Datos sintéticos
Los datos sintéticos (synthetic data) son datos de entrenamiento o de prueba generados por software, a menudo por otro modelo de IA, en lugar de recogidos de fuentes del mundo real. Se usan para cubrir huecos, añadir ejemplos a bajo coste o evitar exponer datos personales reales.
Por Divya Sharma · Comprobado el 16 nov 2026 · Cómo hacemos las reseñas
Recoger y etiquetar datos reales es lento y caro, y algunos datos son privados o escasos. Los datos sintéticos los sustituyen o los complementan. En los modelos de lenguaje, se pide a un modelo potente que escriba preguntas, instrucciones, respuestas, diálogos o código, y los resultados se filtran y se usan para fine-tuning o evaluación.
Un ejemplo conocido
Self-Instruct (Wang et al., 2022) mostró el patrón. Un modelo genera instrucciones nuevas con entradas y salidas, se filtran los elementos no válidos o casi duplicados y el modelo original se ajusta con lo que queda. Los autores publican el conjunto de datos sintético resultante. Muchos conjuntos de instrucciones posteriores siguen pasos parecidos, y la knowledge distillation a menudo se apoya en un modelo maestro más grande que genera datos para un alumno más pequeño.
Usos
Entre los usos habituales están los datos de instrucciones y de chat, los casos límite poco frecuentes, las trazas de uso de herramientas para agentes, los conjuntos de prueba para la evaluación de LLM y registros de sustitución que parecen datos de clientes sin corresponder a personas reales. También aparecen en visión, donde las escenas renderizadas aportan imágenes etiquetadas.
Riesgos
Los datos sintéticos heredan los errores, sesgos y puntos ciegos del modelo que los genera, y el filtrado solo detecta parte de ellos. Entrenar una y otra vez con salidas de modelos y pocos datos reales nuevos puede estrechar lo que produce un modelo. Los ejemplos generados tienden a ser menos variados que los reales. Las condiciones de servicio de algunos proveedores de modelos restringen el uso de sus salidas para entrenar modelos de la competencia, así que revísalas. Mantén un golden dataset real y revisado por personas para medir si los datos sintéticos han ayudado de verdad. Consulta también datos de entrenamiento de IA.
Términos relacionados
- Datos de entrenamiento de IA
- Los datos de entrenamiento de IA son el conjunto de ejemplos del que aprende un modelo, como texto web, código, imágenes, transcripciones o pares etiquetados. Su tamaño, calidad, mezcla y licencias determinan lo que el modelo puede hacer y dónde falla.
- Fine-tuning
- El fine-tuning (ajuste fino) es un entrenamiento adicional de un modelo preentrenado con un conjunto de datos más pequeño y específico de una tarea, para que el modelo adopte una habilidad, un formato, un tono o un dominio concretos sin entrenarlo desde cero.
- Destilación de conocimiento
- La destilación de conocimiento (knowledge distillation) es un método de entrenamiento en el que un modelo alumno más pequeño aprende a imitar las salidas de un modelo profesor más grande, dando lugar a un modelo destilado que conserva gran parte de la habilidad del profesor a menor coste.
- Golden dataset
- Un golden dataset (conjunto de referencia) es un conjunto fijo y cuidadosamente revisado de entradas de ejemplo emparejadas con las respuestas o el comportamiento que esperas, que se usa como referencia al evaluar un sistema de IA o hacerle pruebas de regresión.
- Evaluación de LLM
- La evaluación de LLM (LLM evaluation), a menudo llamada evals, consiste en medir lo bien que un modelo o una aplicación de IA realiza una tarea ejecutándolo sobre un conjunto de casos de prueba y puntuando las salidas según criterios definidos, con código, con personas o con otro modelo.