Acelerar el entrenamiento de modelos con datos sintéticos

Chris Ford

La estructura de datos de IA de F5 nos ayuda a acelerar el entrenamiento y la implementación de modelos de aprendizaje automático (ML) para diversos casos de uso. Uno de los principales retos que la estructura de datos de IA ayuda a resolver es la escasez de datos de entrenamiento de calidad. En cualquier iniciativa de ML, la calidad, la diversidad y el volumen de los datos son fundamentales para crear modelos eficaces.

Los datos del mundo real siempre han sido el recurso de referencia para entrenar algoritmos de aprendizaje automático. Sin duda, AI Data Fabric se beneficia de la infraestructura tecnológica de la amplia base de clientes de F5 y del acceso a datos del mundo real de gran calidad. Al fin y al cabo, F5 se encuentra en la ruta de datos de casi la mitad de las aplicaciones del mundo, y cada día circulan 550 petabytes a través de sus productos.

Sin embargo, en los últimos años, los datos sintéticos se han convertido en una fuente de datos de entrenamiento muy atractiva y están adquiriendo rápidamente una importancia cada vez mayor en nuestro ecosistema de aprendizaje automático.

¿Qué son los datos sintéticos?

Los datos sintéticos son datos generados artificialmente que imitan las características de conjuntos de datos del mundo real. Tras conocer las propiedades estadísticas y las estructuras de los datos reales, podemos generar datos artificiales con las mismas propiedades que los datos auténticos. Mediante estas técnicas, AI Data Fabric puede generar enormes cantidades de datos similares a los que recopilamos de los clientes.

¿Por qué utilizar datos sintéticos?

El uso de datos sintéticos ofrece numerosas ventajas. En primer lugar, garantiza la privacidad y el cumplimiento normativo. Los datos sintéticos pueden generarse sin incluir información confidencial, lo que los convierte en una opción excelente para nuestros clientes sujetos a estrictas normativas de privacidad o políticas de seguridad. Al utilizar versiones sintéticas de conjuntos de datos confidenciales, podemos compartir y analizar datos sin poner en riesgo los datos de los clientes. También podemos garantizar que los modelos no se entrenen con datos de clientes.

En segundo lugar, trabajar con datos del mundo real puede requerir mucho tiempo y resultar costoso: recopilar y etiquetar grandes cantidades de datos supone una carga considerable que limita el ritmo de innovación. La generación de datos reduce significativamente los costes y acelera el ciclo de vida de desarrollo de nuestros modelos.

La disponibilidad de datos del mundo real también puede ser limitada. Los datos de entrenamiento de calidad son escasos, especialmente en el caso de eventos poco frecuentes. Los datos sintéticos ayudan a subsanar estas carencias y a equilibrar las clases infrarrepresentadas en situaciones específicas. Por ejemplo, en un conjunto de datos para la detección de ataques, las transacciones habituales podrían superar con creces a las maliciosas. Con los datos sintéticos podemos superar esta escasez: nuestros equipos pueden probar casos extremos que no están representados en los datos del mundo real y explorar situaciones hipotéticas con mayor facilidad.

Por último, está la seguridad. Con datos sintéticos, podemos generar ejemplos adversarios que después se utilizan para poner a prueba la seguridad de los modelos frente a ataques. Los datos sintéticos incluso ayudan a protegerse contra ataques como el envenenamiento de datos, en los que los atacantes manipulan los datos de entrenamiento para corromper los modelos de IA.

Las desventajas de los datos sintéticos

Aunque los datos sintéticos ofrecen muchas ventajas, hay que tener en cuenta algunas precauciones. Por ejemplo, para generar datos sintéticos se necesitan algoritmos avanzados y un alto grado de especialización. Los datos sintéticos también plantean problemas de realismo: es posible que los modelos entrenados exclusivamente con datos sintéticos no funcionen bien en situaciones reales. Esto puede deberse a que los datos de entrenamiento sean demasiado simples y carezcan de la complejidad y los matices de los datos reales, o a que los modelos se sobreajusten a patrones de los datos sintéticos que podrían no darse en situaciones reales.

A pesar de estas precauciones, los datos sintéticos pueden resultar muy útiles en situaciones en las que los datos reales son escasos, costosos o confidenciales. Si comprendemos sus limitaciones y las tenemos en cuenta durante el proceso de desarrollo de modelos, la generación de datos sintéticos constituye una potente herramienta del arsenal de aprendizaje automático de F5. Los datos sintéticos nos permiten avanzar más rápido y ofrecer resultados mucho mejores a nuestros clientes mediante modelos de aprendizaje automático fiables.

Sobre el autor

Chris Ford

Más artículos de Chris Ford