En cuanto una organizaci\u00f3n pone en producci\u00f3n inteligencia artificial (IA) y aprendizaje autom\u00e1tico (AA), la alta direcci\u00f3n pide resultados. Pero estos dependen de que antes se cuente con una gran cantidad de datos que la misma organizaci\u00f3n no ha generado.\u00a0\u00a0<\/p>\n\n\n\n
Contestar la pregunta de si se tienen suficientes datos y de calidad para entrenar la inteligencia artificial es clave. Los datos sint\u00e9ticos \u2014ac\u00e1 explicamos qu\u00e9 son<\/a>\u2014 aparecen como una soluci\u00f3n ante este problema. <\/p>\n\n\n\n Gartner estima que para 2030, estos eclipsar\u00e1n por completo a los datos reales en los modelos de inteligencia artificial (IA). Sobre sus beneficios hablamos en este otro blog<\/a>. <\/p>\n\n\n\n Los datos sint\u00e9ticos se pueden usar para hackatones, demostraciones de productos y creaci\u00f3n de prototipos internos para replicar un conjunto de datos con los atributos estad\u00edsticos correctos. <\/p>\n\n\n\n Por ejemplo, los bancos y las instituciones de servicios financieros los utilizan, mediante la creaci\u00f3n de simulaciones de m\u00faltiples agentes, para explorar los comportamientos del mercado \u2014como inversiones en pensiones y pr\u00e9stamos\u2014, para tomar mejores decisiones crediticias o para combatir el fraude financiero. <\/p>\n\n\n\n Las empresas minoristas, por su parte, los emplean para sistemas de pago aut\u00f3nomos, tiendas sin cajero o an\u00e1lisis de datos demogr\u00e1ficos de los clientes. <\/p>\n\n\n\n A veces, generar datos sint\u00e9ticos puede ser muy simple. Se puede crear una lista de usuarios, por ejemplo, al combinar al azar una base de nombres de pila con otra de apellidos. Los c\u00f3digos postales se pueden tomar aleatoriamente de una tercera. <\/p>\n\n\n\n Sin embargo, para otros fines, es posible que sea necesario equilibrar la lista para que los datos de gastos sint\u00e9ticos se correlacionen con los patrones de gastos habituales en esos c\u00f3digos postales. <\/p>\n\n\n\n De acuerdo con el VP y l\u00edder de Insights y Data de Capgemini Canad\u00e1, Steven Karan, entrevistado por el sitio CIO<\/em><\/a>, la mayor\u00eda de los conjuntos de datos todav\u00eda se producen manualmente con SQL para la extracci\u00f3n y anonimizaci\u00f3n. Luego se limpian con lenguaje program\u00e1tico est\u00e1ndar.\u00a0<\/p>\n\n\n\n Para el analista de Forrester, Rowan Current, crear un universo sint\u00e9tico no tiene por qu\u00e9 ser tan dif\u00edcil. <\/p>\n\n\n\n En una publicaci\u00f3n de blog<\/a> de junio pasado, Current explica que una de las t\u00e9cnicas m\u00e1s accesibles para las organizaciones que se inician en la creaci\u00f3n de datos sint\u00e9ticos para la visi\u00f3n artificial es utilizar motores de juegos comerciales populares como Unity o Unreal. <\/p>\n\n\n\n \u201cEstas plataformas permiten la generaci\u00f3n r\u00e1pida de paisajes e interacciones altamente personalizables, as\u00ed como una alta fidelidad gr\u00e1fica. Fundamentalmente, para construir modelos de visi\u00f3n por computadora, tambi\u00e9n ofrecen rutas f\u00e1ciles y flexibles para etiquetar los datos para el entrenamiento\u201d. <\/p>\n\n\n\n Sigal Shaked, la cofundadora y CTO de Datomize, una empresa creada en 2020 que ofrece una plataforma de generaci\u00f3n de datos impulsada por IA, distingue al menos tres mejores pr\u00e1cticas<\/a> para el uso de datos sint\u00e9ticos:\u00a0\u00a0<\/p>\n\n\n\n A diferencia de un proyecto de AA en etapa inicial, en que los esfuerzos por solucionar problemas finales evitan errores y no se tiene un volumen suficientemente grande para vislumbrar escenarios negativos, con el uso de datos sint\u00e9ticos se puede enfocar en situaciones no perfectas y crear cantidades m\u00e1s grandes de datos de prueba sint\u00e9ticos basados en este subconjunto.<\/p>\n\n\n\n El hecho mismo de que algo se destaque como inusual o \u00fanico hace que sea m\u00e1s f\u00e1cil volver a identificar a la persona a la que pertenecen los datos, lo que aumenta el riesgo de divulgaci\u00f3n. Quienes usan datos reales probablemente eliminar\u00e1n estos valores como parte del proceso de preparaci\u00f3n previo a hacerlos an\u00f3nimos. <\/p>\n\n\n\n Sin embargo, estos valores at\u00edpicos son potencial y extremadamente importantes para entrenar un modelo de aprendizaje autom\u00e1tico ya que pueden ayudar a establecer matices, que alientan a considerar nuevos factores en el an\u00e1lisis predictivo, o revelar errores y problemas de funcionalidad raros en sus productos impulsados por IA.