Contenido
- Qué son los datos sintéticos y en qué se diferencian de los reales
- Tres formas de generar datos sintéticos
- Para qué sirven los datos sintéticos en una empresa
- Cómo evaluar datos sintéticos: fidelidad, utilidad y privacidad
- Los datos sintéticos no son anónimos por definición
- El riesgo de entrenar IA solo con datos generados
- Datos sintéticos en empresas de Panamá
- Preguntas frecuentes sobre datos sintéticos
Los datos sintéticos son datos creados por un modelo o una simulación que imitan la estructura y las relaciones de un conjunto real, sin copiar los registros de personas concretas. Sirven para probar sistemas y entrenar modelos de IA. Sin embargo, no son anónimos por definición: antes de usarlos hay que medir su fidelidad, su utilidad y su riesgo de privacidad.
Qué son los datos sintéticos y en qué se diferencian de los reales
Los datos sintéticos son registros fabricados que conservan el formato y las relaciones estadísticas de un conjunto original. Por ejemplo, una aseguradora puede crear miles de pólizas ficticias con edades, primas y reclamos coherentes entre sí. Ninguna fila corresponde a un cliente real. Aun así, el conjunto se comporta de forma parecida al original.
El NIST trata esta técnica con seriedad. Su guía SP 800-188, de septiembre de 2023, incluye la generación de datos sintéticos con modelos entre las técnicas de desidentificación. Además, recoge la publicación de datos sintéticos basados en datos identificados como un modelo para compartir información. En cambio, la misma guía advierte que enmascarar datos personales no siempre basta.
Los autores del artículo «Synthetic Data, what, why and how?», publicado en 2022, consideran los datos sintéticos una herramienta muy útil. Sin embargo, también señalan matices que es fácil pasar por alto al desplegarlos. Esos matices son el centro de esta guía.
Tres formas de generar datos sintéticos
No todos los datos sintéticos nacen igual. El método de generación decide qué tan realistas son y cuánto riesgo conservan.
Reglas y simulación
La primera forma usa reglas escritas por expertos. Por ejemplo, un equipo de logística puede simular la llegada de contenedores a un puerto con horarios y volúmenes plausibles. Este método no toca datos personales. Sin embargo, solo refleja lo que el experto ya sabe, así que puede omitir patrones reales.
Modelos estadísticos
La segunda forma aprende las distribuciones del conjunto real y luego las muestrea. Según el NIST, en su artículo sobre datos sintéticos con privacidad diferencial, las distribuciones marginales son la base de muchos algoritmos de este tipo. El reto principal, añade el NIST, es conservar las correlaciones entre atributos.
Modelos generativos
La tercera forma entrena un modelo generativo, como una red neuronal, con los datos reales. Después, el modelo produce registros nuevos. Para datos en tablas existen bibliotecas abiertas como SDV, que se presenta como una herramienta integral para crear datos tabulares sintéticos de una tabla, de varias tablas o secuenciales. Por lo tanto, una empresa no necesita construir el generador desde cero.
Para qué sirven los datos sintéticos en una empresa
Los datos sintéticos resuelven problemas prácticos. Primero, permiten probar software sin copiar la base de clientes a un entorno de desarrollo. Además, facilitan compartir un conjunto con un proveedor externo para que construya un prototipo. También ayudan a ensayar escenarios que casi no aparecen en los datos reales, como un pico de demanda.
Otro uso frecuente es completar ejemplos escasos para entrenar un modelo. Sin embargo, aquí conviene ir con cuidado, como se explica más abajo. Si tu modelo necesita ejemplos con respuesta conocida, revisa también las técnicas de etiquetado de datos para IA, porque un generador puede crear etiquetas, pero no corrige las que estaban mal.
Cómo evaluar datos sintéticos: fidelidad, utilidad y privacidad
Un conjunto sintético se evalúa en tres dimensiones. El NIST las usa en su Ciclo de Investigación Colaborativa, cuyo generador de reportes SDNist ofrece más de diez métricas de privacidad, fidelidad y utilidad. Además, el NIST invitó a equipos externos a intentar reidentificar personas en sus muestras sintéticas entre marzo y junio de 2025.
| Dimensión | Pregunta que responde | Prueba de ejemplo |
|---|---|---|
| Fidelidad | ¿Se parecen las distribuciones a las del conjunto real? | Comparar promedios, rangos y correlaciones entre columnas |
| Utilidad | ¿Sirven para la tarea prevista? | Entrenar con datos sintéticos y evaluar el modelo con datos reales reservados |
| Privacidad | ¿Se puede inferir algo de una persona del conjunto original? | Buscar registros casi idénticos a los reales y simular ataques de inferencia |
Las tres dimensiones compiten entre sí. Un conjunto muy fiel puede filtrar detalles de personas reales. En cambio, un conjunto muy protegido puede perder utilidad. Para medir la utilidad con rigor, consulta cómo medir la eficacia de los modelos.
