# Datos sintéticos

> Datos inventados por un programa que se parecen a los reales, para entrenar o probar.

- Nivel: Intermedio
- Temas: IA, Datos
- URL: https://tidbit.legios.com.ar/es/synthetic-data/
- En inglés: [Synthetic data](https://tidbit.legios.com.ar/synthetic-data/)

Los **datos sintéticos** son información generada artificialmente en lugar de recolectada del mundo. Un programa, una simulación o un modelo de IA produce registros, imágenes o textos que tienen la misma forma y los mismos patrones que los datos reales, pero que no describen a ninguna persona ni a ningún hecho de verdad.

Resuelven tres problemas habituales. Privacidad: un hospital puede compartir historias clínicas sintéticas que mantienen las estadísticas de las reales sin exponer a nadie. Escasez: un auto autónomo casi nunca ve a un nene cruzando detrás de una pelota al atardecer, pero un simulador puede generar miles de escenas así. Costo: escribir a mano diez mil pares de pregunta y respuesta lleva semanas, mientras que un modelo grande puede armar un borrador en una tarde, y eso ya es parte normal de cómo se entrenan y ajustan los LLMs.

La trampa es que los datos sintéticos son tan buenos como lo que los generó. Copian los sesgos y los puntos ciegos de su fuente, y pueden perderse los casos raros que hacen difíciles a los datos reales. Además, se vio que los modelos entrenados una y otra vez con lo que producen otros modelos van perdiendo variedad y calidad, un efecto que se llama **colapso del modelo** (model collapse). En la práctica, lo que mejor funciona es mezclar datos sintéticos con reales y revisar bien los dos.

## Una analogía

Un simulador de vuelo. Los pilotos practican fallas de motor y tormentas que serían demasiado raras o peligrosas para esperarlas en un avión de verdad. Sirve muchísimo, pero nadie se recibe sin horas de vuelo reales.

## Para quedarse

- Datos artificiales que imitan los patrones de los datos reales.
- Ayudan con la privacidad, los casos raros y el costo de juntar ejemplos.
- Heredan los sesgos y huecos de lo que sea que los generó.
- Funcionan mejor mezclados con datos reales, no en su lugar.

## Para seguir leyendo

- [Datos sintéticos en Wikipedia](https://es.wikipedia.org/wiki/Datos_sint%C3%A9ticos)
- [Model collapse en Wikipedia (inglés)](https://en.wikipedia.org/wiki/Model_collapse)

## Términos relacionados

- [Inteligencia artificial](https://tidbit.legios.com.ar/es/artificial-intelligence/): Lograr que las computadoras hagan cosas que hasta hace poco solo hacía la gente.
- [Vehículos autónomos](https://tidbit.legios.com.ar/es/autonomous-vehicles/): Autos y camiones que se manejan solos con sensores, mapas e IA.
- [LLM](https://tidbit.legios.com.ar/es/llm/): Una red neuronal entrenada con muchísimo texto para predecir la próxima palabra.