Acelerando o treinamento de modelos com dados sintéticos

Chris Ford

Malha de Dados de IA da F5 está nos ajudando a acelerar o treinamento e a implantação de modelos de aprendizado de máquina (ML) para diversos casos de uso. Um dos principais desafios que a Malha de Dados de IA ajuda a solucionar é a escassez de dados de treinamento de boa qualidade. Em qualquer iniciativa de ML, a qualidade, a diversidade e o volume dos dados são essenciais para a criação de modelos eficazes.

Dados do mundo real sempre foram o principal recurso para treinar algoritmos de aprendizado de máquina (ML). O AI Data Fabric certamente se beneficia da presença tecnológica da ampla base de clientes da F5 e do acesso a dados do mundo real de alta qualidade. Afinal, a F5 está presente no caminho dos dados de quase metade das aplicações do mundo, com 550 petabytes trafegando diariamente pelos produtos da F5.

No entanto, nos últimos anos, os dados sintéticos surgiram como uma fonte promissora de dados de treinamento e vêm ganhando rapidamente importância em nosso ecossistema de aprendizado de máquina.

O que são dados sintéticos?

Dados sintéticos são dados gerados artificialmente que reproduzem as características de conjuntos de dados do mundo real. Após aprender as propriedades estatísticas e as estruturas dos dados reais, podemos gerar dados artificiais com as mesmas propriedades dos dados autênticos. Usando essas técnicas, o AI Data Fabric pode gerar grandes volumes de dados semelhantes aos que coletamos dos clientes.

Por que usar dados sintéticos?

O uso de dados sintéticos oferece inúmeros benefícios. Em primeiro lugar, há a privacidade e a conformidade. Os dados sintéticos podem ser produzidos sem informações confidenciais, o que os torna uma excelente opção para nossos clientes sujeitos a normas rigorosas de privacidade ou políticas de segurança. Ao usar versões sintéticas de conjuntos de dados confidenciais, podemos compartilhar e analisar dados sem colocar em risco os dados dos clientes. Também podemos garantir que os modelos não sejam treinados com dados de clientes.

Em segundo lugar, trabalhar com dados do mundo real pode ser demorado e caro — coletar e rotular grandes volumes de dados é um verdadeiro fardo, o que limita a velocidade da inovação. A geração de dados reduz significativamente os custos e acelera o ciclo de vida de desenvolvimento dos nossos modelos.

A disponibilidade de dados do mundo real também pode ser limitada. Dados de treinamento de qualidade são escassos, especialmente para eventos raros. Os dados sintéticos ajudam a preencher lacunas e a equilibrar classes sub-representadas em cenários específicos. Por exemplo, em um conjunto de dados para detecção de ataques, as transações rotineiras podem superar em muito as maliciosas. Com dados sintéticos, podemos contornar essa escassez — nossas equipes podem testar casos extremos que não estão representados nos dados do mundo real e explorar situações hipotéticas com mais facilidade.

Por fim, há a questão da segurança. Com dados sintéticos, podemos gerar exemplos adversariais que são usados para testar a segurança dos modelos contra ataques. Os dados sintéticos ajudam até mesmo a proteger contra ataques como o envenenamento de dados, em que invasores manipulam os dados de treinamento para corromper modelos de IA.

As desvantagens dos dados sintéticos

Embora os dados sintéticos ofereçam muitos benefícios, é preciso estar atento a algumas ressalvas. Por exemplo, a geração de dados sintéticos exige algoritmos avançados e um alto nível de conhecimento especializado para funcionar. Os dados sintéticos também apresentam desafios relacionados ao realismo — modelos treinados exclusivamente com dados sintéticos podem não ter um bom desempenho em situações reais. Os dados de treinamento podem ser excessivamente simplistas, sem as complexidades e nuances dos dados reais, ou os modelos podem se ajustar demais a padrões presentes nos dados sintéticos que talvez não existam em cenários reais.

Apesar dessas ressalvas, os dados sintéticos podem ser muito úteis em cenários nos quais os dados reais são escassos, caros ou confidenciais. Se compreendermos suas limitações e as levarmos em conta no processo de desenvolvimento de modelos, a geração de dados sintéticos será uma ferramenta poderosa no arsenal de machine learning da F5. Os dados sintéticos nos ajudam a avançar mais rapidamente e a oferecer resultados muito melhores aos nossos clientes na forma de modelos de ML confiáveis.

Sobre o autor

Chris Ford

Mais publicações de Chris Ford