Los datos sintéticos no son anónimos por definición
Es tentador pensar que un dato fabricado no revela nada. Sin embargo, el estudio «Synthetic Data, Anonymisation Groundhog Day», de Theresa Stadler, Bristena Oprisanu y Carmela Troncoso, llega a otra conclusión. Según los autores, los datos sintéticos o no impiden los ataques de inferencia o no conservan la utilidad. Además, su ganancia de privacidad es difícil de predecir.
La alternativa con garantía formal es la privacidad diferencial. Según el NIST, un conjunto sintético con privacidad diferencial mantiene el mismo esquema y ofrece una garantía demostrable. Así, los analistas pueden usar cualquier herramienta sobre él. El precio es la exactitud, que suele ser menor que la de un análisis diseñado a medida. La técnica se explica en la entrada sobre personalización con IA y privacidad diferencial.
El riesgo de entrenar IA solo con datos generados
Los datos sintéticos también afectan la calidad de los modelos. Un artículo publicado en Nature en julio de 2024 mostró que entrenar de forma indiscriminada con contenido generado por modelos causa defectos irreversibles. Los autores llaman a este efecto «colapso del modelo». En concreto, las colas de la distribución original desaparecen, es decir, se pierden los casos raros.
Por eso conviene mezclar datos sintéticos con datos reales y evaluar siempre con datos reales reservados. Esto importa en fraude, salud o fallas de equipos, donde los casos raros son justo los que interesan.
Datos sintéticos en empresas de Panamá
En Panamá, la Ley 81 de 2019 define el dato anónimo como aquel cuya identidad no puede establecerse por medios razonables. Por lo tanto, un conjunto sintético solo queda fuera de la ley si cumple esa condición. Generar el conjunto a partir de datos de clientes, además, es un tratamiento de datos personales. En cambio, un conjunto sintético bien validado puede reducir los riesgos en pruebas y en proyectos con proveedores.
Si la colaboración exige entrenar con datos reales que no pueden salir de cada empresa, el aprendizaje federado es otra opción. Para elegir la técnica adecuada en tu caso, conoce nuestras soluciones de IA para empresas en Panamá.
Preguntas frecuentes sobre datos sintéticos
¿Para qué se usan los datos sintéticos?
Se usan para probar software sin copiar datos de clientes, para compartir un conjunto con un proveedor y para ensayar escenarios poco frecuentes. También sirven para completar ejemplos escasos al entrenar un modelo de IA. En todos los casos conviene validar antes su fidelidad, su utilidad y su riesgo de privacidad, porque un conjunto mal generado lleva a conclusiones erróneas.
¿Los datos sintéticos cumplen la Ley 81 de Panamá?
Depende. La Ley 81 de 2019 excluye los datos anónimos, es decir, aquellos cuya identidad no puede establecerse por medios razonables. Un conjunto sintético solo entra en esa categoría si no permite inferir nada de una persona real. Además, crear el conjunto a partir de datos de clientes ya es un tratamiento de datos personales sujeto a la ley.
¿Qué diferencia hay entre datos sintéticos y datos anonimizados?
Los datos anonimizados son registros reales a los que se quitan o alteran los identificadores. En cambio, los datos sintéticos son registros nuevos creados por un modelo o una simulación. Aun así, un estudio académico concluyó que los sintéticos no ofrecen mejor equilibrio entre privacidad y utilidad que la anonimización tradicional, de modo que ambos necesitan pruebas de riesgo.
¿Se puede entrenar un modelo solo con datos sintéticos?
No es recomendable. Un artículo publicado en Nature en 2024 mostró que entrenar de forma indiscriminada con contenido generado causa el colapso del modelo, que pierde los casos raros de la distribución original. Lo prudente es combinar datos sintéticos y reales, y evaluar siempre el modelo con datos reales que no se usaron en el entrenamiento.
¿Qué herramientas sirven para crear datos sintéticos?
Para datos en tablas existe SDV, una biblioteca abierta que genera datos de una tabla, de varias tablas relacionadas o secuenciales. Para evaluar el resultado, el NIST publica SDNist, un generador de reportes con más de diez métricas de privacidad, fidelidad y utilidad. Elegir la herramienta depende del tipo de dato y del nivel de privacidad necesario.
¿Qué son los datos sintéticos con privacidad diferencial?
Son conjuntos sintéticos generados con un algoritmo que cumple la definición de privacidad diferencial. Según el NIST, mantienen el esquema del original y ofrecen una garantía demostrable para las personas del conjunto. Su principal reto es la exactitud, porque el ruido añadido reduce el detalle y cuesta conservar las correlaciones entre atributos.
