Estos datos se generan completamente desde cero. No incluyen datos de usuarios originales, lo que significa que no hay asociaciones directas entre registros sintéticos y personas reales. Como no se relacionan con individuos concretos, ofrecen el máximo nivel de protección de privacidad. Sin embargo, requieren una validación rigurosa para asegurar que siguen siendo lo suficientemente precisos como para ser útiles en el entrenamiento de la IA.

A veces, es necesario conservar algunos datos reales para que el conjunto de datos sea útil. Los datos parcialmente sintéticos se obtienen tomando un conjunto de datos real y sustituyendo solo las partes sensibles (como nombres, números de identificación personal o direcciones) por valores sintéticos. El resto de los datos siguen siendo distintos. Este enfoque equilibra la privacidad y la utilidad, pero conlleva un riesgo de reidentificación ligeramente mayor en comparación con los datos totalmente sintéticos.

Este enfoque combina registros reales y sintéticos para crear un "superconjunto" de datos. Se suele usar para enriquecer un conjunto de datos real más pequeño. Por ejemplo, si tienes muchos datos sobre transacciones bancarias normales, pero muy pocos sobre fraudes, puedes generar registros de fraude sintéticos para mezclarlos con los reales. Esto ayuda a "sobremuestrear" los eventos poco frecuentes para que el modelo de IA tenga suficientes ejemplos de los que aprender.

Los vehículos autónomos y la robótica dependen en gran medida de los datos sintéticos, ya que la recogida de información del mundo real es lenta. Aunque se hayan registrado millones de kilómetros en carretera, las pruebas físicas no pueden tener en cuenta todos los escenarios de accidentes posibles. Al generar entornos de conducción virtuales, los ingenieros pueden entrenar los coches en miles de millones de kilómetros de carreteras simuladas, poniéndolos a prueba en situaciones peligrosas, como un niño que sale corriendo a la calle, sin ningún riesgo físico.

Los datos médicos son extremadamente privados y difíciles de compartir. Los datos sintéticos permiten a los investigadores crear historiales médicos falsos que imitan los patrones estadísticos de enfermedades reales. Esto hace posible que los hospitales compartan datos para la investigación del cáncer o estudios de enfermedades raras sin infringir la HIPAA. Una encuesta de ManageEngine reveló que el 81 % de las organizaciones sanitarias ya usan datos sintéticos para innovar y, al mismo tiempo, gestionar los problemas de privacidad.

Detectar el fraude es difícil porque el fraude real es poco frecuente. Esto dificulta que la IA aprenda a identificarlo. Los bancos pueden usar datos sintéticos para generar miles de patrones de transacciones fraudulentas. Este "sobremuestreo" ayuda a entrenar a la IA para detectar actividades sospechosas sin exponer historiales financieros reales de clientes.

Los desarrolladores necesitan grandes cantidades de datos para probar el rendimiento de una aplicación bajo presión. Esto se conoce como "gestión de datos de prueba". En lugar de usar una copia peligrosa de la base de datos de producción real, los equipos de DevOps pueden rellenar un entorno de pruebas con millones de usuarios sintéticos. Esto les permite hacer pruebas de estrés de las nuevas actualizaciones de aplicaciones de forma segura y asegurarse de que el sistema puede gestionar un gran volumen de tráfico.