Dados sintéticos são bem mais que dados falsos

Dados sintéticos são uma tendência em rápida expansão e uma ferramenta emergente no campo da ciência de dados. À medida que frameworks de aprendizado de máquina como TensorfFlow e PyTorch se tornam mais fáceis de usar e modelos pré-projetados para visão computacional e processamento de linguagem natural se tornam mais onipresentes e poderosos, o principal problema que os cientistas de dados começam a enfrentar é a coleta e o manuseio de dados.

Os dados do mundo real às vezes são caros de coletar ou simplesmente difíceis de obter. Se você tomar, por exemplo, veículos autônomos, o desenvolvimento de software para direção autônoma envolve volumes consideráveis ​​de dados. Nesses casos, os dados sintéticos são mais fáceis de produzir do que coletar dados do driver do mundo real. Também permite o treinamento de modelos em uma ampla variedade de situações que os dados do mundo real podem não capturar. Gerar e usar dados sintéticos ajuda a desenvolver modelos confiáveis ​​de aprendizado de máquina de maneira mais rápida e segura.

Em 2022, 25% dos dados de treinamento para IA serão gerados sinteticamente, de acordo com o Gartner. Há aplicações em curso nas áreas de saúde, finanças, detecção de crimes, manufatura, telecomunicações, varejo e vários outros setores. No entanto, sua utilidade depende da privacidade: qualquer pessoa que utilize dados sintéticos pode tomar as mesmas decisões estatísticas que tomaria com os dados verdadeiros — sem ser capaz de identificar as contribuições individuais. Na última semana, o Atlantic Council promoveu um grande debate a esse respeito.