\u00a0\u00a0<\/p>\n\n\n\n Independientemente de la plataforma o las herramientas que utilice para la generaci\u00f3n de datos para el aprendizaje autom\u00e1tico, es vital que est\u00e9n a la altura de la tarea. <\/p>\n\n\n\n Para ello, se recomienda tomar en cuenta factores como: la calidad de los datos sint\u00e9ticos de prueba, las caracter\u00edsticas que el sistema identifica de los datos (secuencias de eventos, distribuci\u00f3n de caracter\u00edsticas, correlaciones entre caracter\u00edsticas y relaciones entre entidades). <\/p>\n\n\n\n Las organizaciones pueden usar datos sint\u00e9ticos para probar un nuevo sistema donde no existen datos en vivo o cuando los datos est\u00e1n sesgados. Tambi\u00e9n se pueden aprovechar para complementar peque\u00f1os conjuntos de datos existentes que actualmente se ignoran. <\/p>\n\n\n\n Cem Dilmegani, el principal analista de AI Multiple, una firma que provee an\u00e1lisis de la industria de alta tecnolog\u00eda para ayudar a las empresas a explorar la IA, ha identificado los cuatro casos de uso agn\u00f3sticos m\u00e1s comunes<\/a>:\u00a0<\/p>\n\n\n\n Actualmente, asociarse con terceros es una pr\u00e1ctica com\u00fan en m\u00faltiples proyectos. Los datos sint\u00e9ticos permiten a las organizaciones evaluar proveedores externos y compartir datos privados con ellos sin riesgos de seguridad o cumplimiento.\u00a0<\/p>\n\n\n\n Las regulaciones de privacidad de datos no solo restringen el intercambio de datos entre organizaciones, sino que tambi\u00e9n evitan el flujo de datos dentro de una organizaci\u00f3n. <\/p>\n\n\n\n Obtener permisos de acceso a datos puede tomar mucho tiempo, lo que puede dificultar la colaboraci\u00f3n. Las organizaciones pueden acelerar la innovaci\u00f3n con una colaboraci\u00f3n mejorada entre equipos al aprovechar los datos sint\u00e9ticos.\u00a0<\/p>\n\n\n\n Migrar datos privados a la nube implica riesgos de seguridad y cumplimiento. En algunos casos, mover versiones sint\u00e9ticas de datos confidenciales puede permitir que las organizaciones aprovechen los beneficios de los servicios en la nube. <\/p>\n\n\n\n En las canalizaciones de aprendizaje autom\u00e1tico en la nube, se podr\u00edan usar datos sint\u00e9ticos en lugar de datos reales.<\/p>\n\n\n\n Las regulaciones tambi\u00e9n limitan cu\u00e1nto tiempo una empresa puede almacenar datos personales. Este es un problema para los an\u00e1lisis a largo plazo, como la detecci\u00f3n de la estacionalidad de los datos durante varios a\u00f1os. <\/p>\n\n\n\n Los datos sint\u00e9ticos proporcionan una forma de cumplir con las normas de retenci\u00f3n de datos sin socavar las capacidades de an\u00e1lisis a largo plazo. <\/p>\n\n\n\n Entre las decenas de casos de uso de los datos sint\u00e9ticos, que van desde acelerar un desarrollo de modelo o analizar eventos de \u201ccisne negro\u201d \u2014sorpresivos\u2014 hasta pruebas de software o im\u00e1genes de mercadotecnia, aparecen ejemplos innovadores. <\/p>\n\n\n\n La investigaci\u00f3n sobre COVID-19 fue uno de esos casos. La Universidad de Washington en St. Louis, el Jefferson Health en Filadelfia y otras organizaciones de atenci\u00f3n m\u00e9dica optaron en 2020 por datos sint\u00e9ticos, seg\u00fan una nota de <\/a>InformationWeek<\/em><\/a>. <\/p>\n\n\n\n Otro caso es el metaverso, el cual requerir\u00e1 una gran cantidad de contenido. Para ello, ser\u00e1 necesario crear habitaciones, edificios o paisajes entre muchos aspectos. Contratar artistas 3D para crear todo este ambiente desde cero ser\u00e1 prohibitivamente costoso. <\/p>\n\n\n\n Los datos sint\u00e9ticos pueden llenar algunos de los vac\u00edos para crear entornos y objetos realistas y apropiados para entornos, eventos e interacciones virtuales.\u00a0<\/p>\n\n\n\nAs\u00ed se crean los datos sint\u00e9ticos <\/h2>\n\n\n\n
Las mejores pr\u00e1cticas <\/h2>\n\n\n\n
1. Resaltar los escenarios negativos para las pruebas\u00a0<\/h3>\n\n\n\n
2. No eliminar los valores at\u00edpicos y los casos “de borde”\u00a0<\/h3>\n\n\n\n
3. Elegir las herramientas adecuadas\u00a0<\/h3>\n\n\n\n
Datos sint\u00e9ticos: Casos de uso<\/h2>\n\n\n\n
1. Intercambio de datos con terceros\u00a0<\/h3>\n\n\n\n
2. Intercambio de datos internos\u00a0<\/h3>\n\n\n\n
3. Migraci\u00f3n a la nube\u00a0<\/h3>\n\n\n\n
4. Retenci\u00f3n de datos\u00a0<\/h3>\n\n\n\n
Simular el metaverso <\/h2>\n\n\n\n