Los datos sintéticos son datos generados artificialmente, que se crean a partir de un conjunto de datos reales cuya estructura y características imitan. Su similitud con los datos a partir de los que han sido creados permite que se extraigan de su estudio conclusiones similares a las que se habrían extraído del análisis de los datos originales. El proceso de creación de estos datos, llamado
síntesis, puede llevarse a cabo empleando distintas técnicas, entre ellas técnicas de aprendizaje profundo. Los datos sintéticos se crean con un propósito específico, y ese propósito determinará los parámetros utilizados en su construcción, así como el nivel de fidelidad a los datos originales que resulta necesario para su consecución.
Los datos sintéticos son datos no creados por humanos que imitan datos del mundo real. Se crea mediante algoritmos de computación y simulaciones basadas en tecnologías de inteligencia artificial generativa. Un conjunto de datos sintéticos tiene las mismas propiedades matemáticas que los datos reales en los que se basa, pero no contiene la misma información. Las organizaciones utilizan datos sintéticos para la investigación, las pruebas, los nuevos desarrollos y la investigación sobre machine learning. Las innovaciones recientes en inteligencia artificial han hecho que la generación de datos sintéticos sea eficiente y rápida, pero también han aumentado su importancia en las preocupaciones reguladoras de datos.
Hay dos tipos principales de datos sintéticos: parciales y completos.

• Datos sintéticos parciales: Los datos parcialmente sintéticos sustituyen una pequeña parte de un conjunto de datos real por información sintética. Puede usarlo para proteger partes sensibles de un conjunto de datos. Por ejemplo, si necesita analizar datos específicos de los clientes,puede sintetizar atributos como el nombre, los detalles de contacto y otra información del mundo real que alguien pueda rastrear hasta una persona específica.
• Datos totalmente sintéticos: Los datos totalmente sintéticos son aquellos en los que se generan datos completamente nuevos. Un conjunto de datos totalmente sintético no contendrá ningún dato del mundo real. Sin embargo, utilizará las mismas relaciones, distribuciones gráficas y propiedades estadísticas que los datos reales. Si bien estos datos no provienen de datos reales registrados, le permiten sacar las mismas conclusiones. Se puede utilizar datos totalmente sintéticos al probar modelos de machine learning. Resulta útil cuando se quiere probar o crear nuevos modelos, pero no se dispone de suficientes datos de entrenamiento reales para mejorar la precisión del machine learning.

La generación de datos sintéticos implica el uso de métodos computacionales y simulaciones. El resultado imita las propiedades estadísticas delos datos del mundo real, pero no contiene observaciones reales del mundo real. Estos datos generados pueden adoptar diversas formas, como texto, números, tablas o tipos más complejos, como imágenes y videos. Hay tres enfoques principales para generar datos sintéticos, cada uno delos cuales ofrece diferentes niveles de precisión y tipos de datos.

1. Distribución estadística: En este enfoque, los datos reales se analizan primero para identificar sus distribuciones estadísticas subyacentes,como las distribuciones normales, exponenciales o de chi-cuadrados. Luego, los científicos de datos generan muestras sintéticas a partir de estas distribuciones identificadas para crear un conjunto de datos que se parezca estadísticamente al original.
2. Basado en modelos: En este enfoque, se entrena un modelo de machine learning para comprender y replicar las características de los datos reales. Una vez que se ha entrenado el modelo, puede generar datos artificiales que siguen la misma distribución estadística que los datos reales.Este enfoque es particularmente útil para crear conjuntos de datos híbridos, que combinan las propiedades estadísticas de los datos reales con elementos sintéticos adicionales.
3. Métodos de aprendizaje profundo: Se pueden emplear técnicas avanzadas como las redes generativas antagónicas (GAN), los codificadores automáticos variacionales (VAE) y otras para generar datos sintéticos. Estos métodos se utilizan con frecuencia para tipos de datos más complejos,como imágenes o datos de series temporales, y pueden producir conjuntos de datos sintéticos de alta calidad.