En visión artificial, esas etiquetas pueden indicar la posición de un objeto o la categoría que debería identificarse.
Una etiqueta automática también puede estar mal definida. Si la categoría «dañada» mezcla desperfectos leves y roturas importantes sin criterio, el problema no desaparece por generar los ejemplos de forma automática. Primero necesitas acordar qué quieres detectar.
Reducir ciertas dificultades de acceso
A veces los datos reales son escasos, caros de recopilar o contienen información que no conviene compartir. Los datos sintéticos pueden ser una alternativa o un complemento para determinados usos. Sin embargo, no garantizan privacidad por el mero hecho de ser artificiales.
Si se generan a partir de información sensible, hay que evaluar el método y el riesgo de revelar características de las personas originales. NIST diferencia entre conjuntos con garantías formales de privacidad y métodos que no las ofrecen. La palabra «sintético» no basta para resolver esa evaluación.
Un ejemplo completo: clasificar mensajes de una biblioteca
Imagina una biblioteca que quiere ordenar mensajes en tres grupos: renovar préstamos, preguntar por actividades y comunicar incidencias. Tiene pocos ejemplos disponibles y quiere probar cómo definir las categorías antes de desarrollar una solución.
Podría crear mensajes ficticios como «¿puedo quedarme el libro una semana más?» o «la inscripción del taller no funciona». Este es un ejemplo hipotético, no una descripción de un sistema concreto. Su utilidad está en mostrar las decisiones que habría que tomar.
Primero define cada categoría y sus límites. «¿Puedo renovar mi plaza en el taller?» comparte palabras con renovar préstamos, pero pertenece a actividades. Si los ejemplos sintéticos son demasiado simples, quizá no incluyan esa ambigüedad.
Después introduce variaciones: faltas de ortografía, mensajes largos, dos solicitudes en la misma frase y casos que no encajan en ninguna categoría. La variedad debe responder a dificultades reales, no a producir frases diferentes sin criterio.
Finalmente, reserva mensajes reales autorizados para evaluar el resultado. Si el modelo funciona con ejemplos inventados, pero falla en consultas normales, todavía no sirve para el uso previsto. La prueba necesita medir el comportamiento que importa fuera del conjunto generado.
Generar datos no es lo mismo que entrenar un modelo
Pedir a un asistente cincuenta mensajes ficticios produce un conjunto de ejemplos. No significa que hayas entrenado automáticamente una IA con ellos. Para entrenar o ajustar un modelo hace falta un proceso específico que utilice esos datos.
También puedes emplearlos para probar un formulario, ensayar instrucciones o revisar categorías sin entrenar nada. Por eso conviene preguntar siempre: «¿para qué se van a utilizar?». El mismo archivo podría ser adecuado para una demostración y completamente insuficiente para un sistema real.
Un prompt para explorar categorías, sin introducir datos personales, sería:
Crea [número] ejemplos ficticios de mensajes para una biblioteca sobre [categorías definidas]. Incluye casos claros, ambiguos y fuera de categoría. No utilices datos de personas reales. Añade la categoría propuesta y explica qué rasgo la justifica. Marca los casos que admitan más de una interpretación.
Los ejemplos necesitan revisión humana antes de darse por válidos. La etiqueta propuesta por el generador no es una prueba independiente de que la clasificación sea correcta.
Qué significa que un conjunto sea representativo
No basta con que cada ejemplo parezca creíble. El conjunto también debe reflejar las diferencias relevantes del uso real. En la biblioteca, quizá predominan mensajes breves, pero existen consultas extensas que reúnen varios asuntos. Ignorarlas puede dejar fuera una dificultad importante.
No todas las variaciones tienen el mismo peso. Generar cien formas educadas de pedir una renovación no compensa la ausencia de preguntas ambiguas. La diversidad útil depende de la tarea, de las personas y de los contextos donde funcionará el sistema.
Además, puede interesar dar más presencia a casos raros para aprender a detectarlos. Eso no significa que ocurran con esa frecuencia en la realidad. Conserva la diferencia entre la distribución del conjunto de entrenamiento y las condiciones reales de uso.
El problema de copiar sesgos y errores
Si el generador reproduce estereotipos o reglas equivocadas, los ejemplos pueden transmitirlos al sistema que aprende de ellos. Por ejemplo, asignar siempre lenguaje formal a un grupo y errores a otro introduce una asociación que quizá no tiene ninguna justificación.
Aumentar el volumen no corrige necesariamente ese defecto. Puede multiplicarlo. Por eso necesitas revisar tanto ejemplos individuales como patrones del conjunto: quién aparece, qué situaciones faltan y qué asociaciones se repiten sin razón.
También puede producirse una falsa sensación de diversidad. Cambiar nombres o sinónimos mientras se conserva exactamente la misma estructura aporta menos variedad de la que parece. Una comprobación útil consiste en buscar duplicados y familias de ejemplos prácticamente idénticos.
Qué es el colapso del modelo y qué no significa
La investigación ha estudiado un fenómeno llamado colapso del modelo, relacionado con entrenar sucesivas generaciones utilizando contenido generado por modelos y perder información de la distribución original. No es una prueba de que todos los usos de datos sintéticos sean perjudiciales.
El riesgo depende de cómo se produce, selecciona y combina el material, entre otras condiciones. La conclusión práctica para principiantes es más sencilla: no conviene alimentar un sistema indiscriminadamente con sus propias salidas y asumir que mejorará.
Volviendo a la biblioteca, si el generador siempre crea consultas muy limpias y se reutilizan una y otra vez como referencia, la colección puede alejarse de los mensajes reales. Mantener evaluación independiente ayuda a detectar ese alejamiento antes de confiar en el resultado.
Cómo comprobar que aportan valor
Define primero la tarea y la medida de utilidad. En clasificación podría ser la proporción de mensajes correctamente asignados, revisando también qué errores resultan más costosos. Confundir una actividad con una renovación quizá tenga un efecto distinto de ignorar una incidencia urgente.
Compara con una base de referencia. Si incorporas datos sintéticos, observa si mejora el rendimiento en ejemplos reales que no se usaron para construirlos. No evalúes únicamente sobre ejemplos generados con las mismas reglas que el entrenamiento.
Comprueba por separado los casos difíciles. Un promedio bueno puede esconder fallos persistentes con mensajes largos, vocabulario distinto o consultas de varias categorías. La mejora debería describir dónde funciona y dónde sigue sin haber evidencia suficiente.
Documenta la procedencia: qué método generó los datos, qué instrucciones se utilizaron, qué revisión recibieron y para qué usos se consideran adecuados. La trazabilidad permite interpretar los resultados, repetir pruebas y evitar que un conjunto de demostración termine convertido en referencia sin control.
Qué puedes hacer con esta idea sin ser especialista
Puedes utilizar ejemplos ficticios para practicar un análisis, enseñar una plantilla o probar el recorrido de un formulario. Indica siempre que son ficticios y evita presentarlos como resultados de una encuesta, conversaciones reales o datos de clientes.
Si un proveedor afirma que su sistema utiliza datos sintéticos, pregunta qué problema resuelven, cómo se validan y con qué datos reales se evalúa. No hace falta conocer el algoritmo para pedir una explicación clara sobre los límites y las pruebas.
Los datos sintéticos son una herramienta para construir ejemplos útiles, no una licencia para convertir cualquier invención en evidencia. Su valor aparece cuando ayudan a aprender o probar algo definido y el resultado sigue contrastándose con el mundo donde deberá funcionar.
Fuentes: IBM: datos sintéticos, NVIDIA: generación mediante simulación, NIST: privacidad y investigación sobre entrenamiento recursivo.
Si quieres situar este concepto, te recomiendo leer Diferencias entre inteligencia artificial, machine learning y ChatGPT. Y para entender por qué un resultado artificial también puede contener fallos, también puede interesarte ¿La inteligencia artificial se equivoca? Qué son las alucinaciones de la IA.


